Permeability Evolution and Cross-Specimen Machine-Learning Prediction of Geothermal-Reservoir Sandstone under Coupled Temperature and Pressure

पृथ्वी की पपड़ी (क्रस्ट) की कल्पना एक विशाल, प्राचीन स्पंज के रूप में करें, लेकिन यह बारिश के तूफान से पानी सोखने के बजाय, जमीन के नीचे बहुत गर्म पानी को थामे रखती है। यह भूतापीय ऊर्जा (जियोथर्मल एनर्जी) की दुनिया है, जहाँ हम अपने घरों को बिजली देने के लिए ग्रह की प्राकृतिक गर्मी का उपयोग करने की कोशिश करते हैं। ऐसा करने के लिए, इंजीनियर गहरे कुएं खोदते हैं और ठंडा पानी नीचे पंप करते हैं, इस उम्मीद में कि जब यह चट्टान के सूक्ष्म दरारों और छेदों से होकर गुजरेगा तो गर्म हो जाएगा, और फिर भाप या गर्म पानी के रूप में वापस ऊपर आएगा। लेकिन यहाँ पेचीदा हिस्सा यह है: चट्टान केवल एक स्थिर स्पंज नहीं है। यह एक जीवित, सांस लेती संरचना है जो गर्म होने पर अपना आकार बदल लेती है, भारी दबाव के साथ दबती है, या जब इसमें पानी पंप किया जाता है। यदि चट्टान बहुत अधिक दब जाती है, तो सूक्ष्म सुरंगें (जिन्हें छिद्र या पोर्स कहा जाता है) बंद हो सकती हैं, जिससे प्रवाह रुक सकता है। यदि यह बहुत गर्म हो जाती है, तो खनिज फैल सकते या टूट सकते हैं, जिससे नए रास्ते खुल सकते हैं या पुराने रास्ते बंद हो सकते हैं। यह समझना कि ये भूमिगत चट्टानें गर्मी और दबाव के इस मिश्रण के प्रति कैसी प्रतिक्रिया देती है, एक रबर बैंड को खींचने की भविष्यवाणी करने जैसा है यदि आप इसे खींचते समय गर्म कर रहे हों। यदि हम इसमें गलती करते हैं, तो ऊर्जा के कुएं बंद हो सकते हैं और काम करना बंद कर सकते हैं, जिससे लाखों डॉलर बर्बाद हो सकते हैं और हम स्वच्छ ऊर्जा से वंचित रह सकते हैं।

यही वह पहेली है जिसे हेबेई यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने हल करने का संकल्प लिया। वे केवल अनुमान नहीं लगा रहे थे; वे मशीन लर्निंग नामक एक विशेष प्रकार के कंप्यूटर मस्तिष्क का उपयोग करके "चट्टान के मूड का अनुमान लगाने" का एक उच्च-दांव वाला खेल खेल रहे थे। उन्होंने चीन के जिनान में एक भूतापीय स्थल से बलुआ पत्थर (सैंडस्टोन) के 1 16 वास्तविक टुकड़ों को लिया और उन्हें एक कठोर वर्कआउट से गुजारा। उन्होंने उन्हें 80°C तक के तापमान तक गर्म किया, 19 MPa तक के दबाव के साथ दबाया, और अलग-अलग गति से पानी पंप किया। उन्होंने यह बार-बार किया, दबाव को लोड और अनलोड करते हुए, जैसे कि एक स्ट्रेस टेस्ट होता है, और यह देखते हुए कि चट्टान के माध्यम से पानी कितनी आसानी से बह सकता है, 336 अलग-अलग माप एकत्र किए।

बड़ी चुनौती एक ऐसी चालाकी भरी जाल थी जो अक्सर कंप्यूटर मॉडल को धोखा देती है: "डेटा लीकेज"। कल्पना कीजिए कि आप यह भविष्यवाणी करने की कोशिश कर रहे हैं कि एक विशिष्ट छात्र गणित के टेस्ट में कैसा प्रदर्शन करेगा। यदि आप कंप्यूटर को उस छात्र के होमवर्क को पढ़ने देते हैं और फिर उसी छात्र के क्विज़ पर उसका परीक्षण करते हैं, तो कंप्यूटर का स्कोर एकदम सही होगा, लेकिन केवल इसलिए क्योंकि उसने उत्तरों को याद कर लिया है, न कि इसलिए कि उसने गणित सीखा है। रॉक साइंस में, यदि आप एक ही चट्टान के नमूने के मापों को "सीखने" और "परीक्षण" दोनों समूहों में मिला देते हैं, तो कंप्यूटर केवल उस एक चट्टान के अनूठे व्यक्तित्व को सीख लेता है, न कि यह कि चट्टानें सामान्य रूप से कैसे व्यवहार करती हैं। शोधकर्ताओं ने महसूस किया कि एक ऐसा मॉडल बनाने के लिए जो नए, अनदेखे चट्टानों के व्यवहार की भविष्यवाणी कर सके, उन्हें सख्त होना होगा। उन्होंने प्रत्येक चट्टान के नमूने को एक अलग "छात्र" माना और यह सुनिश्चित किया कि कंप्यूटर प्रशिक्षण के दौरान कभी भी परीक्षण वाली चट्टान का होमवर्क न देख पाए।

इस सख्त "कोई मिश्रण नहीं" वाले नियम का उपयोग करते हुए, उन्होंने तापमान, इंजेक्शन प्रेशर, स्क्वीजिंग प्रेशर और चट्टान के छिद्रपूर्ण होने (पोरोसिटी) के चार इनपुट के आधार पर चट्टान की पारगम्यता (permeability - यानी पानी कितनी आसानी से बहता है) की भविष्यवाणी करने के लिए पांच अलग-अलग प्रकार के मशीन लर्निंग मॉडल को प्रशिक्षित किया। विजेता "रैंडम फॉरेस्ट" (Random Forest) नामक मॉडल था। इस मॉडल को एक अकेले जीनियस के रूप में नहीं, बल्कि 100 अलग-अलग विशेषज्ञों की भीड़ के रूप में सोचें। प्रत्येक विशेषज्ञ डेटा को थोड़ा अलग तरीके से देखता है, और वे उत्तर पर मतदान करते हैं। यह "भीड़ की बुद्धिमत्ता" वाला दृष्टिकोण एक बिल्कुल नई चट्टान के व्यवहार का अनुमान लगाने में सबसे अच्छा साबित हुआ, जिसने 0.748 की सफलता दर (R²) हासिल की। इसका मतलब है कि मॉडल चट्टान के व्यवहार में होने वाले बदलावों के बारे में लगभग 75% बदलावों की व्याख्या कर सकता है, जो कि पुराने, सरल तरीकों की तुलना में एक बड़ा सुधार है जो यह मानते थे कि संबंध केवल एक सीधी रेखा की तरह है।

उनकी सबसे दिलचस्प खोजों में से एक चट्टान की "याददाश्त" के बारे में थी। जब उन्होंने चट्टान को दबाया और फिर छोड़ दिया, तो चट्टान पूरी तरह से अपनी मूल स्थिति में वापस नहीं आई। यह च्युइंग गम के एक टुकड़े को खींचने जैसा था; जब आप इसे छोड़ देते हैं, तो यह थोड़ा खिंचा हुआ रहता है। उन्होंने पाया कि दबाव कम करने के बाद, चट्टान की पानी को गुजरने देने की क्षमता दबाव डालने के समय की तुलना में लगभग 4.41% कम थी। यह "अपूर्ण रिकवरी" मुख्य रूप से पहले दबाव (squeeze) के दौरान हुई, जिससे पता चलता है कि पहली बार जब आप चट्टान पर तनाव डालते हैं, तो वह अपनी आंतरिक दरारों और छिद्रों को स्थायी रूप से पुनर्गठित कर लेती है।

शोधकर्ताओं ने एक उपयोगकर्ता के अनुकूल उपकरण भी बनाया, जैसे कि एक डिजिटल डैशबोर्ड, जहाँ इंजीनियर तापमान और दबाव के लिए नंबर डालकर चट्टान कैसे व्यवहार करेगी, इसका त्वरित अनुमान प्राप्त कर सकते हैं। हालाँकि, वे इस बात को लेकर बहुत सावधान हैं कि यह उपकरण केवल उन्हीं चट्टानों के लिए काम करता है जो उनके द्वारा परीक्षण की गई चट्टानों (जिनान के उस विशिष्ट क्षेत्र के बलुआ पत्थर) की तरह दिखती हैं और व्यवहार करती हैं और विशिष्ट तापमान और दबाव सीमाओं (25–80°C और 10–19 MPa) के भीतर काम करती हैं। यह दुनिया की हर चट्टान के लिए जादुई क्रिस्टल बॉल नहीं है, लेकिन यह उनके द्वारा अध्ययन की गई विशिष्ट चट्टानों को समझने के लिए एक शक्तिशाली, ईमानदार उपकरण है। यह साबित करके कि आप एक ही चट्टान के डेटा को मिला नहीं सकते, और यह दिखाकर कि एक "भीड़" (crowd) मॉडल का उपयोग करना एकल सूत्र के मुकाबले चट्टान के व्यवहार की भविष्यवाणी करने में बेहतर है, यह अध्ययन इंजीनियरों को भूतापीय प्रणालियों को डिजाइन करने का एक अधिक विश्वसनीय तरीका देता है जो उन चट्टानों के कारण बंद नहीं होंगे जिनका वे उपयोग करने की कोशिश कर रहे हैं।