Data-Driven Geothermal Microseismic Clustering Using Machine Learning
Cette étude propose un cadre de regroupement microsismique piloté par les données qui intègre la similitude des formes d'ondes avec des paramètres spatiaux et temporels en utilisant l'apprentissage automatique non supervisé afin de produire des caractérisations de fractures de réservoirs géothermiques plus interprétables physiquement et à plus haute résolution que les méthodes conventionnelles.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Bien en dessous de la surface de la Terre, de vastes réservoirs d'eau chaude et de vapeur détiennent le potentiel de alimenter nos villes avec une énergie propre et renouvelable. Pour capter cette chaleur, les ingénieurs forent souvent des puits profonds et injectent de l'eau sous haute pression pour fracturer la roche environnante, créant ainsi un réseau de fissures qui permet au fluide de circer et de transférer la chaleur. Ce processus, connu sous le nom de stimulation hydraulique, est une prouesse d'ingénierie délicate. À mesure que la roche se fracture, elle libère de minuscules tremblements à peine perceptibles appelés événements microséismiques. Ces tremblements sont le seul signal direct dont nous disposons de ce qui se passe à des kilomètres de profondeur, agissant comme une radiographie naturelle qui révèle la forme, la taille et l'orientation des nouvelles fissures. Comprendre la géométrie de ce réseau de fractures est crucial ; si les fissures sont trop petites ou mal connectées, le réservoir ne produira pas assez d'énergie. Si elles sont trop larges ou s'étendent dans des zones inattendues, elles pourraient présenter des risques pour la géologie environnante.
Pendant des décennies, des scientifiques ont tenté de cartographier ces systèmes de fractures cachés en regroupant ces minuscules tremblements. La méthode traditionnelle repose largement sur la comparaison des ondes sonores générées par chaque événement. Si deux tremblements produisent des motifs d'ondes presque identiques, les chercheurs supposent qu'ils sont originaires du même endroit sur la même fissure. Cependant, cette approche revient à essayer de trier un immense tas de pierres d'apparence similaire en écoutant le son qu'elles font lorsqu'elles sont lâchées ; cela nécessite de nombreux essais et erreurs, et cela manque souvent la vue d'ensemble de l'endroit et du moment où les fissures se forment. Les résultats peuvent être ambigus, regroupant parfois des événements éloignés dans le temps ou dans l'espace simplement parce que leurs sons se ressemblent, ce qui obscurcit la véritable structure du réseau de fractures souterrain.
Dans une étude récente, des chercheurs de l'Université de Tohoku et de l'Institut des sciences et technologies industrielles avancées du Japon ont proposé une nouvelle façon de résoudre ce casse-tête. Au lieu de se fier uniquement aux ondes sonores, ils ont développé un cadre axé sur les données qui utilise l'apprentissage automatique pour regrouper ces événements microséismiques en examinant trois éléments simultanément : la similitude de leurs ondes sonores, leur proximité spatiale et leur proximité temporelle. Ils ont testé cette méthode sur les données du système géothermique amélioré de Bâle, en Suisse, un site bien connu où un projet massif de stimulation hydraulique a eu lieu en 2006. Lors de ce projet, de l'eau a été injectée dans un puits foré à 4 740 mètres de profondeur dans le socle granitique, générant des milliers d'événements microséismiques qui ont été enregistrés par un réseau local de capteurs.
Les chercheurs ont injecté ces données dans un algorithme d'apprentissage automatique appelé regroupement hiérarchique ascendant (agglomerative hierarchical clustering). Cette méthode fonctionne en partant de chaque événement comme étant son propre groupe, puis en les fusionnant lentement en fonction de leur similitude selon les trois critères. Pour s'assurer que les différents types de données — son, distance et temps — puissent être comparés équitablement, ils ont utilisé une technique mathématique pour standardiser les valeurs, garantissant qu'un type de mesure ne l'emporte pas sur les autres. De manière cruciale, ils ont également ajouté une nouvelle couche d'information spatiale : la direction de chaque événement par rapport au point d'injection. En mesurant l'angle et l'élévation de chaque tremblement par rapport au puits, ils pouvaient mieux comprendre le flux directionnel des fractures, un peu comme observer comment une ride se propage vers l'extérieur après qu'une pierre a été jetée dans un étang.
Les résultats ont été frappants. Lorsque les chercheurs ont appliqué cette nouvelle méthode aux données relocalisées de Bâle, l'algorithme d'apprentissage automatique a réussi à regrouper les événements en 77 clusters distincts. Ces clusters formaient des motifs linéaires clairs qui correspondaient étroitement à l'orientation connue des fractures dans la zone, lesquelles sont connues pour être presque verticales et alignées dans une direction spécifique due à la contrainte locale de la croûte terrestre. Cet alignement est cohérent avec ce que les géologues s'attendent à trouver dans cette région. De plus, en incluant la différence de temps entre les événements, la méthode a efficacement empêché le regroupement de tremblements distants et non liés. Dans l'approche traditionnelle, des événements survenus des jours ou des semaines plus tard pourraient tout de même être regroupés si leurs sons étaient similaires, mais la nouvelle méthode maintenait les groupes serrés dans le temps, montant que les fractures étaient actives pendant moins de trois jours durant la période de stimulation.
L'étude a également comparé cette nouvelle approche aux méthodes plus anciennes et a constaté que, bien que les techniques traditionnelles puissent produire des résultats similaires, elles nécessitaient souvent l'intervention d'experts humains pour ajuster manuellement les paramètres et faire des choix subjectifs sur le regroupement des événements. Le nouveau cadre axé sur les données a atteint une précision comparable sans nécessiter ce niveau d'intervention humaine, à condition que la localisation initiale des événements soit relativement précise. Les chercheurs ont noté que la méthode performait mieux lorsque les données de départ avaient déjà été affinées, suggérant que cet outil d'apprentissage automatique pourrait servir d'étape automatisée puissante dans le processus de cartographie des fractures souterraines. En intégrant le son, l'espace et le temps dans une analyse unique et équilibrée, l'étude offre une façon plus fiable et flexible de visualiser l'architecture cachée des réservoirs géothermiques, rendant potentiellement plus facile l'exploitation sûre et efficace de la chaleur de la Terre à l'avenir.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.