• Home
  • Química
  • Astronomía
  • Energía
  • Naturaleza
  • Biología
  • Física
  • Electrónica
  •  science >> Ciencia >  >> Naturaleza
    Los científicos utilizan rocas impresas en 3D, aprendizaje automático para detectar terremotos inesperados

    Hongkyu Yoon, geocientífico de Sandia National Laboratories, sostiene una roca fracturada impresa en 3D. Hongkyu apretó rocas impresas en 3D hasta que se agrietaron y escuchó el sonido de las rocas rompiéndose para poder identificar los primeros signos de terremotos. Crédito:Rebecca Gustaf

    Los geocientíficos de Sandia National Laboratories utilizaron rocas impresas en 3D y un avanzado Modelo informático a gran escala de terremotos pasados ​​para comprender y prevenir terremotos provocados por la exploración de energía.

    Inyectar agua bajo tierra después de una extracción no convencional de petróleo y gas, comúnmente conocido como fracking, La estimulación de la energía geotérmica y el secuestro de dióxido de carbono pueden desencadenar terremotos. Por supuesto, Las empresas de energía hacen su debida diligencia para verificar fallas (roturas en la corteza superior de la tierra que son propensas a terremotos) pero a veces terremotos, incluso enjambres de terremotos, golpe inesperadamente.

    Los geocientíficos de Sandia estudiaron cómo la presión y el estrés de la inyección de agua pueden transferirse a través de los poros de las rocas hasta las fallas. incluidos los previamente ocultos. También trituraron rocas con puntos débiles especialmente diseñados para escuchar el sonido de diferentes tipos de fallas. que ayudará en la detección temprana de un terremoto inducido.

    La variabilidad de la impresión 3D proporciona información estructural fundamental

    Para estudiar diferentes tipos de fallas por fallas, y sus señales de advertencia, El geocientífico de Sandia, Hongkyu Yoon, necesitaba un montón de rocas que se fracturaran de la misma forma cada vez que aplicaba presión, una presión similar a la causada por la inyección de agua bajo tierra.

    Las rocas naturales recolectadas en el mismo lugar pueden tener una orientación y capas minerales muy diferentes, causando diferentes puntos débiles y tipos de fracturas.

    Muchos años atrás, Yoon comenzó a utilizar la fabricación aditiva, comúnmente conocida como impresión 3D, para hacer rocas a partir de un mineral a base de yeso en condiciones controladas, creyendo que estas rocas serían más uniformes. Para imprimir las rocas, Yoon y su equipo rociaron yeso en capas delgadas, formando bloques y cilindros rectangulares de 1 por 3 por 0,5 pulgadas.

    Sin embargo, mientras estudiaba las rocas impresas en 3D, Yoon se dio cuenta de que el proceso de impresión también generaba pequeñas diferencias estructurales que afectaban la forma en que se fracturaban las rocas. Esto despertó su interés, lo que lo llevó a estudiar cómo la textura mineral en las rocas impresas en 3D influye en cómo se fracturan.

    "Resulta que podemos usar esa variabilidad de las respuestas mecánicas y sísmicas de una fractura impresa en 3D a nuestro favor para ayudarnos a comprender los procesos fundamentales de fracturación y su impacto en el flujo de fluidos en las rocas. "Dijo Yoon. Este flujo de fluido y la presión de los poros pueden desencadenar terremotos.

    Para estos experimentos, Yoon y colaboradores en Purdue University, una universidad con la que Sandia tiene una fuerte asociación, hizo una tinta mineral con sulfato de calcio en polvo y agua. Los investigadores, incluidos los profesores de Purdue Antonio Bobet y Laura Pyrak-Nolte, imprimió una capa de sulfato de calcio hidratado, aproximadamente la mitad del grosor de una hoja de papel, y luego aplicó un aglutinante a base de agua para pegar la siguiente capa a la primera. El aglutinante recristalizó parte del sulfato de calcio en yeso, el mismo mineral utilizado en la construcción de paneles de yeso.

    Los investigadores imprimieron las mismas rocas a base de yeso rectangulares y cilíndricas. Algunas rocas tenían las capas de mineral de yeso corriendo horizontalmente, mientras que otros tenían capas minerales verticales. Los investigadores también variaron la dirección en la que rociaron el aglutinante, para crear más variación en las capas minerales.

    El equipo de investigación apretó las muestras hasta que se rompieron. El equipo examinó las superficies de las fracturas con láseres y un microscopio de rayos X. Notaron que la trayectoria de la fractura dependía de la dirección de las capas minerales. Yoon y sus colegas describieron este estudio fundamental en un artículo publicado en la revista Informes científicos .

    Señales sonoras y aprendizaje automático para clasificar eventos sísmicos

    También, trabajando con sus colaboradores en Purdue University, Yoon monitoreó las ondas acústicas provenientes de las muestras impresas mientras se fracturaban. Estas ondas sonoras son signos de microfisuras rápidas. Luego, el equipo combinó los datos de sonido con técnicas de aprendizaje automático, un tipo de análisis de datos avanzado que puede identificar patrones en datos aparentemente no relacionados, para detectar señales de eventos sísmicos diminutos.

    El geocientífico de Sandia National Laboratories Hongkyu Yoon y su equipo imprimen rocas en 3D con fallas reproducibles y luego las exprimen hasta que se agrietan. Escuchar el sonido de las rocas rompiéndose proporciona al equipo los datos que necesitan para "entrenar" un algoritmo de aprendizaje profundo para identificar señales de eventos sísmicos de manera más rápida y precisa que los sistemas convencionales de monitoreo de terremotos. Crédito:Rebecca Gustaf

    Primero, Yoon y sus colegas utilizaron una técnica de aprendizaje automático conocida como algoritmo de bosque aleatorio para agrupar los eventos microsísmicos en grupos que fueron causados ​​por los mismos tipos de microestructuras e identificar alrededor de 25 características importantes en los datos de sonido de las microfisuras. Clasificaron estas características por importancia.

    Usando las características importantes como guía, crearon un algoritmo de aprendizaje "profundo" de varias capas, como los algoritmos que permiten el funcionamiento de los asistentes digitales, y lo aplicaron a los datos archivados recopilados de eventos del mundo real. El algoritmo de aprendizaje profundo pudo identificar señales de eventos sísmicos de manera más rápida y precisa que los sistemas de monitoreo convencionales.

    Yoon dijo que dentro de cinco años esperan aplicar muchos algoritmos diferentes de aprendizaje automático, como estos y aquellos con principios de geociencia incrustados, para detectar terremotos inducidos relacionados con actividades de combustibles fósiles en campos de petróleo o gas. Los algoritmos también se pueden aplicar para detectar fallas ocultas que podrían volverse inestables debido al secuestro de carbono o la estimulación de la energía geotérmica. él dijo.

    "Una de las ventajas del aprendizaje automático es la escalabilidad, ", Dijo Yoon." Siempre tratamos de aplicar ciertos conceptos que se desarrollaron en condiciones de laboratorio a problemas a gran escala, por eso hacemos trabajo de laboratorio. Una vez que probamos esos conceptos de aprendizaje automático desarrollados a escala de laboratorio en datos archivados, es muy fácil escalarlo a problemas a gran escala, en comparación con los métodos tradicionales ".

    La tensión se transfiere a través de la roca a fallas profundas.

    Una falla oculta fue la causa de un terremoto sorpresa en un sitio de estimulación geotérmica en Pohang, Corea del Sur. En 2017, dos meses después de que finalizara el último experimento de estimulación geotérmica, un terremoto de magnitud 5,5 sacudió el área, el segundo terremoto más fuerte en la historia reciente de Corea del Sur.

    Después del terremoto Los geocientíficos descubrieron una falla oculta en lo profundo entre dos pozos de inyección. Para comprender cómo las tensiones de la inyección de agua viajaron a la falla y causaron el terremoto, Kyung Won Chang, un geocientífico en Sandia, se dio cuenta de que necesitaba considerar algo más que el estrés del agua presionando las rocas. Además de esa tensión de deformación, también necesitaba tener en cuenta cómo esa tensión se transfirió a la roca a medida que el agua fluía a través de los poros de la propia roca en su complejo modelo computacional a gran escala.

    Chang y sus colegas describieron la transferencia de estrés en un artículo publicado en la revista. Informes científicos .

    Sin embargo, comprender la tensión de deformación y la transferencia de tensión a través de los poros de las rocas no es suficiente para comprender y predecir algunos terremotos inducidos por actividades de exploración de energía. También se debe considerar la arquitectura de diferentes fallas.

    Usando su modelo, Chang analizó un cubo de 6 millas de largo, 6 millas de ancho y 6 millas de profundidad donde ocurrió un enjambre de más de 500 terremotos en Azle, Texas, de noviembre de 2013 a mayo de 2014. Los terremotos ocurrieron a lo largo de dos fallas que se cruzan, uno a menos de 2 millas debajo de la superficie y otro más largo y profundo. Si bien la falla poco profunda estaba más cerca de los sitios de inyección de aguas residuales, los primeros terremotos ocurrieron a lo largo del largo, culpa más profunda.

    En su modelo, Chang descubrió que las inyecciones de agua aumentaban la presión sobre la falla poco profunda. Al mismo tiempo, Esfuerzo inducido por inyección transferido a través de la roca hasta la falla profunda. Debido a que la falla profunda inicialmente estaba sometida a más estrés, el enjambre de terremotos comenzó allí. Él y Yoon compartieron el modelo computacional avanzado y su descripción de los terremotos de Azle en un artículo publicado recientemente en el Revista de investigación geofísica:Tierra sólida .

    "En general, necesitamos modelos multifísicos que acoplen diferentes formas de tensión más allá de la presión de poro y la deformación de las rocas, comprender los terremotos inducidos y correlacionarlos con las actividades energéticas, como la estimulación hidráulica y la inyección de aguas residuales, "Dijo Chang.

    Chang dijo que él y Yoon están trabajando juntos para aplicar y ampliar algoritmos de aprendizaje automático para detectar fallas previamente ocultas e identificar firmas de estrés geológico que podrían predecir la magnitud de un terremoto desencadenado.

    En el futuro, Chang espera usar esas firmas de estrés para crear un mapa de peligros potenciales de terremotos inducidos en los Estados Unidos.


    © Ciencia https://es.scienceaq.com