Permeability Evolution and Cross-Specimen Machine-Learning Prediction of Geothermal-Reservoir Sandstone under Coupled Temperature and Pressure
تُطوّر هذه الدراسة إطار عمل قوي لتعلم الآلة باستخدام التحقق المتقاطع المتداخل والمجموع حسب العينات للتنبؤ بالنفاذية المعتمدة على المسار للحجر الرملي في الخزانات الحرارية الأرضية تحت تأثير اقتران درجة الحرارة والضغط، حيث حددت الغابة العشوائية كنموذج أمثل وسلطت الضوء على ضغط الحجز كأكثر عامل تنبؤي استقراراً، مع إثبات عدم اكتمال استعادة النفاذية بعد تخفيف الحمل.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل القشرة الأرضية كأنها إسفنجة عملاقة وقديمة، ولكن بدلاً من امتصاص الماء من عاصفة مطرية، فهي تحتفظ بمياه ساخنة جداً في أعماق الأرض. هذا هو عالم الطاقة الحرارية الأرضية، حيث نحاول استغلال حرارة الكوكب الطبيعية لتزويد منازلنا بالطاقة. وللقيام بذلك، يحفر المهندسون آباراً عميقة ويضخون الماء البارد للأسفل، آملين أن يسخن أثناء مروره عبر الشقوق والثقوب الصغيرة في الصخور، ثم يعود للأعلى على شكل بخار أو ماء ساخن. لكن الجزء الصعب هنا هو أن الصخر ليس مجرد إسفنجة ثابتة؛ بل هو هيكل حي يتنفس ويتغير شكله عندما تسخنه أو تضغط عليه بضغط ثقيل أو تدفع من خلاله الماء. فإذا تعرض الصخر لضغط شديد، يمكن للأنفاق الصغيرة (التي تسمى المسام) أن تنغلق، مما يعيق التدفق. وإذا ارتفعت درجة حرارته كثيراً، فقد تتمدد المعادن أو تتشقق، مما يفتح مسارات جديدة أو يسد مسارات قديمة. إن فهم كيفية تفاعل هذه الصخور تحت الأرض مع هذا المزيج من الحرارة والضغط يشبه محاولة التنبؤ بكيفية تمدد شريط مطاطي إذا قمت بتسخينه أثناء شده. وإذا أخطأنا في ذلك، فقد تنسد آبار الطاقة وتتوقف عن العمل، مما يهدر ملايين الدولارات ويتركنا بدون طاقة نظيفة.
هذا هو بالضبط اللغز الذي سعى فريق من الباحثين من جامعة هيباي لحله. لم يكونوا مجرد مخمنين؛ بل كانوا يلعبون لعبة عالية المخاطر من "تخمين مزاج الصخر" باستخدام نوع خاص من الأدمغة الحاسوبية يسمى التعلم الآلي. لقد أخذوا 16 قطعة حقيقية من الحجر الرملي من موقع للطاقة الحرارية الأرضية في جينان بالصين، وأخضعوها لتدريب صارم. قاموا بتسخينها إلى درجات حرارة تصل إلى 80 درجة مئوية، وضغطها بضغوط تصل إلى 19 ميجا باسكال، وضخوا الماء من خلالها بسرعات مختلفة. فعلوا ذلك مراراً وتكراراً، حيث قاموا بتحميل وتفريغ الضغط مثل اختبار الإجهاد، وجمعوا 336 قياساً مختلفاً لمدى سهولة تدفق الماء عبر الصخر.
التحدي الكبير الذي واجهوه كان فخاً مخادعاً غالباً ما يخدع النماذج الحاسوبية، وهو "تسرب البيانات". تخيل أنك تحاول التنبؤ بكيفية أداء طالب معين في اختبار رياضيات؛ إذا سمحت للحاسوب بدراسة واجبات هذا الطالب المنزلية أولاً، ثم اختبرته في نفس الاختبار القصير الخاص به، فسيحصل الحاسوب على درجة كاملة، ولكن فقط لأنه حفظ الإجابات، وليس لأنه تعلم الرياضيات. في علم الصخور، إذا خلطت القياسات من نفس عينة الصخر في كل من مجموعتي "التعلم" و"الاختبار"، فإن الحاسوب سيتعلم فقط الشخصية الفريدة لذلك الصخر، وليس كيف تتصرف الصخور بشكل عام. أدرك الباحثون أنه لكي يصنعوا نموذجاً يمكنه التنبؤ بكيفية تصرف الصخور "الجديدة وغير المرئية"، كان عليهم أن يكونوا صارمين؛ فقد عاملوا كل عينة صخر كأنها "طالب" منفصل، وتأكدوا من أن الحاسوب لم يرَ أبداً "واجبات" صخرة الاختبار أثناء مرحلة التدريب.
باستخدام قاعدة "عدم الخلط" الصارمة هذه، قاموا بتدريب خمسة أنواع مختلفة من نماذج التعلم الآلي للتنبؤ بنفاذية الصخر (مدى سهولة تدفق الماء من خلاله) بناءً على أربعة مدخلات: درجة الحرارة، وضغط الحقن، وضغط الضغط، ومدى مسامية الصخر. وكان الفائز هو نموذج يسمى "الغابة العشوائية" (Random Forest). فكر في هذا النموذج ليس كعبقري واحد، بل كحشد من 100 خبير مختلف؛ حيث ينظر كل خبير إلى البيانات بطريقة مختلفة قلي، ثم يصوتون على الإجابة. وقد تبين أن نهج "حكمة الحشد" هذا كان الأفضل في تخمين كيفية تفاعل صخرة جديدة، حيث حقق معدل نجاح (R²) قدره 0.748. وهذا يعني أن النموذج يمكنه تفسير حوالي 75% من التغيرات في سلوك الصخر، وهو تحسن كبير مقارنة بالطرق الأقدم والأبسط التي تفترض أن العلاقة هي مجرد خط مستقيم.
أحد الاكتشافات الأكثر إثارة للاهتمام كان حول "ذاكرة" الصخر. فعندما ضغطوا على الصخر ثم تركوه، لم يعد الصخر إلى حالته الأصلية تماماً. كان الأمر يشبه شد قطعة من العلكة المستعملة؛ فعندما تتركها، تظل ممتدة قليلاً. وجدوا أنه بعد تفريغ الضغط، كانت قدرة الصخر على تمرير الماء أقل بنسبة 4.41% عما كانت عليه أثناء تحميل الضغط. حدث هذا "التعافي غير المكتمل" غالباً خلال الضغطة الأولى، مما يشير إلى أن المرة الأولى التي تتعرض فيها الصخرة للإجهاد، فإنها تعيد ترتيب شقوقها ومسامها الداخلية بشكل دائم.
كما قام الباحثون ببناء أداة سهلة الاستخدام، تشبه لوحة تحكم رقمية، حيث يمكن للمهندسين إدخال أرقام لدرجة الحرارة والضغط للحصول على تقدير سريع لكيفية تصرف الصخر. ومع ذلك، فهم حذرون جداً في القول بأن هذه الأداة تعمل فقط مع الصخور التي تشبه وتتصرف مثل تلك التي اختبروها (الحجر الرملي من تلك المنطقة المحددة في جينان) وضمن نطاقات درجة الحرارة والضغط التي استخدموها (25-80 درجة مئوية و10-19 ميجا باسكال). إنها ليست كرة بلورية سحرية لكل صخرة على الأرض، لكنها أداة قوية وصادقة لفهم الصخور المحددة التي درسوها. ومن خلال إثبات أنه لا يمكنك مجرد خلط بيانات من نفس الصخرة، وإظهار أن "حشداً" من النماذج الحاسوبية يمكنه التنبؤ بسلوك الصخور بشكل أفضل من معادلة واحدة، تقدم هذه الدراسة للمهندسين طريقة أكثر موثوقية لتصميم أنظمة طاقة حرارية أرضية لن تنسد بسبب الصخور التي يحاولون تسخيرها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.