Quand Jing Yang, professeur assistant en génie électrique, a commencé à chercher des applications pratiques pour ses recherches en apprentissage automatique, en partenariat avec Chris Marone, professeur de géosciences, pour son travail sur l'exploration géothermique sûre et efficace et la production d'énergie, était un ajustement parfait.

Yang et Marone ont récemment reçu une subvention de démarrage multidisciplinaire Penn State 2019 pour leur recherche collaborative "Approches d'apprentissage automatique pour une exploration géothermique sûre".

"Je travaille sur le machine learning depuis plusieurs années, " a déclaré Yang. "Ma recherche est plus sur le côté théorique, et je veux montrer comment la théorie peut être liée à la pratique. Les applications liées à l'énergie pourraient être l'endroit où les techniques d'apprentissage automatique peuvent manifester un grand impact. »

Le travail vise à utiliser l'apprentissage automatique à la fois pour mieux prédire l'activité sismique lors de l'exploration géothermique et pour optimiser la production d'énergie géothermique.

Les systèmes géothermiques nécessitent la création de fractures par stimulation hydraulique. Cette formation et cette stimulation de fractures sont associées à des microséismes (MEQ) qui peuvent endommager les bâtiments et autres structures de surface. Marone et Yang espèrent qu'en utilisant les algorithmes d'apprentissage automatique (ML) de Yang, ils seront en mesure de prévoir et de prédire des événements sismiques tels que les MEQ.

"Nous sommes très intéressés à savoir si certains précurseurs existent pour les microséismes afin que nous puissions prédire quand une activité sismique majeure va se produire dans un proche avenir, sur lequel certaines actions immédiates peuvent être prises avant que quelque chose de destructeur ne se produise, " dit Yang.

Un élément essentiel de cette recherche est la capacité des algorithmes ML à prédire cette activité sismique à grande échelle. Les chercheurs ont actuellement réussi à recueillir des données et à prévoir l'activité sismique en laboratoire, mais ils doivent s'assurer qu'ils peuvent faire ces prédictions à l'échelle du terrain.

« Si vous disposez de milliers de capteurs générant des mesures en continu, l'analyse des flux de données en temps réel est extrêmement difficile. Le problème devient encore plus compliqué lorsque plusieurs micro-événements se produisent en même temps, ", a déclaré Yang. "Alors [la question est] comment pourrions-nous localiser ou déduire plus précisément ces événements qui se produisent sous la surface à partir de données en continu. "

Le deuxième objectif du projet est d'extraire en toute sécurité la quantité optimale d'énergie géothermique dans le processus de fracturation hydraulique.

"Nous voulons contrôler soigneusement la quantité de fluide injecté dans le sol afin d'atteindre une production élevée d'énergie géothermique, et en même temps s'assurer qu'il n'endommage pas le site, les structures de surface et ainsi de suite, " dit Yang.

Pour faire ça, Yang et Marone développeront un cadre d'apprentissage par renforcement sûr. Cela impliquera la création d'algorithmes évolutifs pour gérer des environnements inconnus et qui pourront être transférés du laboratoire à l'utilisation sur le terrain.

Marone et Yang prévoient d'utiliser les résultats de cet effort préliminaire pour développer un projet financé plus vaste et étendre ce travail au-delà de la production d'énergie géothermique dans d'autres domaines.

"Les techniques d'apprentissage par renforcement sécurisé que je développe permettent à un agent d'apprentissage de maximiser la production tout en assurant la sécurité. Mais la sécurité n'est pas seulement un problème pour l'exploration géothermique, " a déclaré Yang. " L'apprentissage par renforcement sécuritaire peut avoir des applications très importantes dans d'autres domaines comme la conduite autonome. Par exemple, nous voulons qu'une voiture apprenne automatiquement l'environnement et adapte continuellement ses mouvements en conséquence. À la fois, nous voulons nous assurer que la voiture ne prend pas de décisions imprudentes face aux incertitudes quant aux conséquences prévues.

« Donc, la sécurité pendant l'apprentissage est certainement un problème très important là-bas, " Yang a ajouté. " Et les techniques développées ici peuvent potentiellement être modifiées et adaptées pour assurer la sécurité avec la conduite autonome et d'autres situations. "