När Jing Yang, biträdande professor i elektroteknik, började leta efter praktiska tillämpningar för sin maskininlärningsforskning, samarbetar med Chris Marone, professor i geovetenskap, för hans arbete med säker och effektiv geotermisk prospektering och energiproduktion, passade perfekt.

Yang och Marone tilldelades nyligen ett Penn State Multidisciplinary Seed Grant 2019 för sin samarbetsforskning "Maskininlärningsmetoder för säker geotermisk utforskning."

"Jag har arbetat med maskininlärning i ett antal år, "sa Yang." Min forskning handlar mer om den teoretiska sidan, och jag vill visa hur teori kan relateras till praktik. Energirelaterade applikationer kan vara den plats där maskininlärningstekniker kan visa stor inverkan. "

Arbetet syftar till att använda maskininlärning både för att bättre förutsäga seismisk aktivitet under geotermisk prospektering och för att optimera geotermisk energiproduktion.

Geotermiska system kräver att frakturer skapas genom hydraulisk stimulering. Denna sprickbildning och stimulering är associerad med mikro jordbävningar (MEQ) som kan skada byggnader och andra ytstrukturer. Marone och Yang hoppas att de genom att använda Yangs algoritmer för maskininlärning (ML) kommer att kunna förutsäga och förutsäga seismiska händelser som MEQ.

"Vi är mycket intresserade av om det finns vissa prekursorer för mikro jordbävningar så att vi kan förutse när en stor seismisk aktivitet kommer att hända inom en snar framtid, på vilka några omedelbara åtgärder kan vidtas innan något destruktivt händer, "sa Yang.

En kritisk komponent för denna forskning är ML -algoritmers förmåga att förutsäga denna seismiska aktivitet i stor skala. Forskarna har för närvarande haft framgång med att samla in data och förutse seismisk aktivitet i labbet, men de måste se till att de kan göra dessa förutsägelser i fältskala.

"Om du har tusentals sensorer som genererar mätningar på ett strömmande sätt, att analysera dataströmmarna i realtid är extremt utmanande. Problemet blir ännu mer komplicerat när många mikrohändelser inträffar samtidigt, "sa Yang." Så [frågan är] hur skulle vi kunna lokalisera eller mer exakt sluta de händelser som händer under ytan från strömmande data. "

Projektets andra mål är att på ett säkert sätt utvinna den optimala mängden geotermisk energi i den hydrauliska sprickprocessen.

"Vi vill noggrant kontrollera mängden vätska som injiceras i marken så att vi kan uppnå hög produktion av geotermisk energi, och samtidigt se till att det inte orsakar skada på webbplatsen, ytstrukturerna och så vidare, "sa Yang.

Att göra detta, Yang och Marone kommer att utveckla ett säkert ramverk för förstärkning. Detta kommer att innebära att skapa skalbara algoritmer för att hantera okända miljöer och som kommer att kunna överföras från labbet till fältanvändning.

Marone och Yang planerar att använda resultaten från denna preliminära insats för att utveckla ett större finansierat projekt och förlänga detta arbete utöver geotermisk energiproduktion till andra områden.

"De tekniker för inlärning av säkra förstärkningar som jag utvecklar gör att ett lärande kan maximera produktionen samtidigt som säkerheten säkerställs. Men säkerhet är inte bara en fråga för geotermisk prospektering, "sa Yang." Säkert förstärkningslärande kan ha mycket viktiga tillämpningar på andra områden som autonom körning. Till exempel, vi vill att en bil automatiskt ska lära sig miljön och kontinuerligt anpassa dess rörelse därefter. På samma gång, vi vill se till att bilen inte tar hänsynslösa beslut inför osäkerheter i de förutsagda konsekvenserna.

"Så säkerhet under inlärning är definitivt en mycket viktig fråga där, "Yang tillade." Och de tekniker som utvecklats här kan eventuellt modifieras och anpassas för att säkerställa säkerheten med autonom körning och andra situationer. "