Evaluation of Machine Learning Models for Geothermal Downhole Temperature Prediction Using Hydrogeochemical Datasets

في أعماق ما تحت سطح الأرض، مختبئة داخل الصخور المتصدعة وخطوط الصدع القديمة، يكمن مستودع هائل من الحرارة. توفر هذه الطاقة الحرارية الأرضية مصدراً نظيفاً ومستقراً للطاقة يمكن أن يساعد الأمم على الابتعيد عن الوقود الأحفوري، ولكن العثور على أفضل الأماكن للحفر يعد مقامرة صعبة ومكلفة. في العديد من المناطق، بما في ذلك وديان الصدع في إثيوبيا، لا يستطيع العلماء ببساطة النظر إلى الأرض لمعرفة مدى حرارتها على بعد أميال في الأسفل. بدلاً من ذلك، يجب عليهم الاعتماد على أدلة غير مباشرة، مثل التركيب الكيميائي للمياه التي دارت عبر الصخور الساخنة وعادت إلى السطح. لعقود من الزمن، استخدم الخبراء هذه البصمات الكيميائية لتخمين درجة حرارة الخزانات الجوفية، لكن هذه التخمينات التقليدية غالباً ما تحمل هامش خطأ كبيراً. كان التحدي يكمن في إيجاد طريقة لتحويل هذه الأدلة الكيميائية المتناثرة إلى خريطة دقيقة للحرارة الموجودة تحت الأرض، وهي مهمة تتطلب رصد أنماط معقدة للغاية لدرجة تعجز الرياضيات القياسية عن حلها.

لقد اتخذ فريق من الباحثين من جامعة أديس أبابا للعلوم والتكنولوجيا نهجاً جديداً لهذه المشكلة باستخدام تعلم الآلة، وهو نوع من الذكاء الحاسوبي الذي يتعلم من البيانات بدلاً من اتباع مجموعة ثابتة من القواعد. قاموا بجمع معلومات من أربعة عشر حقلاً مختلفاً للطاقة الحرارية الأرضية في جميع أنحاء إثيوبيا، وجمعوا مجموعة بيانات تضم ما يقرب من مائتي عينة. لكل عينة، سجلوا درجة الحرارة الموجودة في الأعماق والمكونات الكيميائية المحددة الموجودة في الماء، مثل كميات السيليكا والبوتاسيوم والصوديوم والمغنيسيوم. كان الهدف هو تعليم الكمبيوتر التعرف على العلاقة بين هذه المكونات الكيميائية والحرارة المخفية، مما يسمح له بالتنبؤ بدرجات الحرارة في أماكن لا توجد فيها قياسات مباشرة. اختبر الباحثون خمسة نماذج حاسوبية مختلفة، تتراوح من المعادلات الخطية البسيطة إلى الأنظمة المتقدمة القائمة على الأشجار والتي يمكنها التعامل مع التفاعات المعقدة وغير الخطية بين المتغيرات.

أظهرت النتائج أن النماذج الحاسوبية الأكثر تطوراً كانت أفضل بكثير في أداء المهمة من النماذج الأبسط. وعندما اختبر الباحثون النماذج مقابل بيانات لم يسبق عرضها على الكمبيوتر، نجح النموذج الأكثر نجاحاً، والمعروف باسم "CatBoost"، في التنبؤ بدرجة الحرارة تحت الأرض بدقة عالية. لقد حقق درجة تشير إلى أنه استوعب أكثر من تسعين بالمائة من التباين في درجات الحرارة الحقيقية، مع متوسط خطأ يبلغ حوالي ثلاثة وعشرين درجة مئوية. أما النموذج القوي الآخر، المسمى "Random Forest"، فقد كان أفضل حتى في تقليل حجم أخطائه في المتوسط، حيث لم يخطئ في درجة الحرارة الحقيقية إلا بنحو أحد عشر درجة فقط. في المقابل، عانت النماذج الأبسط، التي تعتمد على علاقات الخط المستقيم، بشكل كبير، حيث أنتجت أخطاءً أكبر بكثير وفشلت في استيعاب النطاق الكامل لدرجات الحرارة. ووجدت الدراسة أن النماذج الحاسوبية تعلمت أن بعض المواد الكيميائية، وخاصة السيليكا والبوتاسيوم، كانت أقوى المؤشرات على الحرارة، بينما تميل مواد أخرى، مثل المغنيسيوم، إلى الانخفاض كلما زادت حرارة الماء.

وعلى الرغم من نجاح هذه الأدوات الحاسوبية، لاحظ الباحثون أن النماذج لا تزال تواجه تحديات عند التنبؤ بدرجات الحرارة الأكثر سخونة. إذ تميل التنبؤات إلى أن تكون أقل دقة قليلاً في النطاق العلوي المتطرف، مما يشير إلى أن الظروف تحت الأرض في تلك المناطق المحددة قد تكون أكثر تعقيداً مما يمكن للبيانات الكيميائية وحدها كشفه. قد يعود ذلك إلى الاختلافات الخفية في أنواع الصخور أو الطريقة التي تتحرك بها السوائل عبر الشقوق، وهي عوامل لم تلتقطها العينات الكيميائية بشكل كامل. وخلص الفريق إلى أنه بينما تعد نماذج تعلم الآلة هذه أدوات قوية لتقليل عدم اليقين في استكشاف الطاقة الحرارية الأرضية، فإنها تعمل بشكل أفضل عند دمجها مع فهم عميق للجيولوجيا المحلية. ومن خلال استخدام هذه الأدوات الرقمية لتفسير اللغة الكيميائية للأرض، يمكن للعلماء اتخاذ قرارات أكثر استنارة بشأن مكان الحفر، مما قد يوفر الوقت والمال مع فتح آفاق لمستقبل طاقة أنظف.