Tanto a produção de petróleo quanto a energia geotérmica precisam de fluidos para se mover através dos canais de fratura dentro das rochas subterrâneas. No entanto, mapear e medir com precisão as fraturas criadas para o fluxo de fluido é um desafio, porque o que acontece no subsolo não é visto.

Levantamentos sísmicos, criado quando o som salta contra os recursos do subsolo, pode produzir imagens reflexivas, mas essas não são fotos detalhadas e são difíceis de decifrar por alguém não treinado em geociências.

Aditya Chakravarty, pesquisadora graduada da Texas A&M University, acredita que uma fonte de som diferente criará imagens mais claras e precisas, pelo menos quando se trata de descrever fraturas. Sob a supervisão de seu mentor, Siddharth Misra, do Departamento de Engenharia de Petróleo Harold Vance, Chakravarty está usando algoritmos de aprendizado de máquina para focar nos sons passivos produzidos pelas rochas conforme elas se racham e quebram no subsolo, para que as fraturas possam ser avaliadas e mapeadas com precisão.

A pesquisa é apoiada por uma bolsa concedida a Misra do Departamento de Energia (DOE) e continua o trabalho que Chakravarty fez como estagiário no Lawrence Berkeley National Lab durante o verão de 2020. Tanto a pesquisa atual quanto o estágio estão associados ao Enhanced Projeto colaborativo de sistemas geotérmicos (EGS Collab) criado pelo DOE Geothermal Technologies Office.

Embora possa parecer estranho para um aluno que está obtendo seu doutorado em engenharia de petróleo participar de um projeto que avança os métodos geotérmicos para que um dia possam abastecer milhões de residências, Chakravarty discorda.

"Os engenheiros de petróleo têm uma compreensão muito sólida dos conceitos básicos de energia geotérmica, como conclusões de perfuração, fluxos de fluidos e assim por diante, "ele disse." Eu descobri que a maioria das pessoas líderes em projetos geotérmicos trabalhavam anteriormente como engenheiros de petróleo ou engenheiros de reservatórios. "

Os fluxos de fluidos foram estudados em detalhes o suficiente para ter equações bem definidas disponíveis para prever seu comportamento, mas a viagem do fluxo de fluido em reservatórios subterrâneos pode ser complicada. Muitas rochas reservatório são tão granuladas que os fluidos não conseguem fluir através delas, a menos que estejam rachadas ou fraturadas. A maioria dessas rochas também são altamente heterogêneas, significado de todos os tipos diferentes, então o formato da fratura, tamanhos e comprimentos podem ser bastante variados e, consequentemente, difícil de prever. Fazer com que o óleo flua para fora de um reservatório de xisto fortemente compactado ou a água flua para baixo através da rocha quente para se tornar uma saída de vapor para cima depende de uma melhor visualização dos canais de fratura reais no subsolo.

"Para entender e ter certeza de que criamos as fraturas certas, precisamos ser capazes de imaginá-los e caracterizá-los adequadamente, "Chakravarty disse." Por exemplo, podemos bombear água para criar vapor, mas o fluido simplesmente se perderá no subsolo se não tivermos fraturas nos lugares certos para guiá-lo de volta à planta geotérmica. "

Chakravarty está trabalhando com dados coletados pelo EGS Collab do Sanford Underground Research Facility na Homestake Mine em Dakota do Sul, onde injeção, testes de fratura e produção foram realizados, monitorado e registrado em profundidades de mais de 4, 800 pés. Seu papel é aplicar cegos, ou não supervisionado, métodos de aprendizado de máquina para essas medições de dados subterrâneos para entender melhor o que as assinaturas dizem sobre o estado das fraturas no subsolo.

Existem dois tipos amplos de algoritmos de aprendizado de máquina:supervisionados e não supervisionados. O aprendizado de máquina supervisionado é como fazer um exame em que todas as questões foram abordadas em algum lugar de um livro memorizado:tudo é conhecido, só precisa ser identificado. A aprendizagem não supervisionada lida com coisas que não são conhecidas, mas podem ser relevantes. Os algoritmos devem filtrar os dados por meio de um entendimento geral de um assunto e extrair o que parece importante do que provavelmente não é.

Por causa das complexidades de compreensão das fraturas invisíveis no subsolo, o aprendizado não supervisionado é perfeito para este trabalho. Os algoritmos analisam os dados coletados pelo equipamento de medição EGS Collab e classificam o que encontram com base na orientação de Chakravarty.

"Com um processamento inteligente, peças do quebra-cabeça surgiram do ruído subterrâneo aleatório e começaram a contar uma história fortemente coerente, "disse Chakravarty." Para mim, o estudante de engenharia de petróleo que tem exposição limitada à sismologia, é uma epifania. "

Chakravarty pode não ser adepto da sismologia, mas ele tem bacharelado e mestrado em geociências e mestrado em engenharia de petróleo. Ele veio para a Texas A&M para terminar sua formação em engenharia de petróleo e, depois de trabalhar para Misra em um projeto de aprendizado de máquina baseado no uso de sons passivos para caracterizar rachaduras na rocha, encontrou um profundo apreço pela ciência. Chakravarty conseguiu um cobiçado estágio com Lawrence Berkeley para promover seus interesses em aprendizado de máquina e isso o apresentou ao projeto EGS Collab.

Ele tem orgulho de sua afiliação com o projeto geotérmico e defende as vantagens de uma educação de base ampla.

"Tenho uma abordagem bastante interdisciplinar, que envolve geofísica e petrofísica, bem como os principais conceitos de engenharia, "Chakravarty disse." Isso me dá uma avaliação de como todas essas diferentes disciplinas se reúnem e dão sentido ao que está acontecendo. "