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

Tief unter der Erdoberfläche, verborgen in zerklüfteten Gesteinen und alten Verwerfungslinien, liegt ein riesiges Reservoir an Hitze. Diese geothermische Energie bietet eine saubere, stetige Energiequelle, die Nationen dabei helfen könnte, sich von fossilen Brennstoffen abzuwenden, doch die besten Orte zum Bohren zu finden, ist ein schwieriges und teures Glücksspiel. In vielen Regionen, einschließlich der Rift-Täler in Äthiopien, können Wissenschaftler nicht einfach auf den Boden schauen, um zu sehen, wie heiß es in Kilometern der Tiefe ist. Stattdessen müssen sie sich auf indirekte Hinweise verlassen, wie etwa die chemische Zusammensstellung des Wassers, das durch die heißen Gesteine zirkuliert ist und an die Oberfläche zurückgekehrt ist. Jahrzehntelang haben Experten diese chemischen Signaturen genutzt, um die Temperatur der unterirdischen Reservoire zu erraten, aber diese traditionellen Vermutungen sind oft mit einer großen Fehlermarge behaftet. Die Herausforderung bestand darin, einen Weg zu finden, diese verstreuten chemischen Hinweise in eine präzise Karte der unterirdischen Hitze zu verwandeln – eine Aufgabe, die das Erkennen von Mustern erfordert, die zu komplex für die Standardmathematik sind.

Ein Forscherteam der Addis Ababa Science and Technology University hat einen neuen Ansatz für dieses Problem gewählt, indem sie maschinelles Lernen einsetzten, eine Art von künstlicher Intelligenz, die aus Daten lernt, anstatt festen Regeln zu folgen. Sie sammelten Informationen aus vierzehn verschiedenen geothermischen Feldern in ganz Äthiopien und stellten einen Datensatz von fast zweihundert Proben zusammen. Für jede Probe erfassten sie die in der Tiefe gemessene Temperatur sowie die spezifischen chemischen Bestandteile, die im Wasser vorhanden waren, wie etwa die Mengen an Siliziumdioxid, Kalium, Natrium und Magnesium. Das Ziel war es, einem Computer beizubringen, die Beziehung zwischen diesen chemischen Inhaltsstoffen und der verborgenen Hitze zu erkennen, sodass er Temperaturen an Orten vorhersagen kann, an denen keine direkten Messungen vorliegen. Die Forscher testeten fünf verschiedene Computermodelle, die von einfachen linearen Gleichungen bis hin zu fortgeschrittenen baumbasierten Systemen reichten, welche komplexe, nicht-lineare Wechselwirkungen zwischen Variablen verarbeiten können.

Die Ergebnisse zeigten, dass die anspruchsvolleren Computermodelle weitaus besser bei der Arbeit waren als die einfacheren. Als die Forscher die Modelle mit Daten testeten, die der Computer zuvor noch nicht gesehen hatte, sagte das erfolgreichste Modell, bekannt als CatBoost, die unterirdische Temperatur mit einem hohen Grad an Genauigkeit voraus. Es erreichte einen Wert, der darauf hindeutete, dass es über neunzig Prozent der Variationen der tatsächlichen Temperaturen erfasste, bei einem durchschnittlichen Fehler von etwa dreiundzwanzig Grad Celsius. Ein weiteres starkes Modell namens Random Forest war sogar noch besser darin, die Größe seiner Fehler im Durchschnitt zu minimieren, wobei es die wahre Temperatur nur um etwa elf Grad verfehlte. Im Gegensatz dazu hatten die einfacheren Modelle, die auf geradlinigen Beziehungen beruhen, erheblich zu kämpfen, produzierten viel größere Fehler und scheiterten daran, die volle Bandbreite der Temperaturen zu erfassen. Die Studie ergab, dass die Computermodelle lernten, dass bestimmte Chemikalien, insbesondere Siliziumdioxid und Kalium, die stärksten Indikatoren für Hitze waren, während andere, wie Magnesium, dazu neigten, abzunehmen, wenn das Wasser heißer wurde.

Trotz des Erfolgs dieser Computertools merkten die Forscher an, dass die Modelle beim Vorhersagen der sehr heißesten Temperaturen immer noch vor Herausforderungen standen. Die Vorhersagen waren im extremen oberen Bereich tendenziell etwas weniger genau, was darauf hindeutet, dass die unterirdischen Bedingungen in diesen spezifischen Zonen komplizierter sein könnten, als es die chemischen Daten allein offenbaren könnten. Dies könnte auf verborgene Variationen in den Gesteinsarten oder die Art und Weise zurückzuführen sein, wie Fluide durch Klüfte fließen – Faktoren, die die chemischen Proben nicht vollständig erfassen konnten. Das Team kam zu dem Schluss, dass diese maschinellen Lernmodelle zwar leistungsstarke Werkzeuge zur Verringerung von Unsicherheiten in der geothermischen Exploration sind, sie aber am besten in Kombination mit einem tiefen Verständnis der lokalen Geologie funktionieren. Indem sie diese digitalen Werkzeuge nutzen, um die chemische Sprache der Erde zu interpretieren, können Wissenschaftler fundiertere Entscheidungen darüber treffen, wo gebohrt werden sollte, was potenziell Zeit und Geld spart und den Weg zu einer saubereren Energiezukunft ebnet.