Utiliser l'apprentissage profond pour prédire la performance du réservoir géothermique

Utiliser l'apprentissage profond pour prédire la performance du réservoir géothermique

Ces formations souterraines contiennent de l'eau chaude et de la vapeur qui peuvent être utilisées pour les énergies renouvelables.Les prédictions précises de la température, de la pression, du débit de fluide et de la durabilité à long terme sont essentielles pour une extraction efficace de l'énergie et une gestion responsable des ressources.Les méthodes traditionnelles reposent souvent sur des modèles physiques simplifiés et des enregistrements historiques, mais l'apprentissage profond offre une alternative fondée sur les données qui peut découvrir des modèles cachés et améliorer la précision de la prévision.

Comprendre les réservoirs géothermiques

Les réservoirs géothermiques sont des systèmes complexes et naturels où la chaleur de l'intérieur de la Terre est stockée dans les roches et les fluides dans les formations poreuses ou fracturées. Ils se trouvent généralement dans des régions où l'activité volcanique, les limites des plaques tectoniques ou les bassins sédimentaires profonds. La performance d'un réservoir géothermique dépend de plusieurs processus physiques interdépendants, y compris le transfert de chaleur, le flux de fluides, les réactions chimiques et la mécanique des roches.

Paramètres physiques clés

Les paramètres les plus critiques qui influent sur la performance du réservoir sont la perméabilité et la porosité des roches, la température et la pression des fluides, la conductivité thermique de la matrice rocheuse, les réseaux de fractures naturelles et la présence de failles qui peuvent canaliser ou bloquer le mouvement des fluides. La géométrie, la profondeur et l'interaction du réservoir avec les eaux souterraines environnantes jouent également un rôle important.

Défis posés par la modélisation conventionnelle

Les systèmes géothermiques réels sont très hétérogènes, anisotropes et dynamiques. Les données sismiques, les registres de puits et l'historique de la production ne fournissent que des mesures peu précises, et le coût de forage de puits supplémentaires pour la collecte de données est prohibitif. De plus, le couplage entre les processus thermiques, hydrauliques et mécaniques n'est pas linéaire, ce qui rend difficile la capture de comportements émergents tels que les percées thermiques ou la sismicité induite. Ces limitations ont motivé l'exploration d'approches fondées sur les données comme l'apprentissage par machine, et surtout l'apprentissage profond, qui peut apprendre des cartes complexes directement à partir de données sans exiger des équations physiques explicites.

Le rôle de l'apprentissage profond

Dans le contexte des performances des réservoirs géothermiques, les modèles d'apprentissage profond peuvent être formés sur les données historiques de production, les attributs sismiques, les registres de puits, les profils de température, et même les images satellitaires. Une fois formés, ils peuvent prédire les futurs états des réservoirs – tels que les taux de baisse de température, la production de vapeur ou les changements de pression – dans divers scénarios d'extraction. Contrairement aux modèles traditionnels fondés sur des règles, les modèles d'apprentissage profond extraient automatiquement les caractéristiques pertinentes des données brutes, ce qui leur permet de saisir les interactions non linéaires qui pourraient être oubliées par les méthodes classiques.

Types d'architectures d'apprentissage profond

Plusieurs architectures d'apprentissage profond se sont révélées utiles pour la prédiction des réservoirs géothermiques :

• Réseaux neuronaux (RFN): La forme la plus simple, constituée de couches d'entrée, cachées et de sortie. Les RFN sont utilisées pour les tâches de régression, comme la prédiction de la température du réservoir à partir de caractéristiques bien-log.
• Réseaux neuronaux convolutionnels (RCN):[ Conçus à l'origine pour l'analyse d'images, les RCN peuvent traiter des données spatiales telles que des tranches sismiques ou des modèles géologiques 3D. Ils détectent des modèles localisés comme des zones de faille ou des couches sédimentaires qui influencent le flux de fluide.
• Réseaux neuronaux courants (RNN) et réseaux de mémoire à court terme longue (LSTM) : Ces architectures sont adaptées aux données de séries chronologiques. Elles sont idéales pour prévoir la pression du réservoir, les taux de production ou l'évolution de la température au fil du temps, en utilisant des séquences historiques pour faire des prévisions futures.
• Codeurs automatiques:[ Modèles non supervisés qui apprennent les représentations compressées des données d'entrée. Ils sont utilisés pour la détection d'anomalies, comme identifier des chutes de pression inhabituelles qui pourraient indiquer une défaillance de l'équipement ou des changements géologiques.
• Génération des réseaux d'adversaires (GANs): Les GANs peuvent générer des modèles de réservoirs ou des profils thermiques synthétiques mais réalistes, ce qui aide à augmenter les données de terrain limitées, améliorant la robustesse d'autres modèles prédictifs.

Collecte et préparation des données

Le succès de tout modèle d'apprentissage profond dépend de la qualité, de la quantité et de la pertinence des données de formation.

• Les relevés sismiques :[ Les données de réflexion et de réfraction fournissent des renseignements sur la structure souterraine, les emplacements des failles et les propriétés rocheuses.
• Logs de puits: Rayon gamma, résistivité, densité et logs soniques donnent des mesures de la lithologie, de la porosité et de la teneur en fluide à des profondeurs spécifiques.
• Logs de température et de pression:[ Enregistrés lors du forage ou par des capteurs permanents de trous d'aval, ces derniers sont des indicateurs directs de l'état du réservoir.
• Historique de la production:[ Enregistrements mensuels ou quotidiens des débits de vapeur et d'eau, de l'enthalpie et de la composition chimique.
• Les données géochimiques :[ Les échantillons de liquides analysés pour déterminer la teneur en minéraux dissous, en isotopes et en gaz peuvent révéler la connectivité du réservoir et son origine.
• Les catalogues de tremblements de terre :[ Les événements microsismiques induits par l'injection ou l'extraction de fluides aident à cartographier les systèmes de fracture et les champs de stress.

Les données brutes contiennent souvent des valeurs manquantes, des valeurs aberrantes ou des erreurs de mesure. Les techniques telles que la normalisation (portant toutes les caractéristiques à une plage similaire), l'interpolation des valeurs manquantes et l'augmentation des données (par exemple, ajouter du bruit ou créer des échantillons synthétiques) améliorent la stabilité du modèle. L'extraction des caractéristiques peut impliquer la transformation des attributs sismiques en indicateurs plus interprétables comme l'impédance ou la vitesse.

Élaboration de modèles et formation

L'élaboration d'un modèle d'apprentissage profond pour la prévision des réservoirs géothermiques comporte plusieurs étapes. Premièrement, l'architecture doit être choisie en fonction du type de données d'entrée et de la tâche de prévision. Par exemple, un CNN peut être utilisé pour la segmentation sismique de l'image pour identifier les zones perméables, tandis qu'un réseau LSTM pourrait prévoir le déclin de la production.

La validation croisée permet d'éviter les surajustements, surtout lorsque les données sont rares. La formation exige généralement du matériel de haute performance (GPUs ou TPUs) pour traiter efficacement les grands ensembles de données. Après la formation, le modèle est validé sur un ensemble de données de maintien à l'aide de mesures telles que R-carré, erreur absolue moyenne (MAE) ou erreur carrée moyenne racine (RMSE). Pour la classification (p. ex., la prédiction de la production d'un puits au-dessus d'un seuil), la précision, la précision et le rappel sont signalés.

L'une des approches les plus prometteuses est la création de réseaux neuronaux (PINN) qui incorporent des lois physiques connues (par exemple, la conservation de la masse et de l'énergie) dans la fonction de perte. Les PINN nécessitent moins de données de formation et produisent des solutions qui satisfont la physique sous-jacente, réduisant ainsi le risque de prédictions physiquement irréalistes.

Avantages de l'utilisation de l'apprentissage profond

L'adoption d'un apprentissage profond pour la prédiction des performances des réservoirs géothermiques présente plusieurs avantages convaincants :

• Précision accrue de la prédiction :[ Les modèles d'apprentissage profond peuvent saisir des relations complexes non linéaires que les modèles polynômes linéaires ou de faible ordre traditionnels manquent. Dans les études comparatives, les réseaux neuronaux profonds ont obtenu jusqu'à 30 % d'erreurs de prédiction plus faibles pour la récupération de température et les taux de production que les méthodes de régression conventionnelle.
• Une fois formé, un modèle d'apprentissage profond peut calculer les prédictions en millisecondes, permettant une surveillance en temps réel et des essais de scénarios rapides. Cette vitesse contraste avec des simulateurs numériques qui peuvent prendre des heures ou des jours pour exécuter une simulation en plein champ.
• Scalabilité et automatisation:[ Le même cadre d'apprentissage profond peut être appliqué à plusieurs puits ou domaines avec une reconfiguration minimale. L'extraction automatisée des fonctions réduit le besoin d'interprétation géologique manuelle, permettant aux ingénieurs de se concentrer sur la prise de décision.
• Intégration de différents types de données:[ Les modèles d'apprentissage profond peuvent traiter simultanément des images (sismiques), des séquences (historique de la production) et des données tabulaires (logs de puits).
• La modélisation dynamique avec des données en temps réel: En mettant à jour en permanence les prévisions à mesure que de nouvelles données de capteurs arrivent, l'apprentissage profond permet une gestion adaptative.

Défis et limites

Malgré sa promesse, l'apprentissage profond fait face à plusieurs obstacles dans la prévision des réservoirs géothermiques :

• Résistance des données: Les champs géothermiques sont souvent sous-échantillonnés. Le forage d'un puits est coûteux, et de nombreux projets géothermiques manquent d'histoires de production longues et cohérentes.Les petits ensembles de données augmentent le risque de sur-ajustement, où le modèle mémorise le bruit au lieu d'apprendre les modèles généraux.
• Les réseaux neuronaux profonds sont souvent considérés comme des boîtes noires. Pour les décisions critiques comme la conception de bien placer ou de stimulation, les ingénieurs doivent comprendre pourquoi un modèle fait une certaine prédiction. Les techniques comme les valeurs SHAP, les gradients intégrés et la propagation de la pertinence par couche peuvent fournir un aperçu, mais elles ne sont pas encore standard dans les applications géothermiques.
• Processus non stationnaires:[ Les réservoirs géothermiques évoluent en raison de l'extraction, de l'injection et de la recharge naturelle.Un modèle formé sur des données antérieures peut devenir inexact à mesure que le système entre dans un nouveau régime – par exemple, après un traitement de stimulation ou une baisse importante de la pression.
• Besoin d'expertise spécialisée :[ La mise en oeuvre de l'apprentissage profond exige des connaissances en apprentissage automatique et en génie géothermique. Il y a pénurie de professionnels possédant des compétences interdisciplinaires, et de nombreuses organisations manquent d'infrastructure informatique pour former de grands modèles.
• Quantification de l'incertitude:[ Les modèles d'apprentissage profond ne fournissent pas naturellement des intervalles de confiance. Des approches probabilistes telles que les réseaux neuraux bayésiens ou l'abandon de Monte Carlo peuvent estimer l'incertitude, mais elles sont calculalement plus coûteuses et moins couramment utilisées dans la pratique.

Orientations futures

Research and development in deep learning for geothermal energy are accelerating. Several promising directions are emerging:

Réseaux neuronaux formés en physique (RINP)

Les PINN encodent directement les lois physiques dans l'objectif de formation, garantissant que les prédictions obéissent aux équations de conservation.Pour les réservoirs géothermiques, les PINN ont été appliqués à des problèmes inverses – en évaluant la perméabilité ou la capacité thermique à partir des mesures de température et de pression.

Transfert de l'apprentissage et des modèles de base

Tout comme les modèles de langages de grande taille comme le GPT peuvent être affinés pour des tâches spécifiques, les modèles géologiques pré-formés pourraient être adaptés à de nouveaux domaines avec des données locales limitées. Les modèles de fondation formés sur des ensembles de données mondiales de registres de puits, des levés sismiques et des courbes de production pourraient saisir des modèles géologiques généraux.

Jumelles numériques en temps réel

Pour les installations géothermiques, un jumeau numérique basé sur l'apprentissage profond ingérerait continuellement les données de capteurs provenant des puits, des pipelines et des équipements de centrales électriques, en mettant à jour ses prévisions et ses recommandations en temps réel. Un tel système pourrait optimiser les calendriers d'injection et de production, détecter les anomalies de l'équipement avant la défaillance et simuler l'impact à long terme de différentes stratégies opérationnelles.

Renforcement de l'apprentissage pour le contrôle opérationnel

L'apprentissage du renforcement (RL) peut former des agents pour prendre des décisions séquentielles, comme l'ajustement des taux d'injection ou des pressions de tête de puits, afin de maximiser une récompense (p. ex., la production nette d'énergie).

Intégration avec IoT et Edge Computing

Le volume de données en streaming augmentera à mesure que les capteurs IoT deviendront moins chers et plus fiables. L'informatique de bord – utilisant des modèles d'apprentissage en profondeur légers sur des appareils situés à proximité des capteurs – peut fournir des prédictions instantanées sans compter sur la connectivité au nuage.

Conclusion

L'apprentissage approfondi devient rapidement un outil indispensable pour prédire les performances des réservoirs géothermiques.En tirant parti de vastes ensembles de données et d'architectures sophistiquées, les ingénieurs peuvent obtenir plus de précision, de rapidité et de flexibilité que les seules méthodes de simulation traditionnelles. Néanmoins, les défis liés à la rareté des données, à l'interprétation et à l'adaptation des domaines doivent être abordés avant que l'apprentissage approfondi ne devienne courant dans l'industrie géothermique.

Pour plus de détails, veuillez consulter les ressources suivantes : L'Association internationale de la géothermie fournit des rapports techniques sur l'ingénierie des réservoirs; L'Université de Stanford publie fréquemment des articles sur les applications de l'apprentissage automatique dans les systèmes géothermiques