La production de pétrole et l'énergie géothermique ont besoin de fluides pour se déplacer à travers les canaux de fracture dans les roches souterraines. Pourtant, cartographier et mesurer avec précision les fractures créées pour l'écoulement des fluides est un défi, parce que ce qui se passe sous terre passe inaperçu.

Levés sismiques, créé lorsque le son rebondit sur des entités souterraines, peut produire une imagerie réfléchissante, mais ce ne sont pas des images détaillées et sont difficiles à déchiffrer par quiconque n'est pas formé en géosciences.

Aditya Chakravarty, chercheur diplômé de la Texas A&M University, pense qu'une source sonore différente créera des images plus claires et plus précises. au moins quand il s'agit de représenter les fractures. Sous la supervision de son mentor, Siddharth Misra du département d'ingénierie pétrolière de Harold Vance, Chakravarty utilise des algorithmes d'apprentissage automatique pour se concentrer sur les sons passifs émis par les roches lorsqu'elles se fissurent et se brisent sous terre afin que les fractures puissent être évaluées et cartographiées avec précision.

La recherche est financée par une subvention accordée à Misra par le ministère de l'Énergie (DOE) et poursuit le travail que Chakravarty a effectué en tant que stagiaire pour le Lawrence Berkeley National Lab au cours de l'été 2020. La recherche en cours et le stage sont associés à l'Enhanced Projet de collaboration sur les systèmes géothermiques (EGS Collab) créé par le DOE Geothermal Technologies Office.

Bien qu'il puisse sembler étrange qu'un étudiant obtenant son doctorat en génie pétrolier participe à un projet faisant progresser les méthodes géothermiques afin qu'il puisse un jour alimenter des millions de foyers, Chakravarty n'est pas d'accord.

« Les ingénieurs pétroliers ont une très bonne compréhension des concepts sous-jacents de l'énergie géothermique, comme les complétions de forage, le fluide coule et ainsi de suite, ", a-t-il déclaré. "J'ai découvert que la plupart des dirigeants des projets géothermiques travaillaient auparavant comme ingénieurs pétroliers ou ingénieurs de réservoir."

Les écoulements de fluides ont été étudiés de manière suffisamment détaillée pour disposer d'équations bien définies permettant de prédire leur comportement, mais le déplacement du flux de fluide dans les réservoirs souterrains peut être délicat. De nombreuses roches réservoirs ont un grain si serré que les fluides ne peuvent pas les traverser à moins qu'elles ne soient fissurées ou fracturées. La plupart de ces roches sont également très hétérogènes, sens de tous les types, ainsi la fracture se forme, les tailles et les longueurs peuvent être très variées et, par conséquent, difficile à prévoir. Faire en sorte que le pétrole s'écoule d'un réservoir de schiste compacté ou que l'eau s'écoule à travers la roche chaude pour devenir un évent ascendant de vapeur dépend d'une meilleure visualisation des canaux de fracture réels sous terre.

"Pour comprendre et être sûr que nous créons les bonnes fractures, nous devons pouvoir les imager et les caractériser correctement, " dit Chakravarty. " Par exemple, nous pouvons pomper de l'eau pour créer de la vapeur, mais le fluide va juste se perdre sous terre si nous n'avons pas de fractures aux bons endroits pour le ramener à la centrale géothermique. »

Chakravarty travaille avec les données collectées par la collaboration EGS de l'installation de recherche souterraine de Sanford à la mine Homestake dans le Dakota du Sud, où injection, des tests de rupture et de production ont été effectués, surveillés et enregistrés à des profondeurs supérieures à 4, 800 pieds. Son rôle est d'appliquer à l'aveugle, ou sans surveillance, des méthodes d'apprentissage automatique à ces mesures de données souterraines pour mieux comprendre ce que disent les signatures sur l'état des fractures dans le sous-sol.

Il existe deux grands types d'algorithmes d'apprentissage automatique :supervisés et non supervisés. L'apprentissage automatique supervisé, c'est un peu comme passer un examen où toutes les questions sont abordées quelque part dans un manuel mémorisé :tout est connu, il suffit de l'identifier. L'apprentissage non supervisé traite de choses qui ne sont pas connues mais qui pourraient être pertinentes. Les algorithmes doivent filtrer les données à travers une compréhension générale d'un sujet et extraire ce qui semble important de ce qui ne l'est probablement pas.

En raison de la complexité de la compréhension des fractures souterraines invisibles, l'apprentissage non supervisé est parfait pour ce travail. Les algorithmes passent au crible les données collectées par l'équipement de mesure EGS Collab et trient ce qu'ils trouvent sur la base des conseils de Chakravarty.

"Avec un traitement intelligent, des morceaux du puzzle sont apparus du bruit souterrain aléatoire et ont commencé à raconter une histoire étroitement cohérente, " dit Chakravarty. " Pour moi, l'étudiant en génie pétrolier qui a une exposition limitée à la sismologie, c'est une épiphanie."

Chakravarty n'est peut-être pas un adepte de la sismologie, mais il a un baccalauréat et une maîtrise en géosciences et une maîtrise en génie pétrolier. Il est venu à Texas A&M pour terminer ses études en génie pétrolier et, après avoir travaillé pour Misra sur un projet de machine learning basé sur l'utilisation de sons passifs pour caractériser les fissures dans la roche, trouvé une profonde appréciation pour la science. Chakravarty a pu obtenir un stage convoité avec Lawrence Berkeley pour approfondir ses intérêts dans l'apprentissage automatique et cela lui a présenté le projet EGS Collab.

Il est fier de son affiliation au projet géothermique et prône les avantages d'une éducation diversifiée.

"J'ai cette approche plutôt interdisciplinaire, qui implique la géophysique et la pétrophysique, ainsi que les concepts d'ingénierie de base, " a déclaré Chakravarty. "Cela me donne une appréciation de la façon dont toutes ces différentes disciplines se réunissent et donnent un sens à ce qui se passe."