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

지표면 아래 깊은 곳, 부서진 암석과 고대의 단층 사이에 숨겨진 거대한 열의 저장고가 존재합니다. 이 지열 에너지는 국가들이 화석 연료에서 벗어날 수 있도록 돕는 깨끗하고 안정적인 에너지원입니다. 하지만 최적의 시추 장소를 찾는 것은 어렵고 비용이 많이 드는 도박입니다. 에티오피아의 지구대와 같은 많은 지역에서 과학자들은 단순히 지표면을 보고 수 마일 아래가 얼마나 뜨거운지 알 수 없습니다. 대신, 그들은 뜨거운 암석을 통과해 지표면으로 돌아온 물의 화학적 성분과 같은 간접적인 단서에 의존해야 합니다. 수십 년 동안 전문가들은 이러한 화학적 지표를 사용하여 지하 저류층의 온도를 추측해 왔지만, 이러한 전통적인 추측은 종종 큰 오차 범위를 수반했습니다. 과제는 이러한 흩어진 화학적 단서들을 정밀한 지하 열 지도로 바꾸는 것이었으며, 이는 표준적인 수학으로는 해결하기에는 너무 복잡한 패턴을 포착해야 하는 작업입니다.

아디스아바바 과학기술대학교의 연구진은 고정된 규칙을 따르는 대신 데이터로부터 학습하는 일종의 컴퓨터 지능인 머신러닝을 사용하여 이 문제에 대한 새로운 접근 방식을 취했습니다. 그들은 에티오피아 전역의 14개 서로 다른 지열 지대에서 정보를 수집하여 약 200개의 샘플으로 구성된 데이터 세트를 구축했습니다. 각 샘플에 대해, 그들은 지하 깊은 곳에서 발견된 온도와 실리카, 칼륨, 나트륨, 마그네슘의 양과 같이 물에 포함된 특정 화학 성분을 기록했습니다. 목표는 컴퓨터가 이러한 화학 성분과 숨겨진 열 사이의 관계를 인식하도록 학습시켜, 직접적인 측정이 존재하지 않는 곳에서도 온도를 예측할 수 있게 하는 것이었습니다. 연구진은 단순한 선형 방정식부터 변수 간의 복잡하고 비선형적인 상호작용을 처리할 수 있는 고급 트리 기반 시스템에 이르기까지 다섯 가지 서로 다른 컴퓨터 모델을 테스트했습니다.

결과는 더 정교한 컴퓨터 모델이 단순한 모델보다 훨씬 더 뛰어난 성능을 보였다는 것을 보여주었습니다. 연구진이 모델에 보여준 적 없는 데이터로 모델을 테스트했을 때, 캣부스트(CatBoost)라고 알려진 가장 성공적인 모델은 높은 정확도로 지하 온도를 예측했습니다. 이 모델은 실제 온도의 변동성을 90% 이상 포착했다는 점수를 기록했으며, 평균 오차는 약 23도였습니다. 또 다른 강력한 성능을 보인 랜덤 포레스트(Random Forest)는 평균적인 실수 크기를 줄이는 데 훨씬 더 효과적이었으며, 실제 온도를 약 11도 정도만 차이 나게 예측했습니다. 반면, 직선적인 관계에 의존하는 단순한 모델들은 상당한 어려움을 겪었으며, 훨씬 더 큰 오차를 발생시켰고 전체 온도 범위를 제대로 포착하지 못했습니다. 연구 결과, 컴퓨터 모델은 특정 화학 물질, 특히 실리카와 칼륨이 열의 가장 강력한 지표라는 것을 학습한 반면, 마그네슘과 같은 다른 물질은 물이 뜨거워질수록 감소하는 경향이 있다는 것을 알아냈습니다.

이러한 컴퓨터 도구의 성공에도 불구하고, 연구진은 모델이 매우 뜨거운 온도를 예측할 때 여전히 어려움에 직면한다는 점에 주목했습니다. 예측값은 극단적인 상위 범위에서 다소 정확도가 떨어지는 경향을 보였는데, 이는 해당 특정 구역의 지하 조건이 화학 데이터만으로는 밝혀낼 수 없는 더 복잡한 상태일 수 있음을 시사합니다. 이는 암석 유형의 숨겨진 변이나 유체가 균열을 통해 이동하는 방식 때문일 수 있으며, 이러한 요소들은 화학 샘플이 완전히 포착하지 못한 것들입니다. 연구팀은 머신러닝 모델이 불확실성을 줄이는 강력한 도구이지만, 현지 지질학에 대한 깊은 이해와 결합될 때 가장 효과적이라고 결론지었습니다. 지구의 화학적 언어를 해석하기 위해 이러한 디지털 도구를 사용함으로써, 과학자들은 어디에 시추할지에 대해 더 정보에 입각한 결정을 내릴 수 있으며, 이는 잠재적으로 시간과 비용을 절약하면서 더 깨끗한 에너지 미래를 열어줄 수 있습니다.