Geotermal Keşifleri Yapay Zeka ile Savunuyor
Geotermal enerji, yüksek kaliteli jeotermal rezervuarları hızla ve uygun bir şekilde tedarik edebilecek şekilde temsil eder.Bu, jeolojik haritaların manuel yorumuna ve geokimyasal örneklemelere dayanan, zaman alıcıların bu tür kapsamlı araştırmaların ve en yüksek riskli sondaj programlarına nasıl yol açtığı konusunda hızla ilerlemektedir.
Geotermal Keşifteki Yapay Zekanın Rolü
AI, makinelerin verileri öğrenmelerini sağlayan bir hesap makinesi içeriyor ve minimum insan müdahalesi ile kararlar alıyor. jeotermal keşifte, bu araçlar çeşitli veri türlerine uygulanır - sismik, magnetotelluric (MT), yerçekimi, manyetik, iyi log ve geokimyasal ölçümler - AI'nın temel avantajı, çok boyutlu, gürültülü ve sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık, matematiksel yöntemlerden kaçan korelasyonlar.
Data Integration and Analysis
Geoterm rezervuarlar sıcaklık, geçirgenlik, sıvı kimya ve kaya özellikleri doğrusal olmayan şekillerde etkileşime girerler. tek bir veri kaynağı tam bir resim sunar. AI sistemleri, heterojen veri kümelerini birleşik bir çerçeveye dönüştürür. Örneğin, konvolutional sinir ağları (CNNs) mikrobiyografi verileri gibi yüzeysel ifadeleri tespit etmek için zaman serisi verileri analiz edebilir.
Bir pratik yaklaşım, kontrol edilen sınıflandırma için belirlenen bir eğitim seti olarak kabul edilen yöntemlerin kullanılmasıdır.SOMs) grup geofizik anomalileri farklı rezervuar imzalarına ve yerçekimi verilerine uygularlar. Bu kümeler, daha sonra, araştırma alanını% 70 oranında azaltırken, doğru şekilde tanımlamak için bilinen bir eğitim seti ile ilişkilendirilebilir.[DÖrnek: 1 ).
Reservoir Özelliklerin Tahmini Modelleme
Veriler entegre edildiğinde, AI modelleri temel rezervuar parametrelerini tahmin edebilir - derinlikte ısıtılabilirlik, sıvı geçirgenlik ve hatta beklenen akış oranı - doğrulanabilir belirsizlik ile.Tokyomsal sabit olmayan yöntemler, yardımcı değişkenleri (örneğin, sabit, yüksek çözünürlük, bölgesel ısı akış) geliştirmek için.
Önemli bir örnek, fikre sahip olan 10°C'nin toplam kontraseptörlerini kullanarak alt yüzey sıcaklığı tahmin etmek için bir araya getiren (Björnsson ve al., 2022) Derin öğrenme mimarlıkları, normal düşüşle bağlantılı, sentetik kesintiye maruz kalmak için tam olarak bağlantılı olan 10°C'nin mutlak hataları anlamına gelir.
Makine Öğrenme Teknikleri Uygulamada
Uygun bir AI tekniğinin seçimi veri kullanılabilirliği, problem tipi ve yorumlanabilirlik gereksinimlerine bağlıdır. Common methods şunları içerir:
- [FONT:0]Random Forests ve Gradient Boosting:[[Dönetici:0) Karışık veri türlerini (kategorical and sürekli) işlemek ve önemli puanlar sunmak için mükemmel.Bu ensembller bölgesel potansiyel haritalama için yaygın olarak kullanılır.
- [FONT:0)Convolutional Neural Networks (CNNs): [Dönetici kesitleri, MT direnç profilleri veya uydu görüntüleri gibi ızgara benzeri verileri analiz etmek için ideal. CNNs otomatik olarak değiştirilebilir bölgelerin veya kırık ağların özelliklerini alabilir.
- [FONT:0)Recurrent Neural Networks (RNNs) ve Long Short-Term Memory (LSTM): [Dönetici verileri için hesaplanmış; örneğin, yarı zamanlı sıcaklık loglarından veya sürekli mikroseizm aktivitelerinden zaman serisi – üretim senaryolarında rezervuar davranışı.
- [FONT:0)Generative Adversarial Networks (GANs):[Döneticileri gerçek veriler sınırlı olduğunda gerçekçi sentetik jeolojik modeller üretmek için kullanılır, diğer denetim modelleri için bir eğitim seti.
- [FONT:0)Fiziksel Ağlar (PINNs): ) Inpropansal denklemler ısı ve sıvı akışını kaybetme işlevine yönlendirerek, tahminlerin fiziksel yasalara uymasını sağlar.Bu hibrit yaklaşım özellikle de sparse baskı ve sıcaklık ölçümlerinden kaynaklanan dayanılmaz alanlar için umut vericidir.
Her teknik, bilinen rezervuarların sayısı sınırlı olduğu jeotermal ortamlarda özellikle akut olan riskin aşırı yüklenmesi veya mevcut veri veya çapraz ödemenin uygulanması için dikkatli bir hiperparametre ayar gerektirir.
Geotermal Keşifte AI Kullanımının Avantajları
Jeotermal keşifte AI'nın benimsenmesi, proje yaşam döngüsündeki ölçülebilir avantajlar sunar, ilk rekonnaissance'dan sondaj ve kaynak değerlendirme için.
Geliştirilmiş doğruluk ve Uncertainty azaltıldı
AI modelleri, Monte Carlo damlaout gibi yöntemlerle tahmin belirsizliğini ölçebilir, Bayesian sinir ağları veya ensemble dağıtımları. Bu olasılıksal çıktı, araştırma yöneticilerinin, düşük delikli yorumlardan daha gerçekçi bir şekilde değerlendirmelerini sağlar.% 65'den sadece en iyi şekilde beklenen değerlerden yararlanarak elde etmek için% 65'e kadar.
Maliyet Azaltımı Maliyeti
Tek bir açıklayıcı jeotermal iyi bir şekilde delmek, 2 milyon dolar ve 10 milyon dolar arasında maliyete mal olabilir, toplam kayıp anketleri temsil eden kuru deliklerle, arama alanı daraltarak ve en muhtemel rezervuar konumlarını önceliklendirir, AI, AI'nın gerekli olan iş akışlarını benimsemeden sonra% 30-50 azaltmaktadır.
Hızlı Karar -Making ve Scalability
Jeoloji uzmanlarının bir ekip tarafından yorumlanması, tek bir basin. AI boru hatları için haftalar veya aylar sürebilir, bir kez eğitilmiş, şirketlerin küresel olarak tutarlı değerlendirme standartlarını sürdürmesine izin verebilir.Bu hız rekabetçi kiralama turlarında kritiktir.
Riski
AI sadece umut verici hedefleri değil aynı zamanda riskli olanları da tanımlamıyor - yüksek belirsizlikle, düşük tahmin edilebilirliği veya sismik olarak aktif hataların gerçek zamanlı olarak optimize edilmesi için kullanılabilirlik.Sonuç senaryolarını entegre ederek (örneğin, iyimser, karamsar, en benzeri), karar vericileri delmeden önce maliyetle analizler gerçekleştirebiliyor.
Kabul Etmeye Meydanlar
Sözcülüğe rağmen, AI'yı jeotermal keşife entegre etmek engelsiz değildir. Bu zorluklar bu teknolojilerin tam potansiyelini anlamak için ele alınmalıdır.
Data Quality and Sayı
AI modelleri veri yükleyicidir. Geotermal keşif, diğer alanlardan (örneğin, petrol ve gaz) elde edilen bir jeolojik tabloyu doğrulayan yerler (örneğin, mevcut bir rezervuar veya kuru delik. birçok veri kümesi, gürültü ve standartlar ile birlikte gürültülü, eksik veya başka bir miktar veri toplama ve sentetik veri nesilden elde edilir.
Özelleştirilmiş Uzmanlığa ihtiyaç duyulması
Jeolojide çalışan AI, alan bilgilerini (geology, geofizik, geokimya) bir makine öğrenme mühendisliği ile birleştirir, veri bilimi ve yazılım geliştirme. Bu tür yetenek, düşük ve genellikle yüksek teknoloji sektörlerini tercih eder. Özellikle gelişmekte olan ülkelerde, iç AI yeteneklerine kaynak eksikliğini sağlar.
Yorumlama ve Güven
Geoscientists, subsurface görüntülerini ve haritaları fiziksel bir nedenden ötürü yorumlamaya alışkındır. "Black-box" AI modelleri -özellikle derin sinir ağları - yüksek doğruluk ancak belirli bir yerin neden kavramsal tutarlılık gerektiren alan uzmanlarına karşı çıkabileceği konusunda biraz bilgi sahibi olabilirler.
İlk Yatırım ve Altyapı
Bir AI odaklı bir araştırma akışı, bilgisayar donanımına (GPUs, bulut kredileri), yazılım platformları, veri yönetimi sistemleri ve personel eğitimi için daha uygun fiyatlı ve açık kaynak kütüphaneleri olarak talep edilebilir.
Gerçek Dünya Uygulamaları ve Vaka Çalışmaları
Birkaç öncü proje, AI'nın bugün jeotermal keşifte nasıl operasyonelleştiğini gösteriyor.
Google'ın Project InsideSpace ve Salton Sea
2021 yılında Google Project İçSpace'i başlattı, AI'yı kullanarak jeotermal dağıtımını hızlandırmaya yönelik bir girişim başlattı. Kaliforniya'da Salton Sea jeotermal alanı, şirket iyi yerleştirme ve buharlaştırmayı iyi bir şekilde geliştirmeyi sağladı; Yenilenebilir Enerji)
İzlanda Derinliği Projesi (IDDP)
İzlanda Üniversitesi'ndeki araştırmacılar, yüzey gaz örneklerinden gelen derin bir sinir ağı eğittiler – şimdi bölge rekonnaissa için rezervuar sıcaklıklarını tahmin etmek için IDDP'den gelen teknik olarak entegre edildi.
Federal Girişimler ve Açık Veriler
ABD Jeolojik Araştırma (USGS) ve Enerji Bölümü, ülke çapındaki jeotermal bir olasılık haritası üretmek için XGBoost ve destek vektör makinelerinin bir araya gelmesi için, Basin ve Range Province'de 200 yeni "yüksek güven" hedefi tespit etti.USGS Bilimsel Araştırmalar Raporu).
Future Prospects ve Gelişen Trendler
Jeotermal keşifteki AI entegrasyonu hala erken aşamalarında, ancak hızlı maturasyona yönelik birkaç trend noktası.
Dijital Twins ve Real-Time Optimizasyon
Bir "dijital ikiz" kavramı - sürekli olarak bir jeotermal rezervuarın sanal gösterimini güncelle-enerjinin ivme kazanması. AI modelleri, üretimden gelen gerçek zamanlı veriler, enjeksiyon iyileri ve izleme dizileri, daha sonra gelişmiş jeotermal sistemler oluşturmak için gelecekteki ülkeleri tahmin edin. (EGS) birçok pilot alanda soğuk su atılımını önlemek ve genişletmek için bu tahminleri kullanabilir.
Geoscience için temel modeller
Büyük dil modelleri (LLMs) ve multimodal transformatörler (örneğin, GPT-4 ile vizyon) tüm proje belgesine dayalı sorgular, grafikleri ve görüntüleri hızlandırabilir. İyi bir temel modeli, s.
Diğer Yenilenebilirlerle entegrasyon
AI keşif modelleri coğrafi bilgi sistemleri (GIS) ve elektrik şebeke verileri ile aynı anda jeotermal kaynak kalitesi için optimize edilir, arazi çatışmaları kullanır ve iletim erişimi sağlar. Bu bütünsel yaklaşım, örneğin, jeotermal ısı pompalarını iki ısıtma ve temel yük elektrik talepleri ile karşılamak için site seçimi destekler.
Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç
Yapay zeka temel olarak geoscientistsin jeotermal enerji için nasıl araştırıldığını değiştiriyor.Çok kaynak verileri bütünleştirerek, rezervuar özelliklerinin tahmin edici modelleri inşa ediyor ve belirsizlikleri ölçmek, AI, ticari kaynakların tespit edilmesi ve risklerini azaltırken, veri erişilebilirliği, yorumlanabilirliği ve uzmanlığı ile ilgili sorunlar, algoritmalarca hızla devam ediyor ve mevcut veri setlerinin büyüme hacminin artmasıyla ilgili olarak, yeni bir çağın eşiğini azaltıyor.