Både oljeproduktion och geotermisk energi behöver vätskor för att röra sig genom sprickkanaler i bergarter under ytan. Ändå är det utmanande att noggrant kartlägga och mäta sprickor skapade för vätskeflöde, för vad som händer under jorden går osynligt.

Seismiska undersökningar, skapas när ljud studsar mot underjordiska funktioner, kan producera reflekterande bild, men det här är inga detaljerade bilder och är svåra att tyda av någon outbildad i geovetenskap.

Texas A&M University forskare Aditya Chakravarty tror att en annan ljudkälla kommer att skapa tydligare och mer exakta bilder, åtminstone när det gäller att skildra frakturer. Under överinseende av sin mentor, Siddharth Misra på Harold Vance Department of Petroleum Engineering, Chakravarty använder maskininlärningsalgoritmer för att fokusera på de passiva ljuden från stenar när de spricker och går sönder under jorden så att sprickorna kan bedömas och kartläggas exakt.

Forskningen stöds av ett anslag som tilldelas Misra från Department of Energy (DOE) och fortsätter arbetet Chakravarty gjorde som praktikant för Lawrence Berkeley National Lab under sommaren 2020. Både den aktuella forskningen och praktiken är förknippade med Enhanced Geothermal Systems Collaborative project (EGS Collab) skapat av DOE Geothermal Technologies Office.

Även om det kan verka konstigt för en student som tar sin doktorsexamen i petroleumteknik att delta i ett projekt som främjar geotermiska metoder så att de en dag kan driva miljontals hem, Chakravarty håller inte med.

"Petroleumingenjörer har ett mycket bra grepp om underliggande geotermiska energikoncept, som borrning, vätskeflöden och så vidare, " sa han. "Jag fick reda på att de flesta av de ledande personerna i geotermiska projekt tidigare arbetat som petroleumingenjörer eller reservoaringenjörer."

Vätskeflöden har studerats tillräckligt detaljerat för att ha väldefinierade ekvationer tillgängliga för att förutsäga deras beteende, men vätskeflödesresor i underjordiska reservoarer kan vara knepigt. Många reservoarstenar är så tätt korniga att vätskor inte kan strömma genom dem om de inte är spruckna eller spruckna. De flesta av dessa stenar är också mycket heterogena, betydelse av alla olika typer, så frakturen formas, storlekar och längder kan vara ganska varierande och, följaktligen, svårt att förutse. Att få olja att rinna ut ur en tätt komprimerad skifferreservoar eller vatten att rinna ner genom het berg för att bli en uppåtgående ventil av ånga beror på bättre visualisering av de faktiska sprickkanalerna under jorden.

"För att förstå och vara säkra på att vi skapar rätt frakturer, vi måste kunna avbilda och karakterisera dem ordentligt, " sade Chakravarty. "Till exempel, vi kan pumpa in vatten för att skapa ånga, men vätskan kommer bara att gå vilse under marken om vi inte har sprickor på rätt ställen för att leda den tillbaka till den geotermiska anläggningen."

Chakravarty arbetar med data som samlats in av EGS Collab från Sanford Underground Research Facility vid Homestake Mine i South Dakota, där injektion, fraktur- och produktionstester utfördes, övervakas och registreras på djup över 4, 800 fot. Hans roll är att applicera blind, eller utan tillsyn, maskininlärningsmetoder till dessa underjordiska datamätningar för att bättre förstå vad signaturerna säger om tillståndet för sprickorna i underytan.

Det finns två breda typer av maskininlärningsalgoritmer:övervakade och utan tillsyn. Övervakad maskininlärning är ungefär som att ta ett prov där alla frågor täcktes någonstans i en memorerad lärobok:allt är känt, det måste bara identifieras. Oövervakat lärande handlar om saker som inte är kända men som kan vara relevanta. Algoritmerna måste filtrera data genom en allmän förståelse av ett ämne och extrahera det som verkar viktigt från det som förmodligen inte är det.

På grund av komplexiteten i att förstå de osynliga sprickorna under jorden, oövervakat lärande är perfekt för det här jobbet. Algoritmerna sållar igenom data som samlats in av EGS Collabs mätutrustning och reder ut vad de hittar baserat på vägledning från Chakravarty.

"Med smart bearbetning, pusselbitar dök upp från det slumpmässiga underjordiska bruset och började berätta en stramt sammanhängande historia, " sade Chakravarty. "För mig, petroleumingenjörsstudenten som har begränsad exponering för seismologi, det är en uppenbarelse. "

Chakravarty kanske inte är skicklig på seismologi, men han har en kandidat- och masterexamen i geovetenskap och en magisterexamen i petroleumteknik. Han kom till Texas A&M för att avsluta sin petroleumingenjörsutbildning och, efter att ha arbetat för Misra på ett maskininlärningsprojekt baserat på att använda passiva ljud för att karakterisera sprickor i berg, fann en djup uppskattning för vetenskapen. Chakravarty kunde få en eftertraktad praktikplats hos Lawrence Berkeley för att främja hans intressen för maskininlärning och det introducerade honom för EGS Collab-projektet.

Han är stolt över sin anslutning till det geotermiska projektet och förespråkar fördelarna med en bred utbildning.

"Jag har det här ganska tvärvetenskapliga förhållningssättet, som involverar geofysik och petrofysik, liksom de grundläggande tekniska koncepten, ", sade Chakravarty. "Detta ger mig en uppskattning av hur alla dessa olika discipliner kommer samman och förstår vad som händer."