Sia la produzione di petrolio che l'energia geotermica hanno bisogno di fluidi per muoversi attraverso i canali di frattura all'interno delle rocce del sottosuolo. Eppure mappare e misurare accuratamente le fratture create per il flusso dei fluidi è impegnativo, perché ciò che accade sottoterra non si vede.

Indagini sismiche, creato quando il suono rimbalza contro le caratteristiche del sottosuolo, può produrre immagini riflettenti, ma queste non sono immagini dettagliate e sono difficili da decifrare da chiunque non sia esperto di geoscienze.

Aditya Chakravarty, ricercatore laureato alla Texas A&M University, crede che una diversa sorgente sonora creerà immagini più chiare e accurate, almeno quando si tratta di rappresentare le fratture. Sotto la supervisione del suo mentore, Siddharth Misra dell'Harold Vance Department of Petroleum Engineering, Chakravarty utilizza algoritmi di apprendimento automatico per concentrarsi sui suoni passivi prodotti dalle rocce mentre si rompono e si rompono sottoterra, in modo che le fratture possano essere valutate e mappate con precisione.

La ricerca è supportata da una sovvenzione assegnata a Misra dal Dipartimento dell'Energia (DOE) e continua il lavoro svolto da Chakravarty come stagista per il Lawrence Berkeley National Lab durante l'estate del 2020. Sia la ricerca attuale che lo stage sono associati all'Enhanced Geothermal Systems Collaborative project (EGS Collab) creato dal DOE Geothermal Technologies Office.

Anche se può sembrare strano per uno studente che ottiene il dottorato in ingegneria petrolifera partecipare a un progetto che promuove metodi geotermici in modo che un giorno possano alimentare milioni di case, Chakravarty non è d'accordo.

"Gli ingegneri petroliferi hanno una solida conoscenza dei concetti di base dell'energia geotermica, come completamenti di perforazione, flussi di fluidi e così via, " ha detto. "Ho scoperto che la maggior parte delle persone leader nei progetti geotermici in precedenza lavoravano come ingegneri petroliferi o ingegneri dei giacimenti".

I flussi dei fluidi sono stati studiati in modo sufficientemente dettagliato da avere equazioni ben definite disponibili per prevederne il comportamento, ma il viaggio del flusso di fluido nei serbatoi sotterranei può essere complicato. Molte rocce serbatoio sono a grana così fitta che i fluidi non possono fluire attraverso di esse a meno che non siano incrinate o fratturate. La maggior parte di queste rocce sono anche altamente eterogenee, significato di tutti i diversi tipi, così la frattura si forma, le dimensioni e le lunghezze possono essere molto varie e, di conseguenza, difficile da prevedere. Fare in modo che il petrolio fuoriesca da un serbatoio di scisto ben compattato o che l'acqua scorra verso il basso attraverso la roccia calda per diventare uno sfiato verso l'alto del vapore dipende da una migliore visualizzazione degli effettivi canali di frattura nel sottosuolo.

"Per capire ed essere sicuri di creare le giuste fratture, dobbiamo essere in grado di immaginarli e caratterizzarli adeguatamente, " disse Chakravarty. "Per esempio, possiamo pompare acqua per creare vapore, ma il fluido si perderà sotto terra se non avremo fratture nei punti giusti per riportarlo all'impianto geotermico".

Chakravarty sta lavorando con i dati raccolti dall'EGS Collab dalla Sanford Underground Research Facility a Homestake Mine nel South Dakota, dove iniezione, sono stati eseguiti test di frattura e produzione, monitorati e registrati a profondità superiori a 4, 800 piedi. Il suo ruolo è quello di applicare alla cieca, o senza sorveglianza, metodi di apprendimento automatico a queste misurazioni di dati sotterranei per comprendere meglio cosa dicono le firme sullo stato delle fratture nel sottosuolo.

Esistono due tipi principali di algoritmi di apprendimento automatico:supervisionati e non supervisionati. L'apprendimento automatico supervisionato è un po' come sostenere un esame in cui tutte le domande sono state trattate da qualche parte all'interno di un libro di testo memorizzato:tutto è noto, deve solo essere identificato. L'apprendimento non supervisionato riguarda cose che non sono note ma potrebbero essere rilevanti. Gli algoritmi devono filtrare i dati attraverso una comprensione generale di un argomento ed estrarre ciò che sembra importante da ciò che probabilmente non lo è.

A causa della complessità della comprensione delle fratture invisibili nel sottosuolo, l'apprendimento non supervisionato è perfetto per questo lavoro. Gli algoritmi setacciano i dati raccolti dalle apparecchiature di misurazione EGS Collab e risolvono ciò che trovano in base alle indicazioni di Chakravarty.

"Con un'elaborazione intelligente, pezzi del puzzle sono apparsi dal rumore sotterraneo casuale e hanno iniziato a raccontare una storia strettamente coerente, " disse Chakravarty. "Per me, lo studente di ingegneria petrolifera che ha una limitata esposizione alla sismologia, è un'epifania."

Chakravarty potrebbe non essere abile in sismologia, ma ha una laurea e un master in geoscienze e un master in ingegneria petrolifera. È venuto in Texas A&M per terminare la sua formazione in ingegneria petrolifera e, dopo aver lavorato per Misra su un progetto di apprendimento automatico basato sull'utilizzo di suoni passivi per caratterizzare le crepe nella roccia, trovato un profondo apprezzamento per la scienza. Chakravarty è stato in grado di ottenere un ambito tirocinio con Lawrence Berkeley per approfondire i suoi interessi nell'apprendimento automatico e questo lo ha introdotto nel progetto EGS Collab.

È orgoglioso della sua affiliazione con il progetto geotermico e sostiene i vantaggi di un'istruzione su vasta scala.

"Ho questo approccio piuttosto interdisciplinare, che coinvolge la geofisica e la petrofisica, così come i concetti di base dell'ingegneria, " Chakravarty ha detto. "Questo mi dà un apprezzamento di come tutte queste diverse discipline si uniscono e danno un senso a ciò che sta succedendo".