Geoforskare vid Sandia National Laboratories använde 3D-printade stenar och en avancerad, storskalig datormodell av tidigare jordbävningar för att förstå och förhindra jordbävningar som utlösts av energiutforskning.

Injicera vatten under jorden efter okonventionell olje- och gasutvinning, allmänt känd som fracking, geotermisk energistimulering och koldioxidbindning kan alla utlösa jordbävningar. Självklart, energibolag gör sin due diligence för att leta efter fel – brott i jordens övre jordskorpa som är benägna för jordbävningar – men ibland jordbävningar, även svärmar av jordbävningar, slå till oväntat.

Sandia geoforskare studerade hur tryck och stress från injicering av vatten kan överföras genom porer i stenar ner till förkastningslinjer, inklusive tidigare dolda. De krossade också stenar med speciellt konstruerade svaga punkter för att höra ljudet av olika typer av felfel, som kommer att underlätta tidig upptäckt av en inducerad jordbävning.

Variabilitet i 3D-utskrift ger grundläggande strukturell information

För att studera olika typer av fel, och deras varningssignaler, Sandia-geoforskaren Hongkyu Yoon behövde ett gäng stenar som skulle spricka på samma sätt varje gång han applicerade tryck - tryck inte olikt trycket som orsakas av att injicera vatten under jorden.

Naturliga stenar som samlats in från samma plats kan ha mycket olika mineralorientering och skiktning, orsakar olika svaga punkter och frakturtyper.

Många år sedan, Yoon började använda additiv tillverkning, allmänt känd som 3D-utskrift, att göra stenar från ett gipsbaserat mineral under kontrollerade förhållanden, att tro att dessa stenar skulle vara mer enhetliga. För att skriva ut stenarna, Yoon och hans team sprayade gips i tunna lager, bildar 1 x 3 x 0,5 tum rektangulära block och cylindrar.

Dock, när han studerade de 3D-printade stenarna, Yoon insåg att tryckprocessen också genererade små strukturella skillnader som påverkade hur stenarna spricker. Detta väckte hans intresse, leder honom att studera hur mineralstrukturen i 3D-printade bergarter påverkar hur de spricker.

"Det visar sig att vi kan använda den variationen av mekaniska och seismiska svar hos en 3D-printad spricka till vår fördel för att hjälpa oss förstå de grundläggande processerna för sprickbildning och dess inverkan på vätskeflödet i stenar, " sa Yoon. Detta vätskeflöde och portryck kan utlösa jordbävningar.

För dessa experiment, Yoon och medarbetare vid Purdue University, ett universitet som Sandia har ett starkt partnerskap med, gjorde ett mineralbläck med hjälp av kalciumsulfatpulver och vatten. Forskarna, inklusive Purdue-professorerna Antonio Bobet och Laura Pyrak-Nolte, tryckte ett lager av hydratiserat kalciumsulfat, ungefär hälften så tjockt som ett pappersark, och applicerade sedan ett vattenbaserat bindemedel för att limma nästa lager på det första. Bindemedlet omkristalliserade en del av kalciumsulfatet till gips, samma mineral som används i bygggips.

Forskarna tryckte samma rektangulära och cylindriska gipsbaserade stenar. Vissa stenar hade gipsminerallagren som löpte horisontellt, medan andra hade vertikala minerallager. Forskarna varierade också i vilken riktning de sprayade bindemedlet, för att skapa mer variation i mineralskiktning.

Forskargruppen klämde proverna tills de gick sönder. Teamet undersökte frakturytorna med hjälp av laser och ett röntgenmikroskop. De märkte att sprickvägen berodde på mineralskiktens riktning. Yoon och kollegor beskrev denna grundläggande studie i en artikel publicerad i tidskriften Vetenskapliga rapporter .

Ljudsignaler och maskininlärning för att klassificera seismiska händelser

Också, arbetar med sina medarbetare vid Purdue University, Yoon övervakade akustiska vågor som kom från de utskrivna proverna när de spricker. Dessa ljudvågor är tecken på snabba mikrosprickor. Sedan kombinerade teamet ljuddata med maskininlärningstekniker, en typ av avancerad dataanalys som kan identifiera mönster i till synes orelaterade data, för att detektera signaler från små seismiska händelser.

Först, Yoon och hans kollegor använde en maskininlärningsteknik känd som en slumpmässig skogsalgoritm för att gruppera de mikroseismiska händelserna i grupper som orsakades av samma typer av mikrostrukturer och identifiera cirka 25 viktiga funktioner i mikrosprickljuddata. De rangordnade dessa egenskaper efter betydelse.

Med hjälp av de viktiga funktionerna som vägledning, de skapade en flerskiktad "djup" inlärningsalgoritm – som algoritmerna som låter digitala assistenter fungera – och tillämpade den på arkiverad data som samlats in från händelser i verkligheten. Algoritmen för djupinlärning kunde identifiera signaler från seismiska händelser snabbare och mer exakt än konventionella övervakningssystem.

Yoon sa att de inom fem år hoppas kunna tillämpa många olika maskininlärningsalgoritmer, som dessa och de med inbäddade geovetenskapliga principer, för att upptäcka inducerade jordbävningar relaterade till fossilbränsleaktiviteter i olje- eller gasfält. Algoritmerna kan också användas för att upptäcka dolda fel som kan bli instabila på grund av kolbindning eller geotermisk energistimulering, han sa.

"En av de fina sakerna med maskininlärning är skalbarheten, ", sa Yoon. "Vi försöker alltid tillämpa vissa koncept som utvecklats under laboratorieförhållanden på storskaliga problem - det är därför vi gör laboratoriearbete. När vi väl bevisade de maskininlärningskoncept som utvecklats i laboratorieskala på arkiverad data, det är väldigt lätt att skala upp det till storskaliga problem, jämfört med traditionella metoder."

Stress överförs genom berg till djupa förkastningar

Ett dolt fel var orsaken till en överraskande jordbävning vid en geotermisk stimuleringsplats i Pohang, Sydkorea. Under 2017, två månader efter att det sista geotermiska stimuleringsexperimentet avslutades, en jordbävning med magnituden 5,5 skakade området, det näst starkaste skalvet i Sydkoreas nyare historia.

Efter jordbävningen, geovetare upptäckte ett fel gömt djupt mellan två injektionsbrunnar. För att förstå hur påfrestningar från vatteninjektion reste till förkastningen och orsakade skalvet, Kyung Won Chang, en geovetare på Sandia, insåg att han behövde tänka på mer än stressen av vatten som pressade på klipporna. Förutom den deformationsspänningen, han behövde också redogöra för hur den stressen överfördes till berget när vattnet strömmade genom porerna i själva berget i sin komplexa storskaliga beräkningsmodell.

Chang och hans kollegor beskrev stressöverföringen i en artikel publicerad i tidskriften Vetenskapliga rapporter .

Dock, Det räcker inte att förstå deformationsspänningar och överföring av stress genom bergporer för att förstå och förutsäga vissa jordbävningar som orsakas av energiutforskningsaktiviteter. Arkitekturen för olika fel måste också beaktas.

Med sin modell, Chang analyserade en kub 6 miles lång, 6 miles bred och 6 miles djup där en svärm av mer än 500 jordbävningar ägde rum i Azle, Texas, från november 2013 till maj 2014. Jordbävningarna inträffade längs två korsande förkastningar, en mindre än 2 miles under ytan och en annan längre och djupare. Medan det grunda förkastningen var närmare platserna för avloppsvatteninjektion, de första jordbävningarna inträffade längs de längre, djupare fel.

I sin modell, Chang fann att vatteninjektionerna ökade trycket på det grunda förkastningen. På samma gång, injektionsinducerad spänning som överförs genom berget ner till djupförkastningen. Eftersom det djupa felet var under mer stress till en början, jordbävningssvärmen började där. Han och Yoon delade med sig av den avancerade beräkningsmodellen och deras beskrivning av Azle-jordbävningarna i en tidning som nyligen publicerades i Journal of Geophysical Research:Solid Earth .

"I allmänhet, vi behöver multifysiska modeller som kopplar olika former av stress utöver bara portryck och deformation av stenar, att förstå inducerade jordbävningar och korrelera dem med energiaktiviteter, såsom hydraulisk stimulering och avloppsvatteninjektion, " sa Chang.

Chang sa att han och Yoon arbetar tillsammans för att tillämpa och skala upp maskininlärningsalgoritmer för att upptäcka tidigare dolda fel och identifiera signaturer av geologisk stress som kan förutsäga omfattningen av en utlöst jordbävning.

I framtiden, Chang hoppas kunna använda dessa stresssignaturer för att skapa en karta över potentiella risker för inducerade jordbävningar runt om i USA.