Utilizzo di Deep Learning per Predict Geothermal Reservoir Performance

Utilizzo di Deep Learning per Predict Geothermal Reservoir Performance

L'apprendimento approfondito, un ramo specializzato dell'intelligenza artificiale, sta trasformando come scienziati e ingegneri prevedono il comportamento dei serbatoi geotermici. Queste formazioni sotterranee contengono acqua calda e vapore che possono essere sfruttati per l'energia rinnovabile.

Comprensione deiservoir geotermici

I serbatoi geotermici sono sistemi complessi e naturali in cui il calore proveniente dall’interno della Terra viene immagazzinato in roccia e fluido all’interno di formazioni porose o fratturate. Si trovano in genere in regioni con attività vulcanica, confini di piastre tettoniche o bacini sedimentari profondi. Le prestazioni di un serbatoio geotermico dipendono da diversi processi fisici intercorrenti, tra cui il trasferimento di calore, il flusso di fluido, le reazioni chimiche e la meccanica della roccia.

Parametri fisici chiave

I parametri più critici che influenzano le prestazioni del serbatoio includono la permeabilità e la porosità della roccia, la temperatura e la pressione del fluido, la conducibilità termica della matrice rocciosa, le reti di frattura naturale, e la presenza di difetti che possono o canalizzare o bloccare il movimento dei fluidi.

Sfide con modelli convenzionali

I modelli basati sulla fisica convenzionale assumono condizioni ideali, proprietà rocciose omogenee, distribuzioni di frattura uniforme e comportamento fluido a stato costante. I sistemi geotermici reali sono altamente eterogenei, anisotropici e dinamici. I dati sismici, i registri e la storia della produzione forniscono solo misurazioni equazioni complesse che richiedono pozzi aggiuntivi per la raccolta dei dati sono proibitivi.

Il ruolo dell'apprendimento profondo

Nel contesto delle prestazioni del serbatoio geotermico, i modelli di apprendimento profondo possono essere formati su dati storici di produzione, attributi sismici, ben log, profili di temperatura e anche immagini satellitari. Una volta addestrati, possono prevedere stati del serbatoio futuro - come tassi di interazione della temperatura, l'uscita di vapore o cambiamenti di pressione - sotto vari scenari di estrazione.

Tipi di architetture di apprendimento profondo

Diversi architetture di apprendimento profondo hanno dimostrato utile per la predizione del serbatoio geotermico:

• Feedforward Neural Networks (FNNs): La forma più semplice, costituita da strati di input, nascosti e di output. Le FNN sono utilizzate per operazioni di regressione come la previsione della temperatura del serbatoio da caratteristiche ben log.
• Reti neurali convoluzionali (CNN): Originariamente progettati per l'analisi delle immagini, le CNN possono elaborare dati spaziali come le fette sismiche o i modelli geologici 3D.
• Reti Neurali ricorrenti (RNN) e Memoria a Lungo Termine (LSTM) Reti:[ Queste architetture sono adattate per i dati della serie temporale. Sono ideali per la previsione della pressione del serbatoio, dei tassi di produzione o dell'evoluzione della temperatura nel tempo, utilizzando sequenze storiche per fare previsioni future.
• Autoencoders:[[] Modelli non supervisionati che imparano le rappresentazioni compresse dei dati di input. Sono utilizzati per il rilevamento di anomalia, come l'identificazione di gocce di pressione insolite che potrebbero indicare guasto dell'attrezzatura o cambiamenti geologici.
• Reti avversarie generose (GAN): I GAN possono generare modelli di serbatoio sintetici ma realistici o profili termici, che aiutano a migliorare i dati di campo limitati, migliorando la robustezza di altri modelli predittivi.

Raccolta e preparazione dei dati

Il successo di qualsiasi modello di apprendimento profondo dipende dalla qualità, dalla quantità e dalla pertinenza dei dati di formazione.

• Indagini sismiche:[ I dati di rifrazione e rifrazione forniscono informazioni sulla struttura della subsuperficie, sulle posizioni dei guasti e sulle proprietà della roccia.
• Bene log:[] Gamma ray, resistenze, densità e registri sonici producono misurazioni di litologia, porosità e contenuto di fluido a specifiche profondità.
• Log di temperatura e pressione:[] Registrati durante la perforazione o attraverso sensori di downhole permanenti, questi sono indicatori diretti dello stato del serbatoio.
• Storia della produzione:[] Registrazioni mensili o giornaliere di tassi di flusso di vapore e acqua, entalpia e composizione chimica.
• Dati geochimici:[] I campioni fluidi analizzati per minerali disciolti, isotopi e contenuto di gas possono rivelare la connettività del serbatoio e l'origine dei fluidi.
• Cataloghi di Earthquake:[ Eventi microsismici indotti da iniezione di fluidi o di estrazione aiutano a mappare i sistemi di frattura e campi di stress.

I dati grezzi contengono spesso valori mancanti, outlier o errori di misura. Tecniche come la normalizzazione (che aumenta tutte le caratteristiche ad un intervallo simile), l'interpolazione dei valori mancanti, e l'aumento dei dati (ad esempio, l'aggiunta di rumore o la creazione di campioni sintetici) migliorano la stabilità del modello.

Sviluppo del modello e formazione

Lo sviluppo di un modello di apprendimento profondo per la predizione del serbatoio geotermico comporta diverse fasi. In primo luogo, l'architettura deve essere selezionata in base al tipo di dati di input e al compito di previsione. Ad esempio, una CNN potrebbe essere utilizzata per la segmentazione dell'immagine sismica per identificare le zone permeabili, mentre una rete di LSTM potrebbe prevedere il declino della produzione.

L'ottimizzazione dell'iperparametro è essenziale: tasso di apprendimento, dimensione del lotto, numero di strati, numero di neuroni per strato, e metodi di regolarizzazione (dropout, decadimento del peso L2) influenzano l'accuratezza del modello e la generalizzazione.

Uno degli approcci più promettenti è la rete neurale in forma fisica (PINN), che incorpora le leggi fisiche note (ad esempio, la conservazione della massa e dell'energia) nella funzione di perdita. I PINN richiedono meno dati di formazione e producono soluzioni che soddisfano la fisica sottostante, riducendo il rischio di previsioni fisicamente irrealistiche.

Vantaggi dell'utilizzo di Deep Learning

L'adozione di deep learning per la previsione delle prestazioni del serbatoio geotermico offre diversi vantaggi:

• Precisione di previsione avanzata:[[ I modelli di apprendimento profondo possono catturare complesse relazioni non lineari che mancano modelli polinomiali tradizionali lineari o di basso ordine. Negli studi comparativi, le reti neurali profonde hanno raggiunto fino al 30% errori di previsione più bassi per il recupero della temperatura e i tassi di produzione rispetto ai metodi di regressione convenzionali.
• Analisi più veloce di grandi dataset:[] Una volta addestrato, un modello di apprendimento profondo può calcolare le previsioni in millisecondi, consentendo il monitoraggio in tempo reale e i test rapidi dello scenario.
• Scalabilità e automazione:[ Lo stesso quadro di apprendimento profondo può essere applicato a più pozzi o campi con una minima riconfigurazione. L'estrazione automatica delle caratteristiche riduce la necessità di interpretazioni geologiche manuali, permettendo agli ingegneri di concentrarsi sul processo decisionale.
• Integrazione di diversi tipi di dati:[[ I modelli di apprendimento profondo possono elaborare simultaneamente immagini (sismiche), sequenze ( storia della produzione), e dati tabulari (ben logs). Questa capacità multimodale supporta una visione olistica del serbatoio.
• Modellazione dinamica con dati in tempo reale:[] Aggiornando continuamente le previsioni come arrivano i nuovi dati dei sensori, l'apprendimento profondo consente la gestione adattativa. Ad esempio, se i tassi di iniezione sono cambiati, il modello può istantaneamente prevedere l'impatto sulla produzione, aiutando gli operatori a ottimizzare le operazioni.

Sfide e limitazioni

Nonostante la sua promessa, l'apprendimento profondo affronta diversi ostacoli nella previsione del serbatoio geotermico:

• Scapienza dei dati:[ I campi geotermici sono spesso sottocampo.Forare un pozzo è costoso, e molti progetti geotermici non hanno storie di produzione lunghe e costanti. I piccoli set di dati aumentano il rischio di sovraccarico, dove il modello memorizza il rumore invece di imparare i modelli generali.
• L'interpretabilità della moda:[ Le reti neurali profonde sono spesso considerate scatole nere.Per decisioni critiche come il design di posizionamento o stimolazione, gli ingegneri devono capire perché un modello fa una certa previsione. Tecniche come i valori SHAP, i gradienti integrati e la propagazione di rilevanza a livello può fornire qualche intuizione, ma non sono ancora standard nelle applicazioni geotermiche.
• Processi non stazionari:[] I serbatoi geotermici si evolvono a causa dell'estrazione, dell'iniezione e della ricarica naturale. Un modello formato sui dati passati può diventare impreciso mentre il sistema entra in un nuovo regime, ad esempio dopo un trattamento di stimolazione o un significativo calo della pressione.
• Necessario per competenze specialistiche:[] L'attuazione di un apprendimento profondo richiede la conoscenza sia dell'apprendimento automatico che dell'ingegneria geotermica.
• Qualificazione dell'incertezza:[ I modelli di apprendimento profondo non forniscono naturalmente intervalli di fiducia. Gli approcci probabilistici come le reti neurali baieche o il dropout di Monte Carlo possono stimare l'incertezza, ma sono computazionalmente più costosi e meno comunemente utilizzati nella pratica.

Le direzioni future

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

Reti neurali informatiche (PINN)

Per i serbatoi geotermici, i PINN sono stati applicati a problemi inversi, stimando la permeabilità o la capacità termica dalle misurazioni della temperatura e della pressione. Come i PINN maturano, potrebbero sostituire i simulatori convenzionali per molte attività di modellazione inversa e in avanti, soprattutto quando i dati sono limitati.

Imparare e Modelli di Fondazione

Come i modelli di linguaggio di grandi dimensioni come il GPT possono essere perfezionati per compiti specifici, i modelli geologici pre-trainati potrebbero essere adattati a nuovi campi con dati locali limitati. I modelli di fondazione formati su set di dati globali di ben log, sondaggi sismici e curve di produzione potrebbero catturare modelli geologici generali.

Gemelli digitali in tempo reale

Per le piante geotermiche, un gemello digitale basato su un apprendimento profondo ingerirebbe continuamente i dati dei sensori da pozzi, tubazioni e apparecchiature di centrali elettriche, aggiornando le sue previsioni e raccomandazioni in tempo reale. Un tale sistema potrebbe ottimizzare i programmi di iniezione e produzione, rilevare anomalie prima del fallimento e simulare l'impatto a lungo termine di diverse strategie operative.

Apprendimento di rinforzo per il controllo operativo

L'apprendimento delle forze di forza (RL) può formare agenti per prendere decisioni sequenziali, come la regolazione dei tassi di iniezione o delle pressioni della testa di pozzo, per massimizzare una ricompensa (ad esempio, l'uscita di energia netta).

Integrazione con IoT e Edge Computing

I sensori IoT diventano più economici e affidabili, crescerà il volume dei dati in streaming. L'elaborazione dei bordi, che va da modelli di deep learning leggeri su dispositivi vicino ai sensori, può fornire previsioni istantanee senza contare sulla connettività cloud.

Conclusioni

I progetti di ricerca e sviluppo sono stati sviluppati in modo da garantire un'efficienza energetica più elevata e più efficace, in modo da garantire un'efficienza energetica più elevata e più efficiente.

Per ulteriori informazioni, considerate le seguenti risorse: Associazione Geotermale Internazionale] fornisce rapporti tecnici sull'ingegneria dei serbatoi; Il programma Geotermico dell'Università di Sydney pubblica la ricerca all'avanguardia; e la rivista Geothermics[FFF[6]