Geocientistas do Sandia National Laboratories usaram rochas impressas em 3D e um avançado, modelo de computador em grande escala de terremotos anteriores para compreender e prevenir terremotos desencadeados pela exploração de energia.

Injetando água no subsolo após a extração de petróleo e gás não convencional, comumente conhecido como fracking, estimulação de energia geotérmica e sequestro de dióxido de carbono podem causar terremotos. Claro, as empresas de energia fazem a devida diligência para verificar se há falhas - rupturas na crosta superior da Terra que são propensas a terremotos - mas, às vezes, terremotos, até enxames de terremotos, ataque inesperadamente.

Os geocientistas de Sandia estudaram como a pressão e o estresse da injeção de água podem ser transferidos através dos poros das rochas para as linhas de falha, incluindo os anteriormente ocultos. Eles também esmagaram rochas com pontos fracos especialmente projetados para ouvir o som de diferentes tipos de falhas de falha, que ajudará na detecção precoce de um terremoto induzido.

A variabilidade da impressão 3D fornece informações estruturais fundamentais

Para estudar diferentes tipos de falhas de falha, e seus sinais de alerta, O geocientista de Sandia, Hongkyu Yoon, precisava de um monte de rochas que se quebrassem da mesma forma cada vez que ele aplicasse pressão - pressão não muito diferente da pressão causada pela injeção de água no subsolo.

Rochas naturais coletadas no mesmo local podem ter orientação mineral e camadas muito diferentes, causando diferentes pontos fracos e tipos de fratura.

Vários anos atrás, Yoon começou a usar manufatura aditiva, comumente conhecido como impressão 3D, para fazer rochas a partir de um mineral à base de gesso sob condições controladas, acreditando que essas rochas seriam mais uniformes. Para imprimir as pedras, Yoon e sua equipe pulverizaram gesso em camadas finas, formando blocos retangulares de 1 por 3 por 0,5 polegadas e cilindros.

Contudo, enquanto estudava as rochas impressas em 3D, Yoon percebeu que o processo de impressão também gerou diferenças estruturais mínimas que afetaram como as rochas se fraturaram. Isso despertou seu interesse, levando-o a estudar como a textura mineral em rochas impressas em 3D influencia como elas se fraturam.

"Acontece que podemos usar essa variabilidade de respostas mecânicas e sísmicas de uma fratura impressa em 3D em nossa vantagem para nos ajudar a compreender os processos fundamentais de fraturamento e seu impacto no fluxo de fluido nas rochas, "Yoon disse. Este fluxo de fluido e pressão dos poros podem desencadear terremotos.

Para esses experimentos, Yoon e colaboradores da Purdue University, uma universidade com a qual Sandia tem uma forte parceria, fez uma tinta mineral usando pó de sulfato de cálcio e água. Os pesquisadores, incluindo os professores de Purdue, Antonio Bobet e Laura Pyrak-Nolte, imprimiu uma camada de sulfato de cálcio hidratado, cerca de metade da espessura de uma folha de papel, e, em seguida, aplicou um aglutinante à base de água para colar a próxima camada à primeira. O aglutinante recristalizou parte do sulfato de cálcio em gesso, o mesmo mineral usado em drywall de construção.

Os pesquisadores imprimiram as mesmas rochas retangulares e cilíndricas à base de gesso. Algumas rochas tinham camadas de minerais de gesso correndo horizontalmente, enquanto outros tinham camadas minerais verticais. Os pesquisadores também variaram a direção em que pulverizaram o aglutinante, para criar mais variação na estratificação mineral.

A equipe de pesquisa apertou as amostras até que quebrassem. A equipe examinou as superfícies da fratura usando lasers e um microscópio de raios-X. Eles notaram que o caminho da fratura dependia da direção das camadas minerais. Yoon e colegas descreveram este estudo fundamental em um artigo publicado na revista Relatórios Científicos .

Sinais sonoros e aprendizado de máquina para classificar eventos sísmicos

Também, trabalhando com seus colaboradores na Purdue University, Yoon monitorou as ondas acústicas provenientes das amostras impressas à medida que se fraturavam. Essas ondas sonoras são sinais de microfissuras rápidas. Em seguida, a equipe combinou os dados de som com técnicas de aprendizado de máquina, um tipo de análise de dados avançada que pode identificar padrões em dados aparentemente não relacionados, para detectar sinais de eventos sísmicos minuciosos.

Primeiro, Yoon e seus colegas usaram uma técnica de aprendizado de máquina conhecida como algoritmo de floresta aleatório para agrupar os eventos microssísmicos em grupos que foram causados ​​pelos mesmos tipos de microestruturas e identificar cerca de 25 características importantes nos dados de som do microcrack. Eles classificaram essas características por importância.

Usando os recursos importantes como um guia, eles criaram um algoritmo de aprendizado "profundo" em várias camadas - como os algoritmos que permitem que os assistentes digitais funcionem - e o aplicaram a dados arquivados coletados de eventos do mundo real. O algoritmo de aprendizado profundo foi capaz de identificar sinais de eventos sísmicos de forma mais rápida e precisa do que os sistemas de monitoramento convencionais.

Yoon disse que dentro de cinco anos eles esperam aplicar muitos algoritmos de aprendizado de máquina diferentes, como estes e aqueles com princípios de geociência embutidos, para detectar terremotos induzidos relacionados a atividades de combustíveis fósseis em campos de petróleo ou gás. Os algoritmos também podem ser aplicados para detectar falhas ocultas que podem se tornar instáveis ​​devido ao sequestro de carbono ou estimulação de energia geotérmica, ele disse.

"Uma das coisas boas sobre o aprendizado de máquina é a escalabilidade, "Yoon disse." Sempre tentamos aplicar certos conceitos que foram desenvolvidos em condições de laboratório para problemas de grande escala - é por isso que fazemos trabalho de laboratório. Depois de provarmos os conceitos de aprendizado de máquina desenvolvidos em escala de laboratório em dados arquivados, é muito fácil escalar para problemas de grande escala, em comparação com os métodos tradicionais. "

Transferências de tensão através da rocha para falhas profundas

Uma falha oculta foi a causa de um terremoto surpresa em um local de estimulação geotérmica em Pohang, Coreia do Sul. Em 2017, dois meses após o término do experimento de estimulação geotérmica final, um terremoto de magnitude 5,5 sacudiu a área, o segundo terremoto mais forte da história recente da Coreia do Sul.

Depois do terremoto, geocientistas descobriram uma falha escondida nas profundezas entre dois poços de injeção. Para entender como o estresse da injeção de água chegou à falha e causou o terremoto, Kyung Won Chang, um geocientista em Sandia, percebeu que precisava considerar mais do que o estresse da água pressionando as rochas. Além dessa tensão de deformação, ele também precisava levar em conta como essa tensão se transferia para a rocha à medida que a água fluía através dos poros da própria rocha em seu complexo modelo computacional de grande escala.

Chang e seus colegas descreveram a transferência de estresse em um artigo publicado na revista Relatórios Científicos .

Contudo, compreender a tensão de deformação e a transferência de tensão através dos poros das rochas não é suficiente para entender e prever alguns terremotos induzidos por atividades de exploração de energia. A arquitetura de diferentes falhas também precisa ser considerada.

Usando seu modelo, Chang analisou um cubo de 6 milhas de comprimento, 6 milhas de largura e 6 milhas de profundidade, onde um enxame de mais de 500 terremotos ocorreu em Azle, Texas, de novembro de 2013 a maio de 2014. Os terremotos ocorreram ao longo de duas falhas que se cruzam, um a menos de 2 milhas abaixo da superfície e outro mais longo e profundo. Enquanto a falha rasa estava mais perto dos locais de injeção de águas residuais, os primeiros terremotos ocorreram ao longo do mais longo, falha mais profunda.

Em seu modelo, Chang descobriu que as injeções de água aumentaram a pressão na falha rasa. Ao mesmo tempo, tensão induzida por injeção transferida através da rocha até a falha profunda. Porque a falha profunda estava sob mais estresse inicialmente, o enxame de terremotos começou lá. Ele e Yoon compartilharam o modelo computacional avançado e sua descrição dos terremotos de Azle em um artigo publicado recentemente no Journal of Geophysical Research:Solid Earth .

"Em geral, precisamos de modelos multifísicos que acoplem diferentes formas de tensão além da pressão dos poros e da deformação das rochas, entender terremotos induzidos e correlacioná-los com atividades de energia, como estimulação hidráulica e injeção de água residual, "Disse Chang.

Chang disse que ele e Yoon estão trabalhando juntos para aplicar e aumentar algoritmos de aprendizado de máquina para detectar falhas anteriormente ocultas e identificar assinaturas de estresse geológico que poderiam prever a magnitude de um terremoto desencadeado.

No futuro, Chang espera usar essas assinaturas de estresse para criar um mapa de riscos potenciais para terremotos induzidos nos Estados Unidos.