התפתחויות של מחקר גיאותרמאל עם אינטליגנציה מלאכותית

אנרגיה גיאותרמית מייצגת מקור כוח יציב, נמוך פחמן המסוגל לספק חשמל בסיס חימום ישיר. כמו המעבר הגלובלי לאנרגיה מתחדשת מאיץ, התעשייה מתמודדת עם אתגר מתמשך: איתור מאגרים גיאוותרמאליים באיכות גבוהה במהירות וביעילות רבה, שיטות מחקר מסורתיות בעלות יעילות, אשר מסתמכות רבות על פרשנות ידנית של מפות גיאולוגיות, סקרים סיסמיים וגיאוכימיים, יוצרים זמן רב-קוע ופות קדימה, לעתים קרובות, כדי לפתח שיטות מחקר מגנטיות גבוהות יותר (aבטיחות) עם התקדמות).

תפקיד האינטליגנציה המלאכותית ב-Girmal Exploration

בינה מלאכותית כוללת חבילת כלים חישוביים המאפשרים למכונות ללמוד מהנתונים, לזהות דפוסים ולקבל החלטות עם התערבות אנושית מינימלית.בחיפוש גיאותרמית, כלים אלה מוחלים על סוגי נתונים מגוונים - כולל סיסמי, מגנטי (MT), הכבידה, מגנטית, טוב לב, ומדידות גיאוכימיות - כדי להפר תנאים תת-קרקעיים.

אינטגרציה וניתוח נתונים

מאגרים גיאותרמאליים הם מערכות מורכבות שבהן הטמפרטורה, ההכנות, הכימיה הנוזלית, ותכונות הסלע אינטראקציה בדרכים לא לינאריות.שום מקור נתונים יחיד אינו מספק תמונה מלאה.מערכות AI הצטיין במאגרי מידע heterogeneous לתוך מסגרת מאוחדת.לדוגמה, רשתות עצביות אבולוציה (CNN) יכולות לעבד תמונות לוויין ונתונים טופוגרפיים כדי לזהות ביטויים כגון מעיינות חמים, מטבוליים, מהירות עצבית או מקרינה עצבית (S) שינויים עצביים) ממערכות ניטור עצביים (S) יכולות לשנות את הזמן (S) או שינויים עצביים).

גישה מעשית אחת היא השימוש בשיטות למידה לא מבוססות כגון k-means מקבץ או מפות מאורגנות עצמית (SOMs) כדי לשתף omalies גיאופיזיקה לתוך חתימות של מאגרים שונים.התיקים האלה יכולים להיות מתואמות עם שדות יצרניים ידועים כדי לבנות מערכת הכשרה עבור סיווג מבוקר (pLT:0GirsLTs1, 000) ו- AIFird, אשר ניתן ליישם את הנתונים של אגן על ידי אגן האינטגרציה נכון על ידי אגן של אגן של 2.

מודלים חיזויים של נכסים

ברגע שהנתונים משולבים, מודלים של בינה מלאכותית יכולים לחזות פרמטרים מרכזיים - זמן רב בעומק, פורוזיות, חדירות, ריצוף נוזלי, ואפילו קצב זרימה צפוי - עם אי ודאות קוונטית מסורתית שיטות גיאוסטטיסטיות מסורתיות כמו קרירינג מוגבלות על ידי הנחות של תחנת חלליות וגמישות.מכונות למידה רגרסנס, כולל יערות אקראיים (RF), שיפור מכונות הגיאו-GB (Mustraative Revision), ותהליך גמיש (Gtraative Regresse) יכול לשלב חלופות גמישות.

דוגמה בולטת היא השימוש בגיבוי וסגידה (SVR) בשילוב עם אלגוריתמים בחירה תכונה לחזות טמפרטורה תת-קרקעית מהנתונים מגנטיים וגלוטריים. במספר שדות גאותרמיים באיסלנד, דגמי SVR השיגו שגיאות מוחלטות של פחות מ -10 מעלות צלזיוס למעמקים עד 2 ק"מ, המאפשרים למקדחים נגזרים לכוון את האזורים החמים ביותר ללא כפירה נרחבת (FLT:0jörnoren et al, 2022, 000, 000 , 000 , כמו גם כן, 000 סימולציה רגילה, 000 סימולציה של רשתות למידה).

טכניקות למידה מכונות בפרקטיקה

בחירת טכניקת בינה מלאכותית מתאימה תלויה בזמינות נתונים, בסוג בעיות ובדרישות הפרשנות.

  • (FLT:0 ,Random Forests and Gradient Boosting: FLT:1 מעולה לטיפול בסוגים מעורבים של נתונים (קטגוריים ומתמשכים) ומספקים ציונים חשובים.
  • (FLT:0convolutional Neural Networks (CNN): ibph:1 אידיאלי לניתוח נתונים דמויי רשת כגון חתך סיסמי, פרופילים של MTivity, או תמונות לוויין. CNN יכולים באופן אוטומטי לחלץ טקסט וצורה תכונות מעידות על אזורים שונים או רשתות שבר.
  • (FLT:0) רשתות נילי (RNN) ו- Long Short- Memory Conditions (LSTM): LSTMREFLT:1 Suited for Sequential data - לדוגמה, זמניים מגלי טמפרטורה של ספוגים או פעילות מיקרו-סיסטית מתמשכת - לחזות התנהגות של מאגר תחת תרחישי ייצור.
  • (FLT:0) יועצים רוחניים (גנים): FLT) 1 משמש ליצירת מודלים סינתטיים מציאותיים כאשר נתונים אמיתיים הם נדירים, הגדלת קבוצות עבור מודלים אחרים בפיקוח.
  • (FLT:0) רשתות נילי מתקדמות (PINNs): שילוב משוואות שונות חלקית השולטות חום ונוזל לתוך תפקוד האובדן, להבטיח כי תחזיות לדבוק בחוקים פיזיים. גישה היברידית זו מבטיחה במיוחד להפריש שדות חד-משמעיים מלחץ וטמפרטורות מלוחות.

כל טכניקה דורשת כוונון היפר-פרפרמטר זהיר ואימות באמצעות נתונים מוחזקים או סיכות צלב כדי להימנע מהתאמה יתר - סיכון שהוא חמור במיוחד בהגדרות גיאותרמיות שבהן מספר המאגרים הידועים מוגבל.

היתרונות של שימוש ב-AI ב-Gigthermal Exploration

אימוץ AI במחקר גיאותרמאל מציע הטבות מדידה על פני מחזור החיים של הפרויקט, החל מרנסנס ראשוני למקדח ולהעריך משאבים.

יעילות מוגברת וצמצום אי-ודאות

מודלים של בינה מלאכותית יכולים לכמת אי ודאות באמצעות שיטות כגון מונטה קרלו טיפות, רשתות עצביות Bayesian, או הפצת האנסמבל. פלט פרוביביליסטי זה מאפשר למנהלי מחקר להעריך יותר מציאותי מאשר פרשנויות ⁇ .במקרה מחקר של FLT:0U.S מחלקת טכנולוגיות גיאותרמיות של אנרגיה 1LT:1), מודל אקראי של גאולוגי, כימי, שיפור של 30% מההצלחה הקלה של רק על ידי התקדמות של 65% של התקדמות מהירה של התקדמות של התקדמות של טכנולוגיות גיאומטרית של אנרגיה של התקדמות של התקדמות של התקדמות של התקדמות של צמיחה גיאומטרית של צמיחה גיאומטרית של צמיחה של צמיחה גיאומטרית של 10% בלבד.

עלויות ניכוי

קידוח אחד גיאותרמאל יכול לעלות בין 2 מיליון דולר ל-10 מיליון דולר, עם חורים יבשים המייצגים הפסד מוחלט.על ידי צמצום אזור החיפוש ועדיפות של מיקומים סבירים ביותר, AI מפחית את מספר בארות הדרושות. יתר על כן, ניתוח מונע AI של נתונים מורשת (לעתים קרובות ארכיון בדוחות נייר או גליונות מופץ מבודד) יכול להפיק ערך מסקרים בעבר תחת סקרים, הימנעות מקמפיינים אלקטרוניים של מעלים של 305 עובדים.

החלטות מהירות יותר - ממלך ו Scalability

פרשנות נתונים לאמנת על ידי צוות של גיאו-מדעיסטים עשויה לקחת שבועות או חודשים עבור אגן יחיד. צינורות AI, פעם אימון, יכול לעבד terabytes של נתונים בשעות, יצירת מפות אפשרויות מעודכנים כמידע חדש הופך זמין.מהירות זו היא קריטית במהלך סבבי שכירות תחרותיים, שבו היכולת לדרג במהירות נכסים יכול לקבוע הצלחה.

סיכון ל-Miigation

בינה מלאכותית לא רק מזהה מטרות מבטיחות אלא גם דגלים מסוכנים - הם בעלי אי ודאות גבוהה, חדירות חזה נמוכה, או קרבה לאומים פעילים מבחינה סיסמית שעלולים לגרום לסיסמית'יות מושרה.על ידי שילוב תרחישים תוצאה (למשל, אופטימי, פסימיסטים, דמויי ביותר), מקבלי ההחלטות יכולים לבצע ניתוחים ראויים להשגה לפני ביצוע התעמלות יתר על פני, AI משמש אופטימיזציה לחיישנים אמיתיים, תוך חיזוי מדויק, תוך התאמה, תוך טמפרטורות גבוהות, תוך חריפות, תוך הדבקה, תוך נטיות, מגובה, נטיות, מגובה, חריפות, נטיות, נטיות, חריפות, נטיות, נטיות, נטיות, מגובה, נטיות, נטיות, מגובה, חריפות, נטיות, גורמות נטיות, נטיות, נטיות, נטיות, גורמות נטיות, נטיות, גורמות נטיות גורמות גורמות גורמות גורמות גורמות נטיות נטיות נטיות גורמות גורמות נטיות נטיות נטיות נטיות נטיות נטיות גורמות נטיות נטיות נטיות גורמות גורמות נטיות נטיות נטיות גורמות גורמות גורמות גורמות גורמות גורמות גורמות גורמות

אתגרים לאימוץ

למרות הבטחתו, שילוב בינה מלאכותית לחיפוש גיאותרמאל אינו ללא מכשולים.יש לטפל באתגרים אלה כדי לממש את מלוא הפוטנציאל של טכנולוגיות אלה.

איכות נתונים וזמינות

מודלים של בינה מלאכותית הם נתונים-hungry. Gethermal חקר סובלים ממחסור של דוגמאות מתוייגות - כלומר, מיקומים שבהם קידוח אישר מאגר בר קיימא או חור יבש. רבים קיימים נתונים הם רועשים, לא שלמים, או נאספים עם ציוד וסטנדרטים שונים העברת נתונים מתחומים אחרים (למשל, שמן וגז) יכולים לעזור, אבל מאגרים סינתטיים לעתים קרובות כובשים הגדרות גיאולוגיות נפרדות (למשל, סימולציות של דם מגנטיות), אך ורקמות, עם בעיות סביבתיות, עם סימולציות עמוקות.

דרושים להתמחות מיוחדת

חלוקת AI ב גיאו מדע דורש צוותים בין תחומיים המשלבים ידע דומיין (גיאולוגיה, גיאופיזיקה, גיאוכימיה) עם מהנדסי למידה מכונה, מדעי נתונים ופיתוח תוכנה.כישרון כזה הוא בקושי ולעתים קרובות מעדיף מגזרים גיאוותרמאליים רבים, במיוחד במדינות מתפתחות, חוסר המשאבים לבניית יכולות פנימיות AI. Outsourcing לסטארט-אפ או מחקר קונסורטיה הוא אופציה אבל יכול להוביל להחלטות דיסוציאליות בין מודלים והחלטות תפוקה.

חוסר יכולת ואמון

גיאו-מדעיסטים רגילים לפרש תמונות תת-קרקעיות ומפות באמצעות חשיבה פיזית.מודלים של "Black-box" AI - במיוחד רשתות עצביות עמוקות - ליתר דיוק גבוה אבל מעט תובנות מדוע מיקום מסוים מוקרן כפוטנציאלי.סביר AI (XAI) טכניקות כגון SHAP (SHapley Additive Replanations) או LIME (הסברים הבין-מודלים הבין-לאומיים) עדיין עשויים לצבור תגליות קריטיות על פני השטח.

השקעה ראשונה ותשתית

יישום של זרימת עבודה מבוססת בינה מלאכותית דורש השקעה מקדימה בחומרה מחשוב (GPUs, אשראי ענן), פלטפורמות תוכנה, מערכות ניהול נתונים ואימון כוח אדם. עבור חברות קטנות יותר, עלויות אלה יכולות להיות בלתי חוקיות. עם זאת, כמו שירותי AI מבוססי ענן להיות יותר זול ופותחת ספריות קוד פתוח בוגר, המחסום הוא איטי יותר.

יישומים אמיתיים ומקריות

כמה פרויקטים חלוצים ממחישים כיצד AI מופעלת כיום בגילוי גיאותרמי.

פרויקט החלל הפנימי של גוגל וים סלטון

בשנת 2021 השיקה גוגל את Project InnerSpace, יוזמה להאיץ פריסה גיאותרמית באמצעות AI. at the Salton Sea Geothermal field בקליפורניה, החברה החלה ללמוד מכונה כדי לפרש נתונים השתקפות סיסמית לצד לוגים טובים והיסטוריית הייצור.המודלים זיהו בעבר רשתות שבר לא מוכרים אשר הגבירו את הקישוריות, המאפשרות למפעילים להתאים את המיקום ולשפר את התשואות הקיטור ב 15% (LTF:0reaple:0Eofalrpletive של אנרגיה מתחדשת ו-Eof) של אנרגיה מתחדשת ו-Epheranced; Rempanced; Rempancedance; Rempnewable; Rempancedancedancedance; Rempance; Rempancedanced Energy: 1.

פרויקט קידוח עמוק באיסלנד (IDDP)

חוקרים מאוניברסיטת איסלנד אימנו רשת עצבית עמוקה על הרכבים נוזליים גיאוכימיים מן ה-EdleP בארות לחזות טמפרטורת המאגר בתנאים סופר קריטיים.המודל השיג שגיאה <2C בנתונים של בדיקות, המאפשרת בזמן אמת הפחתה של טמפרטורות הטמפרטורות מדגימות גזי פני השטח - טכניקה עכשיו משולבת עם כלי רכב אווירי לא מאויש (UAV) סקרים עבור סיור אזורי.

מיזמים פדרליים ו- Open Data

הסקר הגיאולוגי של ארה"ב (USGS) ומחלקת האנרגיה שחררו נתונים גדולים, מזיקים (למשל, מערכת הנתונים הג'ותרמית הלאומית) לתמיכה בפיתוח מודל AI.ב-2023, צוות מאוניברסיטת יוטה השתמש בהרכב של XGBoost ותומך במכונות וקטורים על נתונים אלה כדי לייצר מפת דרישות גיאומטריות ארצית ברזולוציה של 1- 100 ק"מ, זיהוי של מעל 200 מטרות חדשות של אגן (C) ו-F) ב-R.

אפשרויות לעתיד ומגמות מתפתחות

השילוב של בינה מלאכותית בחיפוש גיאותרמאל עדיין בשלבים המוקדמים שלו, אך כמה מגמות מצביעות על הזדווגות מהירה.

גנטיקה ואופטימיזציה בזמן אמת

הרעיון של "תאום דיגיטלי" - ייצוג וירטואלי מתמשך של מאגר גיאותרמאל - הוא צובר תנופה.מודלים AI להטמיע נתונים בזמן אמת מבארות ייצור, בארות הזרקות, ומערךי ניטור, ואז לחזות מצבים עתידיים תחת תרחישים הפעלה שונים.אופרות יכולות להשתמש בתחזיות אלה כדי להתאים את שערי החילוץ, למנוע פריצת דרך מים קרים, ולהרחיב את חיי הסטארט-אפ כמו LTF:0Freaveerua כבר להשיג רשתות הפעלה מרובות (D) מריצים חשמליים (D)

מודלים של Geoscience

מודלים שפה גדולים (LLMs) ומשנה רב-ממדיים (למשל, GPT-4 עם חזון) מתחילים להיות מיושם על דוחות גיאולוגיים לא ממובנים, יומנים ותמונות. מודל מבוסס מבוסס עדין יכול לשמש "טייס משותף של מדע", לענות על שאילתות על ליתולוגיה, מבנה, או כימיה נוזלית בהתבסס על מדחום של פרויקט מוקדם.

שילוב עם חידושים אחרים

מודלים של חיפוש בינה מלאכותית משולבים עם מערכות מידע גיאוגרפיות (GIS) ונתוני רשת החשמל כדי להתאים במקביל לאיכות משאבים גיאותרמית, שימוש בקרקע סכסוכים, גישה הוליסטית זו תומכת בבחירת האתר עבור מערכות היברידיות - למשל, בשילוב משאבות חום גיאותרמיות עם photovoltaics סולארי כדי לעמוד הן חימום והן בסיס דרישות חשמל.

מסקנה

אינטליגנציה מלאכותית משנה ביסודה את האופן שבו גיאו-מדעיסטים חוקרים לאנרגיה גיאוותרמית.על ידי שילוב של נתונים רב-מקור, בניית מודלים חיזויים של מאפייני המאגר, והגדרת אי הוודאות, AI מפחיתה את העלות והסיכון של זיהוי משאבי קיימא מבחינה מסחרית. בעוד אתגרים הקשורים לזמינות נתונים, הפרשנות, ומומחיות מתמשכת, קצב מהיר של חדשנות אלגוריתמית ונפח ההולך וגדל של נתונים זמינים באופן פומבי הם מעל אלה, כאשר אתגרים הקשורים למחזור מרכזי של יכולת למידה ירוקה, כמו גם כן, כמו גם יותר, כמו גם אלגוריתמים, האלגוריתמים של אלגוריתמים, האלגוריתמים, האלגוריתמים, כאשר האלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים מתקדמים יותר, כאשר האלגוריתמים של אלגוריתמים מתקדמים יותר, האלגוריתמים מרכזי, האלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים מתקדמים יותר, האלגוריתמים של אלגוריתמים של אלגוריתמים מתקדמים יותר, כאשר הם ממשיכים את האלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של