Promouvoir l'exploration géothermique avec l'intelligence artificielle

L'énergie géothermique représente une source d'énergie stable et à faible teneur en carbone capable d'approvisionner en électricité de base et en chauffage direct. Au fur et à mesure que la transition mondiale vers les énergies renouvelables s'accélère, l'industrie doit relever un défi persistant : localiser rapidement et efficacement des réservoirs géothermiques de haute qualité. Les méthodes d'exploration traditionnelles, qui reposent fortement sur l'interprétation manuelle des cartes géologiques, des levés sismiques et des prélèvements géochimiques, prennent du temps et conduisent souvent à des programmes de forage à haut risque dont les rendements sont incertains.

Le rôle de l'intelligence artificielle dans l'exploration géothermique

L'IA comprend une série d'outils informatiques qui permettent aux machines d'apprendre des données, de reconnaître les modèles et de prendre des décisions avec une intervention humaine minimale.L'exploration géothermique permet d'appliquer ces outils à divers types de données, notamment les mesures sismiques, magnétotelluriques (MT), gravitationnelles, magnétiques, logiques et géochimiques, pour en déduire les conditions de subsurface.L'avantage essentiel de l'IA réside dans sa capacité à gérer les données multidimensionnelles, bruyantes et souvent peu abondantes qui caractérisent les systèmes géothermiques, en identifiant les corrélations qui échapperaient aux méthodes statistiques traditionnelles.

Intégration et analyse des données

Les systèmes d'IA excellent à la fusion de ensembles de données hétérogènes dans un cadre unifié. Par exemple, les réseaux neuronaux convolutionnels (RNC) peuvent traiter des images satellitaires et des données topographiques pour détecter des expressions de surface telles que les sources chaudes, les fumaroles et les zones rocheuses altérées. Simultanément, les réseaux neuronaux récurrents (RNN) ou les transformateurs peuvent analyser des données de séries chronologiques provenant de réseaux de surveillance microsismiques pour identifier des changements subtils de vitesse qui indiquent le mouvement des fluides.

Une approche pratique consiste à utiliser des méthodes d'apprentissage non supervisées comme les cartes groupées de moyennes k ou auto-organisantes (SOM) pour regrouper les anomalies géophysiques en signatures distinctes de réservoirs.Ces grappes peuvent alors être corrélées avec des champs productifs connus pour construire un ensemble de formation aux fins de classification supervisée.Dans une étude publiée dans Géothermiques, les chercheurs ont appliqué des SOM aux modèles de résistivité MT et aux données gravimétriques dans la région du Grand Bassin des États-Unis, identifiant correctement plus de 80 % des systèmes géothermiques connus tout en réduisant la zone de recherche de 70 % (Shah et al., 2020.

Modélisation prédictive des propriétés du réservoir

Une fois les données intégrées, les modèles d'IA peuvent prédire les paramètres clés du réservoir - température à la profondeur, porosité, perméabilité, saturation des fluides et même débit prévu - avec une incertitude quantifiable. Les méthodes géostatistiques traditionnelles comme le kriging sont limitées par des hypothèses de stationnarité spatiale et de linéarité.

Dans plusieurs champs géothermiques en Islande, les modèles SVR ont obtenu des erreurs absolues moyennes de moins de 10°C pour des profondeurs allant jusqu'à 2 km, permettant aux foreurs de cibler les zones les plus chaudes sans carottage étendu (Björnsson et al., 2022]. Des architectures d'apprentissage profond, comme des réseaux neuronaux entièrement connectés avec régularisation en décrochage, ont également été formées à des modèles de réservoirs synthétiques dérivés de simulations basées sur la physique pour prédire la productivité, réduisant ainsi considérablement le besoin de puits d'exploration coûteux.

Techniques d'apprentissage automatique en pratique

La sélection d'une technique d'IA appropriée dépend de la disponibilité des données, du type de problème et des exigences en matière d'interprétation.

  • Random Forests and Gradient Boosting: Excellent pour le traitement de types de données mixtes (catégoriques et continues) et pour la fourniture de notes d'importance.Ces ensembles sont largement utilisés pour la cartographie de la prospectivité régionale.
  • Réseaux neuronaux convolutionnels (RCN):[ Idéal pour analyser des données de type grille telles que des sections sismiques, des profils de résistivité MT ou des images satellitaires. Les RCN peuvent automatiquement extraire des caractéristiques textuelles et de forme indiquant des zones altérées ou des réseaux de fracture.
  • Réseaux neuronaux récurrents (RNN) et Mémoire à court terme longue (LSTM):[ Suite pour des données séquentielles – par exemple, séries chronologiques de journaux de température de forage ou d'activité microsismique continue – pour prévoir le comportement du réservoir dans les scénarios de production.
  • Réseaux d'adversaires génériques (RAG):[ Utilisé pour générer des modèles géologiques synthétiques réalistes lorsque les données réelles sont rares, augmentant les ensembles de formation pour d'autres modèles supervisés.
  • Réseaux neuronaux formés en physique (PINN):[ Incorporer des équations différentielles partielles qui régissent le flux de chaleur et de fluide dans la fonction de perte, en veillant à ce que les prédictions respectent les lois physiques.

Chaque technique nécessite un réglage et une validation rigoureux des hyperparamètres à l'aide de données conservées ou de validation croisée pour éviter un surajustement, risque particulièrement aigu dans les milieux géothermiques où le nombre de réservoirs connus est limité.

Avantages de l'utilisation de l'IA dans l'exploration géothermique

L'adoption de l'IA dans l'exploration géothermique offre des avantages mesurables tout au long du cycle de vie du projet, depuis la reconnaissance initiale jusqu'à l'évaluation des forages et des ressources.

Précision accrue et incertitude réduite

Les modèles d'IA peuvent quantifier l'incertitude de prédiction par des méthodes comme l'abandon de Monte Carlo, les réseaux neuronaux bayésiens ou les distributions d'ensembles. Cette production probabiliste permet aux gestionnaires d'exploration d'évaluer le risque de façon plus réaliste que les interprétations déterministes.Dans une étude de cas du Office des technologies géothermiques du département de l'Énergie des États-Unis, un modèle forestier aléatoire formé sur les attributs géophysiques, géochimiques et géologiques a amélioré le taux de succès du forage à trous minces de 30 à 65 % en ciblant uniquement les déciles supérieurs de la prospectivité.

Réduction des coûts

En réduisant la zone de recherche et en priorisant les sites de réservoirs les plus probables, l'IA réduit le nombre de puits nécessaires. De plus, l'analyse des données héritées de l'IA (souvent archivées dans des rapports sur papier ou des feuilles de calcul isolées) peut extraire de la valeur des enquêtes précédemment sous-utilisées, évitant les campagnes de terrain redondantes. Certains opérateurs déclarent des économies de coûts d'exploration de 30 à 50 % après l'adoption de flux de travail assistés par l'IA.

Plus rapide prise de décision et scalabilité

Les pipelines d'IA, une fois formés, peuvent traiter des téraoctets de données en heures, produisant des cartes de prospection à mesure que de nouvelles informations deviennent disponibles. Cette vitesse est critique lors des cycles de location concurrentiels, où la capacité de classer rapidement les actifs peut déterminer le succès d'acquisition. De plus, les modèles d'IA peuvent être étendus à plusieurs régions géographiques, ce qui permet aux entreprises de maintenir des normes d'évaluation uniformes à l'échelle mondiale.

Atténuation des risques

L'IA identifie non seulement des cibles prometteuses, mais aussi des zones à risque, à forte incertitude, à faible perméabilité prévue ou à proximité de failles sismiques actives susceptibles d'induire une sismiqueté induite. En intégrant des scénarios de résultats (p. ex. optimistes, pessimistes, le plus probable), les décideurs peuvent effectuer des analyses coûts-avantages avant de s'engager dans le forage.

Difficultés rencontrées dans l'adoption

Malgré sa promesse, l'intégration de l'IA dans l'exploration géothermique n'est pas sans obstacles, mais il faut relever ces défis pour réaliser le plein potentiel de ces technologies.

Qualité et quantité des données

Les modèles d'IA sont peu nombreux. L'exploration géothermique souffre d'une pénurie d'exemples marqués, c'est-à-dire des endroits où le forage a confirmé la viabilité d'un réservoir ou d'un trou sec. De nombreux ensembles de données existants sont bruyants, incomplets ou recueillis avec différents équipements et normes. Le transfert d'apprentissages provenant d'autres domaines (p. ex., pétrole et gaz) peut aider, mais les réservoirs géothermiques occupent souvent des cadres géologiques distincts (p. ex., les fossés volcaniques, les bassins sédimentaires à circulation profonde) qui diffèrent des systèmes d'hydrocarbures.

Besoin d'expertise spécialisée

Le déploiement de l'IA dans le domaine des sciences de la Terre exige des équipes interdisciplinaires qui combinent les connaissances du domaine (géologie, géophysique, géochimie) avec l'ingénierie de l'apprentissage automatique, la science des données et le développement de logiciels.

Interprétabilité et confiance

Les géoscientifiques sont habitués à interpréter les images et les cartes de la surface par le biais de raisonnements physiques. Les modèles d'IA « Black-box » (en particulier les réseaux neuronaux profonds) offrent une grande précision mais peu de compréhension sur la raison pour laquelle un emplacement particulier est désigné comme étant prospectif.

Investissement initial et infrastructure

La mise en place d'un flux de travail d'exploration axé sur l'IA exige des investissements initiaux dans le matériel informatique (GPU, crédits cloud), les plates-formes logicielles, les systèmes de gestion des données et la formation du personnel.

Applications et études de cas dans le monde réel

Plusieurs projets novateurs illustrent la façon dont l'IA est opérationnelle dans l'exploration géothermique aujourd'hui.

Projet de Google InnerSpace et Salton Sea

En 2021, Google a lancé le projet InnerSpace, une initiative visant à accélérer le déploiement géothermique en utilisant l'IA. Au champ géothermique de Salton Sea en Californie, la société a appliqué l'apprentissage automatique pour interpréter les données de réflexion sismique aux côtés des registres de puits et de l'historique de production.Les modèles ont identifié des réseaux de fractures non reconnus qui accroissent la connectivité des réservoirs, permettant aux opérateurs d'optimiser le placement des puits et d'améliorer le rendement de la vapeur de 15% (DOE Office of Energy Efficiency & Renewable Energy.

Projet de forage en profondeur (IDDP)

Des chercheurs de l'Université d'Islande ont formé un réseau neuronal profond sur les compositions des fluides géochimiques des puits IDDP pour prédire la température du réservoir dans des conditions supercritiques. Le modèle a permis d'obtenir une erreur <2°C sur les données d'essai, permettant une inférence en temps réel des températures des trous d'aval à partir d'échantillons de gaz de surface.

Initiatives fédérales et données ouvertes

La USGS Geological Survey (USGS) et le Department of Energy ont publié de grands ensembles de données harmonisés (par exemple, le National Geothermal Data System) pour appuyer l'élaboration de modèles d'IA.En 2023, une équipe de l'Université de l'Utah a utilisé un ensemble de machines à vecteur XGBoost et de support sur ces données pour produire une carte de prospectivité géothermique à résolution d'un km, identifiant plus de 200 nouvelles cibles de « haute confiance » dans la province du Bassin et de l'aire de répartition (USGS Scientific Investigations Report.

Perspectives et tendances nouvelles

L'intégration de l'IA dans l'exploration géothermique en est encore à ses débuts, mais plusieurs tendances indiquent une maturation rapide.

Jumelles numériques et optimisation en temps réel

Les modèles d'IA assimilent les données en temps réel des puits de production, des puits d'injection et des réseaux de surveillance, puis prédisent les états futurs selon différents scénarios d'exploitation.Les opérateurs peuvent utiliser ces prédictions pour ajuster les taux d'extraction, empêcher les percées en eau froide et prolonger la durée de vie sur le terrain. Des startups comme Fervo Energy déploient déjà des forages directionnels guidés par l'IA pour créer des systèmes géothermiques améliorés (EGS) avec des réseaux de fractures conçus, permettant ainsi la viabilité commerciale sur plusieurs sites pilotes.

Modèles de fondation pour la géoscience

Les modèles de langages étendus (LLM) et les transformateurs multimodal (p. ex. GPT-4 avec vision) commencent à s'appliquer à des rapports géologiques non structurés, à des journaux et à des images. Un modèle de fondation à réglage fin pourrait servir de « copilote géoscience », répondant à des questions sur la lithologie, la structure ou la chimie des fluides, en se basant sur un corpus documentaire complet du projet.

Intégration avec d'autres sources d'énergie renouvelables

Les modèles d'exploration de l'IA sont combinés avec les systèmes d'information géographique (SIG) et les données du réseau électrique pour optimiser simultanément la qualité des ressources géothermiques, les conflits d'utilisation des terres et l'accès aux transmissions.

Conclusion

L'intelligence artificielle modifie fondamentalement la façon dont les géoscientifiques explorent l'énergie géothermique.En intégrant des données multisources, en construisant des modèles prédictifs des caractéristiques des réservoirs et en quantifiant l'incertitude, l'IA réduit le coût et le risque de trouver des ressources commercialement viables.Bien que les défis liés à la disponibilité, à l'interprétation et à l'expertise des données persistent, le rythme rapide de l'innovation algorithmique et le volume croissant des ensembles de données accessibles au public surmontent ces obstacles.