Table of Contents

Продвижение геотермальных исследований с помощью искусственного интеллекта

Геотермальная энергия представляет собой стабильный источник энергии с низким содержанием углерода, способный поставлять электроэнергию с базовой нагрузкой и прямой нагрев. По мере ускорения глобального перехода к возобновляемой энергии отрасль сталкивается с постоянной проблемой: быстрое и экономически эффективное размещение высококачественных геотермальных резервуаров. Традиционные методы разведки, которые в значительной степени зависят от ручной интерпретации геологических карт, сейсмических исследований и геохимического отбора проб, являются трудоемкими и часто приводят к программам бурения с высокой степенью риска с неопределенной отдачей. Искусственный интеллект (ИИ) предлагает преобразующий путь вперед, автоматизируя анализ обширных наборов данных, обнаруживая скрытые закономерности и генерируя вероятностные модели, которые отдают приоритет наиболее перспективным целям бурения. В этой статье исследуется, как ИИ интегрируется в геотермальные исследования ресурсов, развертываются конкретные методы и преимущества и препятствия, которые сопровождают этот технологический сдвиг.

Роль искусственного интеллекта в геотермальных исследованиях

ИИ включает в себя набор вычислительных инструментов, которые позволяют машинам учиться на данных, распознавать закономерности и принимать решения с минимальным вмешательством человека. В геотермальных исследованиях эти инструменты применяются к различным типам данных, включая сейсмические, магнитотеллурические (МТ), гравитационные, магнитные, логовые и геохимические измерения, для вывода подземных условий. Основное преимущество ИИ заключается в его способности обрабатывать многомерные, шумные и часто скудные данные, которые характеризуют геотермальные системы, выявляя корреляции, которые избежали бы традиционных статистических методов.

Интеграция данных и анализ

Геотермальные резервуары представляют собой сложные системы, в которых температура, проницаемость, химия жидкости и свойства пород взаимодействуют нелинейным образом. Ни один источник данных не обеспечивает полную картину. Системы ИИ преуспевают в слиянии гетерогенных наборов данных в единую структуру. Например, сверточные нейронные сети (CNN) могут обрабатывать спутниковые изображения и топографические данные для обнаружения поверхностных выражений, таких как горячие источники, фумаролы и измененные зоны горных пород. Одновременно рекуррентные нейронные сети (RNN) или трансформаторы могут анализировать данные временных рядов из микросейсмических массивов мониторинга для выявления тонких изменений скорости, которые указывают на движение жидкости.

Одним из практических подходов является использование неконтролируемых методов обучения, таких как кластеризация k-средств или самоорганизующиеся карты (SOM), для группировки геофизических аномалий в различные сигнатуры резервуара. Эти кластеры затем могут быть соотнесены с известными производственными полями для создания тренировочного набора для контролируемой классификации. В исследовании, опубликованном в Геотермические модели , исследователи применили SOM к моделям сопротивления MT и данным гравитации в регионе Большого бассейна США, правильно идентифицируя более 80% известных геотермальных систем при сокращении области поиска на 70% Шах и др., 2020 . Такие результаты демонстрируют, что интеграция данных на основе ИИ может заметно повысить эффективность разведки.

Прогнозное моделирование свойств водохранилища

После интеграции данных модели ИИ могут прогнозировать ключевые параметры резервуара - температуру на глубине, пористость, проницаемость, насыщение жидкости и даже ожидаемый расход - с количественной неопределенностью. Традиционные геостатистические методы, такие как кригинг, ограничены предположениями о пространственной стационарности и линейности. Методы регрессии машинного обучения, включая случайные леса (RF), машины повышения градиента (GBM) и гауссовскую регрессию процессов (GPR), обеспечивают гибкие, непараметрические альтернативы, которые могут включать вспомогательные переменные (например, высота, близость к разлому, региональный тепловой поток) для улучшения прогнозов.

Заметным примером является использование регрессии опорных векторов (SVR) в сочетании с алгоритмами выбора признаков для прогнозирования температуры подповерхностей из магнитотеллурических данных. В нескольких геотермальных полях в Исландии модели SVR достигли средних абсолютных ошибок менее 10 ° C для глубин до 2 км, что позволило бурильщикам нацеливаться на самые горячие зоны без обширной коринговой системы (]Björnsson et al., 2022 ). Архитектуры глубокого обучения, такие как полностью подключенные нейронные сети с регуляризацией отсева, также были обучены на синтетических моделях резервуаров, полученных из моделирования на основе физики, для прогнозирования производительности, резко уменьшая потребность в дорогостоящих разведочных скважинах.

Методы машинного обучения на практике

Выбор подходящей техники ИИ зависит от наличия данных, типа проблемы и требований к интерпретируемости. Общие методы включают:

  • Случайные леса и повышение градиента: Прекрасно подходит для обработки смешанных типов данных (категорических и непрерывных) и предоставления оценок значимости признаков. Эти ансамбли широко используются для картирования региональной перспективы.
  • Связные нейронные сети (CNN): Идеально подходит для анализа данных, подобных сетке, таких как сейсмические поперечные сечения, профили сопротивления MT или спутниковые изображения. CNN могут автоматически извлекать текстурные и формовые особенности, указывающие на измененные зоны или сети разломов.
  • Рекуррентные нейронные сети (RNN) и долговременная кратковременная память (LSTM): Подходит для последовательных данных, например, временных рядов из журналов температуры скважины или непрерывной микросейсмической активности, для прогнозирования поведения резервуара в производственных сценариях.
  • Генеративные состязательные сети (GAN): Используется для создания реалистичных синтетических геологических моделей, когда реальных данных мало, что увеличивает наборы обучения для других контролируемых моделей.
  • Физико-информированные нейронные сети (PINN): Включают дифференциальные уравнения, управляющие потоком тепла и жидкости в функцию потерь, гарантируя, что прогнозы соответствуют физическим законам. Этот гибридный подход особенно перспективен для вывода полей проницаемости из скудных измерений давления и температуры.

Каждый метод требует тщательной настройки и проверки гиперпараметров с использованием данных, которые хранятся в течение длительного времени, или перекрестной проверки, чтобы избежать переобучения - риск, который особенно очевиден в геотермальных условиях, где количество известных резервуаров ограничено.

Преимущества использования ИИ в геотермальных исследованиях

Принятие ИИ в геотермальной разведке предлагает измеримые преимущества на протяжении всего жизненного цикла проекта, от первоначальной разведки до бурения и оценки ресурсов.

Повышение точности и снижение неопределенности

Модели ИИ могут количественно оценить неопределенность прогнозирования с помощью таких методов, как отсев Монте-Карло, байесовские нейронные сети или распределения ансамблей. Этот вероятностный выход позволяет менеджерам по разведке оценивать риск более реалистично, чем детерминированные интерпретации. В тематическом исследовании из Управления геотермальных технологий Министерства энергетики США случайная лесная модель, обученная геофизическим, геохимическим и геологическим атрибутам, улучшила скорость успеха бурения с тонкой скважиной с 30% до 65%, нацеливаясь только на верхний дециль оценок перспективности.

Сокращение расходов

Бурение одной поисковой геотермальной скважины может стоить от 2 до 10 миллионов долларов США, при этом сухие дыры представляют собой общую потерю. Сужая область поиска и уделяя приоритетное внимание наиболее вероятным местам расположения резервуаров, ИИ сокращает количество необходимых скважин. Кроме того, анализ данных, основанный на ИИ (часто архивируемых в бумажных отчетах или изолированных таблицах), может извлечь ценность из ранее недоиспользуемых обследований, избегая избыточных полевых кампаний. Некоторые операторы сообщают об экономии затрат на разведку на 30-50% после принятия рабочих процессов с помощью ИИ.

Более быстрое принятие решений и масштабируемость

Обычная интерпретация данных группой геоученых может занять недели или месяцы для одного бассейна. Поездки ИИ, будучи обученными, могут обрабатывать терабайты данных за несколько часов, генерируя обновленные карты перспектив по мере поступления новой информации. Эта скорость имеет решающее значение во время конкурентных раундов аренды, где способность быстро ранжировать активы может определять успех приобретения. Кроме того, модели ИИ могут быть масштабированы в нескольких географических регионах, что позволяет компаниям поддерживать согласованные стандарты оценки во всем мире.

Смягчение рисков

ИИ не только определяет перспективные цели, но и отмечает рискованные — области с высокой неопределенностью, низкой прогнозируемой проницаемостью или близостью к сейсмически активным разломам, которые могут вызвать индуцированную сейсмичность. Интегрируя сценарии результатов (например, оптимистичные, пессимистичные, наиболее вероятные), лица, принимающие решения, могут выполнять анализ затрат и выгод перед выполнением бурения. Кроме того, ИИ используется для оптимизации параметров бурения в режиме реального времени, регулируя вес грязи, глубину корпуса и траекторию скважины на основе литологических прогнозов от датчиков бурения во время бурения.

Проблемы с усыновлением

Несмотря на свои обещания, интеграция ИИ в геотермальные исследования не лишена препятствий. Эти проблемы должны быть решены для реализации полного потенциала этих технологий.

Качество и количество данных

Модели ИИ являются нехваткой данных. Геотермальные исследования страдают от нехватки меченых примеров - то есть мест, где бурение подтвердило жизнеспособный резервуар или сухую дыру. Многие существующие наборы данных являются шумными, неполными или собраны с различным оборудованием и стандартами. Обучение передаче из других областей (например, нефть и газ) может помочь, но геотермальные резервуары часто занимают различные геологические настройки (например, вулканические разломы, осадочные бассейны с глубокой циркуляцией), которые отличаются от углеводородных систем. Увеличение данных и синтетическая генерация данных с помощью моделирования на основе физики частично облегчают эту проблему, но обеспечение качества остается узким местом.

Потребность в специализированной экспертизе

Для внедрения ИИ в геонауку требуются междисциплинарные команды, которые сочетают знания в области (геология, геофизика, геохимия) с машинным обучением, наукой о данных и разработкой программного обеспечения. Такие таланты скудны и часто предпочитают высокотехнологичные сектора. Многие геотермальные организации, особенно в развивающихся странах, не имеют ресурсов для создания внутренних возможностей ИИ. Аутсорсинг специализированных стартапов или исследовательских консорциумов является вариантом, но может привести к несоответствию между результатами моделей и решениями по разведке.

Интерпретируемость и доверие

Геологи привыкли интерпретировать изображения и карты подповерхностного пространства с помощью физических рассуждений. Модели ИИ «черного ящика» — особенно глубокие нейронные сети — предлагают высокую точность, но мало понимания того, почему конкретное местоположение помечено как перспективное. Объясняемые методы ИИ (XAI), такие как SHAP (SHapley Additive exPlanations) или LIME (Local Interpretable Model-agnostic Explanations), набирают обороты, но все еще могут не удовлетворить экспертов в области, которые требуют концептуальной согласованности. Построение доверия посредством прозрачной проверки исторических открытий имеет важное значение.

Первоначальные инвестиции и инфраструктура

Внедрение процесса разведки на основе ИИ требует предварительных инвестиций в вычислительное оборудование (GPU, облачные кредиты), программные платформы, системы управления данными и обучение персонала. Для небольших фирм эти затраты могут быть непомерными. Однако, поскольку облачные услуги ИИ становятся более доступными и библиотеки с открытым исходным кодом созревают, барьер медленно снижается.

Реальные приложения и тематические исследования

Несколько новаторских проектов иллюстрируют, как сегодня внедряется ИИ в геотермальные исследования.

Проект Google InnerSpace и Salton Sea

В 2021 году Google запустил проект InnerSpace, инициативу по ускорению геотермального развертывания с использованием ИИ. На геотермальном поле Salton Sea в Калифорнии компания применила машинное обучение для интерпретации данных сейсмического отражения наряду с журналами скважин и историей производства. Модели выявили ранее непризнанные сети разрушения, которые увеличили связь с резервуаром, что позволило операторам оптимизировать размещение скважин и повысить выход пара на 15% (]DOE Office of Energy Efficiency & Renewable Energy].

Исландский проект глубокого бурения (IDDP)

Исследователи из Исландского университета обучили глубокую нейронную сеть по составам геохимической жидкости из скважин IDDP для прогнозирования температуры резервуара в сверхкритических условиях. Модель достигла ошибки <2 ° C на тестовых данных, что позволило в реальном времени сделать вывод о температурах скважин из образцов поверхностного газа - метод, который теперь интегрирован с исследованиями беспилотных летательных аппаратов (БПЛА) для региональной разведки.

Федеральные инициативы и открытые данные

Геологическая служба США (USGS) и Министерство энергетики выпустили большие, гармонизированные наборы данных (например, Национальная система геотермальных данных) для поддержки разработки модели ИИ. В 2023 году команда из Университета Юты использовала ансамбль машин XGBoost и векторов поддержки на этих данных для создания общенациональной карты геотермальной перспективы с разрешением 1 км, идентифицируя более 200 новых «доверительных» целей в провинции Бассейн и хребет (] Отчет о научных исследованиях USGS.

Будущие перспективы и новые тенденции

Интеграция ИИ в геотермальные исследования все еще находится на ранней стадии, но некоторые тенденции указывают на быстрое созревание.

Цифровые близнецы и оптимизация в реальном времени

Концепция «цифрового двойника» — постоянно обновляемого виртуального представления геотермального резервуара — набирает обороты. Модели ИИ ассимилируют данные в реальном времени из производственных скважин, инжекционных скважин и массивов мониторинга, а затем прогнозируют будущие состояния при различных операционных сценариях. Операторы могут использовать эти прогнозы для корректировки скорости добычи, предотвращения прорыва холодной воды и продления срока службы месторождения. Стартапы, такие как FLT:0 и FLT:1 уже развертывают направленное бурение с искусственным интеллектом для создания улучшенных геотермальных систем (EGS) с инженерными сетями разрушения, достигая коммерческой жизнеспособности на нескольких пилотных участках.

Модели фонда для геонауки

К неструктурированным геологическим отчетам, журналам и изображениям начинают применяться крупные языковые модели (LLM) и мультимодальные трансформаторы (например, GPT-4 со зрением). Точная настроенная модель фундамента может выступать в качестве «сопилота геологии», отвечая на вопросы о литологии, структуре или химии жидкости на основе всего документа корпуса проекта. Ранние эксперименты показывают, что такие модели могут ускорить обзор литературы и извлечение данных на порядки.

Интеграция с другими возобновляемыми источниками энергии

Модели разведки ИИ объединяются с географическими информационными системами (ГИС) и данными электросетей для одновременной оптимизации качества геотермальных ресурсов, конфликтов землепользования и доступа к передаче. Этот целостный подход поддерживает выбор площадки для гибридных систем, например, сопряжение геотермальных тепловых насосов с солнечной фотоэлектрикой для удовлетворения потребностей в электроэнергии как для отопления, так и для базовой нагрузки.

Заключение

Искусственный интеллект коренным образом меняет то, как геоученые исследуют геотермальную энергию. Благодаря интеграции данных из нескольких источников, построению прогнозных моделей характеристик резервуара и количественной оценке неопределенности ИИ снижает стоимость и риск выявления коммерчески жизнеспособных ресурсов. В то время как проблемы, связанные с доступностью данных, интерпретацией и опытом, сохраняются, быстрые темпы алгоритмических инноваций и растущий объем общедоступных наборов данных преодолевают эти барьеры. Геотермальная промышленность стоит на пороге новой эры - когда алгоритмы машинного обучения работают вместе с опытными геологами для ускорения перехода к чистой энергии. По мере расширения возможностей ИИ их роль в раскрытии огромного геотермального потенциала планеты будет только становиться более центральной.