Исследователи стремятся точно контролировать подземное хранение углекислого газа

Захват и хранение диоксида углерода (CO₂) глубоко под землей может помочь в борьбе с изменением климата, однако долгосрочный мониторинг хранимого CO₂ на геологических объектах затруднен при использовании современных физических методов.

Исследователи из Техасского университета A&M доказали, что методы машинного обучения без учителя могут анализировать данные с датчиков геологического хранилища углерода и быстро отображать расположение и перемещение подземного шлейфа CO₂ во времени, снижая риск незарегистрированной утечки газа.

Руководитель проекта Сиддхарт Мисра, доцент кафедры нефтяной инженерии Гарольда Вэнса, использовал стартовое финансирование от Техасского института энергетики A&M для начала исследований.

«Проект был разработан для обеспечения долгосрочного хранения CO₂ с низким риском. Современные физические модели требуют много времени для создания и предполагают, где находится CO₂ на объекте хранения. Мы позволяем данным показать нам, где CO₂ находится на самом деле. Мы также обеспечиваем быстрое визуальное представление, потому что если вы не видите CO₂, вы не можете контролировать его глубоко под землей», — сказал Мисра.

Повышение уровня CO₂ в атмосфере увеличивает глобальную температуру, поскольку газ поглощает тепло, излучаемое Землей, и высвобождает его обратно в течение длительного времени, оставаясь в атмосфере гораздо дольше, чем другие парниковые газы.

Поскольку CO₂ больше, чем может быть естественным образом отфильтровано процессами Земли, необходимо удерживать его от попадания в воздух другими способами. Закачка нежелательного газа под землю не нова, но мониторинг его присутствия на геологическом объекте сложен, поскольку CO₂ невидим, быстро перемещается по трещинам и может уйти незамеченным.

Современные физические модели полагаются на статистику или численные расчеты, соответствующие известным физическим законам, подкрепленным результатами исследований. Однако новейшие геологические датчики дают огромный объем данных, указывающий на большее разнообразие состава недр, чем считалось ранее. Физические модели не включают эту информацию, так как такие вариации до конца не изучены, но Мисра знал, что данные содержат полезные для ситуации знания.

Мисра и его аспирантка Кейла Гонсалес начали с определения пространственного расположения CO₂. Поскольку весь набор данных о недрах нужно было проанализировать для поиска ключей, они использовали машинное обучение без учителя. В отличие от обучения с учителем, где алгоритмам указывают, какие данные дадут ответ на конкретный вопрос, обучение без учителя использует алгоритмы для просеивания данных с целью поиска закономерностей, относящихся к параметрам задачи, когда определенных ответов еще не существует.

Сначала алгоритмы оценили наличие CO₂ в данных, используя пять широких качественных диапазонов — от очень высокой концентрации до нулевых следов. Для двумерного визуального представления каждому диапазону был присвоен цвет, самый яркий — для наивысшего содержания, а черный — для отсутствия CO₂. Такое обобщение позволило быстро определить местоположение шлейфа, занимаемую им площадь, а также его приблизительные размер, форму и плотность.

Алгоритмы изучили несколько методов для чтения данных и моделирования CO₂. Мисра и Гонсалес не могли полагаться только на один метод для поиска «правильного» ответа, так как использование обучения без учителя означало, что готового решения проблемы еще не существует. Любой найденный ответ нужно было строго проверять, поэтому каждый ответ сравнивался с другими. Схожие результаты доказывали, что решения уникальны для поиска именно CO₂, независимо от использованных методов.

Для отслеживания перемещения CO₂ во времени потребовалось больше данных, поэтому алгоритмы научили анализировать и оценивать данные в различных форматах, таких как межскважинная сейсмическая томография. Поскольку алгоритмы уже были настроены на чисто data-driven подход и визуализацию на общем уровне, пространственно-временные карты генерировались быстро, независимо от используемой информации. Снова схожие результаты подтвердили, что исследователи на правильном пути.

Мисра и Гонсалес опубликовали статью об исследовании в журнале Expert Systems with Applications. Гонсалес окончила университет и получила должность в компании TGS, международной компании по обработке данных и аналитике в энергетике, которую впечатлила эта работа.

«Следующим шагом станет сочетание быстрого прогнозирования, быстрой визуализации и принятия решений в реальном времени, что интересует Министерство энергетики США. Несмотря на то, что работа была сложной и требовала много проверок для валидации, я вижу огромный потенциал в таких исследованиях. Возможно множество других применений и прорывов. Обучение без учителя требует больше усилий, но дает гораздо больше информации», — сказал Мисра.