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

Muy por debajo de la superficie de la Tierra, oculto entre rocas fracturadas y antiguas líneas de falla, se encuentra un vasto reservorio de calor. Esta energía geotérmica ofrece una fuente de energía limpia y constante que podría ayudar a las naciones a alejarse de los combustibles fósiles, pero encontrar los mejores lugares para perforar es una apuesta difícil y costosa. En muchas regiones, incluidos los valles de rift de Etiopía, los científicos no pueden simplemente mirar el suelo para ver qué tan caliente está a millas de profundidad. En su lugar, deben confiar en pistas indirectas, como la composición química del agua que ha circulado a través de las rocas calientes y ha regresado a la superficie. Durante décadas, los expertos han utilizado estas firmas químicas para adivinar la temperatura de los reservorios subterráneos, pero estas conjeturas tradicionales suelen conllevar un gran margen de error. El desafío ha sido encontrar una manera de convertir estas pistas químicas dispersas en un mapa preciso del calor subterráneo, una tarea que requiere detectar patrones demasiado complejos para que la matemática estándar los resuelva.

Un equipo de investigadores de la Universidad de Ciencia y Tecnología de Addis Abeba ha adoptado un nuevo enfoque para este problema mediante el uso del aprendizaje automático, un tipo de inteligencia computacional que aprende de los datos en lugar de seguir un conjunto fijo de reglas. Recopilaron información de catorce campos geotérmicos diferentes en toda Etiopia, compilando un conjunto de datos de casi doscientas muestras. Para cada muestra, registraron la temperatura encontrada en las profundidades del subsuelo y los ingredientes químicos específicos presentes en el agua, como las cantidades de sílice, potasio, sodio y magnesio. El objetivo era enseñar a una computadora a reconocer la relación entre estos ingredientes químicos y el calor oculto, permitiéndole predecir temperaturas en lugares donde no existen mediciones directas. Los investigadores probaron cinco modelos computacionales diferentes, que van desde ecuaciones lineales simples hasta sistemas avanzados basados en árboles que pueden manejar interacciones complejas y no lineales entre variables.

Los resultados mostraron que los modelos computacionales más sofisticados eran mucho mejores en la tarea que los más simples. Cuando los investigadores probaron los modelos con datos que no le habían mostrado a la computadora antes, el modelo más exitoso, conocido como CatBoost, predijo correctamente la temperatura subterránea con un alto grado de precisión. Logró una puntuación que indicaba que capturó más del noventa por ciento de la variación en las temperaturas reales, con un error promedio de unos veintitrés grados Celsius. Otro competidor fuerte, llamado Random Forest, fue incluso mejor al minimizar el tamaño de sus errores en promedio, fallando por solo unos once grados respecto a la temperatura real. En contraste, los modelos más simples, que dependen de relaciones de línea recta, tuvieron dificultades significativas, produciendo errores mucho mayores y fallando en capturar todo el rango de temperaturas. El estudio encontró que los modelos computacionales aprendieron que ciertos productos químicos, particularmente el sílice y el potasio, eran los indicadores de calor más fuertes, mientras que otros, como el magnesio, tendían a disminuir a medida que el agua se calentaba.

A pesar del éxito de estas herramientas computacionales, los investigadores señalaron que los modelos aún enfrentaban desafíos al predecir las temperaturas más altas. Las predicciones tendían a ser ligeramente menos precisas en el rango superior extremo, lo que sugiere que las condiciones subterráneas en esas zonas específicas podrían ser más complicadas de lo que los datos químicos por sí solos podrían revelar. Esto podría deberse a variaciones ocultas en los tipos de rocas o en la forma en que los fluidos se mueven a través de las fracturas, factores que las muestras químicas no capturaron plenamente. El equipo concluyó que, si bien estos modelos de aprendizaje automático son herramientas poderosas para reducir la incertidumbre en la exploración geotérmica, funcionan mejor cuando se combinan con una comprensión profunda de la geología local. Al utilizar estas herramientas digitales para interpretar el lenguaje químico de la Tierra, los científicos pueden tomar decisiones más informadas sobre dónde perforar, potencialmente ahorrando tiempo y dinero mientras desbloquean un futuro energético más limpio.