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

Profondément sous la surface de la Terre, cachée au sein des roches fracturées et des anciennes lignes de faille, se trouve un vaste réservoir de chaleur. Cette énergie géothermique offre une source d'énergie propre et constante qui pourrait aider les nations à s'éloigner des combustibles fossiles, mais identifier les meilleurs endroits où forer est un pari difficile et coûteux. Dans de nombreuses régions, y compris les vallées de fracture en Éthiopie, les scientifiques ne peuvent pas simplement regarder le sol pour voir à quel point il fait chaud à des kilomètres de profondeur. Au lieu de cela, ils doivent s'appuyer sur des indices indirects, tels que la composition chimique de l'eau qui a circulé à travers les roches chaudes avant de remonter à la surface. Pendant des décennies, les experts ont utilisé ces signatures chimiques pour deviner la température des réservoirs souterrains, mais ces estimations traditionnelles comportent souvent une marge d'erreur importante. Le défi consiste à trouver un moyen de transformer ces indices chimiques dispersés en une carte précise de la chaleur souterraine, une tâche qui nécessite de repérer des motifs trop complexes pour être résolus par les mathématiques standards.

Une équipe de chercheurs de l'Université de science et technologie d'Addis-Abeba a adopté une nouvelle approche pour ce problème en utilisant l'apprentissage automatique, un type d'intelligence informatique qui apprend à partir de données plutôt que de suivre un ensemble de règles fixes. Ils ont rassemblé des informations provenant de quatorze champs géothermiques différents à travers l'Éthiopie, compilant un ensemble de données de près de deux cents échantillons. Pour chaque échantillon, ils ont enregistré la température trouvée profondément sous terre et les ingrédients chimiques spécifiques présents dans l'eau, tels que les quantités de silice, de potassium, de sodium et de magnésium. L'objectif était d'apprendre à un ordinateur à reconnaître la relation entre ces ingrédients chimiques et la chaleur cachée, lui permettant ainsi de prédire les températures dans des endroits où aucune mesure directe n'existe. Les chercheurs ont testé cinq modèles informatiques différents, allant d'équations linéaires simples à des systèmes avancés basés sur des arbres capables de gérer des interactions complexes et non linéaires entre les variables.

Les résultats ont montré que les modèles informatiques les plus sophistiqués étaient bien plus performants que les plus simples. Lorsque les chercheurs ont testé les modèles par rapport à des données que l'ordinateur n'avait pas encore vues, le modèle le plus réussi, connu sous le nom de CatBoost, a prédit la température souterraine avec un haut degré de précision. Il a obtenu un score indiquant qu'il capturait plus de quatre-vingt-dix pour cent de la variation des températures réelles, avec une erreur moyenne d'environ vingt-trois degrés Celsius. Un autre performeur solide, appelé Random Forest, était même meilleur pour minimiser l'ampleur de ses erreurs en moyenne, ne manquant la température réelle que d'environ onze degrés. En revanche, les modèles plus simples, qui reposent sur des relations linéaires, ont eu beaucoup de mal, produisant des erreurs bien plus importantes et échouant à capturer toute la gamme de températures. L'étude a révélé que les modèles informatiques ont appris que certains produits chimiques, particulièrement la silice et le potassium, étaient les indicateurs de chaleur les plus forts, tandis que d'autres, comme le magnésium, avaient tendance à diminuer à mesure que l'eau chauffait.

Malgré le succès de ces outils informatiques, les chercheurs ont noté que les modèles rencontraient encore des difficultés lors de la prédiction des températures les plus élevées. Les prédictions avaient tendance à être légèrement moins précises dans la plage extrême supérieure, suggérant que les conditions souterraines dans ces zones spécifiques pourraient être plus complexes que ce que les données chimiques seules pourraient révéler. Cela pourrait être dû à des variations cachées dans les types de roches ou dans la manière dont les fluides circulent à travers les fractures, des facteurs que les échantillons chimiques n'ont pas pleinement capturés. L'équipe a conclu que, bien que ces modèles d'apprentissage automatique soient des outils puissants pour réduire l'incertitude dans l'exploration géothermique, ils fonctionnent mieux lorsqu'ils sont combinés à une compréhension profonde de la géologie locale. En utilisant ces outils numériques pour interpréter le langage chimique de la Terre, les scientifiques peuvent prendre des décisions plus éclairées sur les lieux où forer, permettant potentiellement de gagner du temps et de l'argent tout en débloquant un avenir énergétique plus propre.