Tanto la producción de petróleo como la energía geotérmica necesitan fluidos para moverse a través de los canales de fractura dentro de las rocas subterráneas. Sin embargo, cartografiar y medir con precisión las fracturas creadas para el flujo de fluidos es un desafío, porque lo que pasa bajo tierra pasa desapercibido.

Levantamientos sísmicos, creado cuando el sonido rebota contra las características del subsuelo, puede producir imágenes reflectantes, pero estas no son imágenes detalladas y son difíciles de descifrar para cualquier persona sin formación en geociencias.

El investigador graduado de la Universidad de Texas A&M, Aditya Chakravarty, cree que una fuente de sonido diferente creará imágenes más claras y precisas. al menos cuando se trata de representar fracturas. Bajo la supervisión de su mentor, Siddharth Misra del Departamento de Ingeniería del Petróleo de Harold Vance, Chakravarty está utilizando algoritmos de aprendizaje automático para enfocarse en los sonidos pasivos que hacen las rocas cuando se agrietan y rompen bajo tierra para que las fracturas se puedan evaluar y mapear con precisión.

La investigación está apoyada por una subvención otorgada a Misra del Departamento de Energía (DOE) y continúa el trabajo que Chakravarty hizo como pasante para el Laboratorio Nacional Lawrence Berkeley durante el verano de 2020. Tanto la investigación actual como la pasantía están asociadas con el programa Enhanced Proyecto colaborativo de sistemas geotérmicos (EGS Collab) creado por la Oficina de Tecnologías Geotérmicas del DOE.

Si bien puede parecer extraño que un estudiante que está obteniendo su doctorado en ingeniería petrolera participe en un proyecto que promueve métodos geotérmicos para que algún día puedan suministrar energía a millones de hogares, Chakravarty no está de acuerdo.

"Los ingenieros petroleros tienen una comprensión muy sólida de los conceptos subyacentes de energía geotérmica, como terminaciones de perforación, el fluido fluye y así sucesivamente, ", dijo." Descubrí que la mayoría de las personas líderes en proyectos geotérmicos trabajaban anteriormente como ingenieros de petróleo o ingenieros de yacimientos ".

Los flujos de fluidos se han estudiado con suficiente detalle para tener ecuaciones bien definidas disponibles para predecir su comportamiento. pero el desplazamiento del flujo de fluidos en depósitos subterráneos puede ser complicado. Muchas rocas de yacimiento tienen un grano tan apretado que los fluidos no pueden fluir a través de ellas a menos que estén agrietadas o fracturadas. La mayoría de estas rocas también son muy heterogéneas, significado de todos los tipos diferentes, entonces la fractura se forma, Los tamaños y longitudes pueden ser bastante variados y, como consecuencia, difícil de predecir. Hacer que el petróleo fluya de un depósito de lutitas muy compactado o que el agua fluya hacia abajo a través de la roca caliente para convertirse en un respiradero ascendente de vapor depende de una mejor visualización de los canales de fractura reales subterráneos.

"Para comprender y estar seguro de que creamos las fracturas correctas, Necesitamos poder imaginarlos y caracterizarlos adecuadamente, "Chakravarty dijo." Por ejemplo, podemos bombear agua para crear vapor, pero el fluido simplemente se perderá bajo tierra si no tenemos fracturas en los lugares correctos para guiarlo de regreso a la planta geotérmica ".

Chakravarty está trabajando con datos recopilados por EGS Collab de la instalación de investigación subterránea de Sanford en la mina Homestake en Dakota del Sur, donde la inyección, se realizaron pruebas de fractura y producción, monitoreado y registrado a profundidades superiores a 4, 800 pies. Su papel es aplicar ciego, o sin supervisión, métodos de aprendizaje automático a estas mediciones de datos subterráneos para comprender mejor lo que dicen las firmas sobre el estado de las fracturas en el subsuelo.

Hay dos tipos amplios de algoritmos de aprendizaje automático:supervisados ​​y no supervisados. El aprendizaje automático supervisado es algo así como realizar un examen en el que todas las preguntas se cubrieron en algún lugar de un libro de texto memorizado:todo se sabe, solo hay que identificarlo. El aprendizaje no supervisado se ocupa de cosas que no se conocen pero que podrían ser relevantes. Los algoritmos deben filtrar los datos a través de una comprensión general de un tema y extraer lo que parece importante de lo que probablemente no lo sea.

Debido a la complejidad de comprender las fracturas subterráneas invisibles, El aprendizaje sin supervisión es perfecto para este trabajo. Los algoritmos examinan los datos recopilados por el equipo de medición EGS Collab y clasifican lo que encuentran basándose en la orientación de Chakravarty.

"Con un procesamiento inteligente, piezas del rompecabezas aparecieron a partir del ruido subterráneo aleatorio y comenzaron a contar una historia muy coherente, "dijo Chakravarty." Para mí, el estudiante de ingeniería petrolera que tiene una exposición limitada a la sismología, es una epifanía ".

Chakravarty podría no ser experto en sismología, pero tiene una licenciatura y una maestría en geociencias y una maestría en ingeniería petrolera. Vino a Texas A&M para terminar su educación en ingeniería petrolera y, después de trabajar para Misra en un proyecto de aprendizaje automático basado en el uso de sonidos pasivos para caracterizar grietas en la roca, encontró un profundo aprecio por la ciencia. Chakravarty pudo obtener una codiciada pasantía con Lawrence Berkeley para promover sus intereses en el aprendizaje automático y le presentó el proyecto EGS Collab.

Está orgulloso de su afiliación al proyecto geotérmico y defiende las ventajas de una educación de base amplia.

"Tengo este enfoque bastante interdisciplinario, que involucra geofísica y petrofísica, así como los conceptos básicos de ingeniería, ", Dijo Chakravarty." Esto me da una apreciación de cómo todas estas diferentes disciplinas se unen y dan sentido a lo que está sucediendo ".