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

Diep onder het aardoppervlak, verborgen in gebarsten gesteenten en oude breuklijnen, ligt een enorme voorraad warmte. Deze geothermische energie biedt een schone, constante bron van kracht die landen kan helpen weg te bewegen van fossiele brandstoffen, maar het vinden van de beste plekken om te boren is een moeilijke en dure gok. In veel regio's, waaronder de riftvalleien van Ethiopië, kunnen wetenschappers niet simpelweg naar de grond kijken om te zien hoe heet het mijlenver diep beneden is. In plaats daarvan moeten ze vertrouwen op indirecte aanwijzingen, zoals de chemische samenstelling van water dat door de hete gesteenten is gecirculeerd en naar het oppervlak is teruggekeerd. Decennialang hebben experts deze chemische handtekeningen gebruikt om de temperatuur van de ondergrondse reservoirs te raden, maar deze traditionele gissingen gaan vaak gepaard met een grote foutmarge. De uitdaging is geweest om een manier te vinden om deze verspreide chemische aanwijzingen om te zetten in een precieze kaart van de ondergrondse hitte, een taak die het vereist om patronen te herkennen die te complex zijn voor standaard wiskunde om op te lossen.

Een team onderzoekers van de Addis Ababa Science and Technology University heeft een nieuwe aanpak voor dit probleem gekozen door gebruik te maken van machine learning, een vorm van computerintelligentie die leert van data in plaats van vaste regels te volgen. Ze verzamelden informatie van veertien verschillende geothermische velden in Ethiopië en stelden een dataset samen van bijna tweehonderd monsters. Voor elk monster registreerden ze de temperatuur die diep onder de grond werd gevonden en de specifieke chemische ingrediënten die in het water aanwezig waren, zoals de hoeveelheden silica, kalium, natrium en magnesium. Het doel was om een computer te leren de relatie tussen deze chemische ingrediënten en de verborgen hitte te herkennen, waardoor het de temperatuur kan voorspellen op plaatsen waar geen directe metingen bestaan. De onderzoekers testten vijf verschillende computermodellen, variërend van eenvoudige lineaire vergelijkingen tot geavanceerde boomstructuur-systemen die complexe, niet-lineaire interacties tussen variabelen kunnen afhandelen.

De resultaten toonden aan dat de meer geavanceerde computermodellen veel beter waren in de taak dan de eenvoudigere modellen. Wanneer de onderzoekers de modellen testten tegen data die ze nog niet aan de computer hadden getoond, voorspelde het meest succesvolle model, bekend als CatBoost, de ondergrondse temperatuur met een hoge mate van nauwkeurigheid. Het behaalde een score die aangaf dat het meer dan negentig procent van de variatie in de werkelijke temperaturen vastlegde, met een gemiddelde fout van ongeveer drieëntwintig graden Celsius. Een andere sterke presteerder, genaamd Random Forest, was zelfs nog beter in het minimaliseren van de omvang van de fouten gemiddeld genomen, waarbij het de werkelijke temperatuur slechts met ongeveer elf graden miste. In contrast hiermee hadden de eenvoudigere modellen, die vertrouwen op rechte lijnrelaties, aanzienlijke problemen en produceerden veel grotere fouten en slaagden er niet in de volledige reeks temperaturen te vatten. De studie vond dat de computermodellen leerden dat bepaalde chemicaliën, met name silica en kalium, de sterkste indicatoren van hitte waren, terwijl anderen, zoals magnesium, de neiging hadden af te nemen naarmate het water heter werd.

Ondanks het succes van deze computertools merkten de onderzoekers op dat de modellen nog steeds uitdagingen ervoeren bij het voorspellen van de allerheetste temperaturen. De voorspellingen hadden de neiging iets minder nauwkeurig te zijn in het uiterst hoge bereik, wat suggereert dat de ondergrondse omstandigheden in die specifieke zones complexer kunnen zijn dan de chemische data alleen zou kunnen onthullen. Dit zou kunnen komen door verborgen variaties in de gesteentesorten of de manier waarop vloeistoffen door breuken bewegen, factoren die de chemische monsters niet volledig konden vastleggen. Het team concludeerde dat hoewel deze machine learning-modellen krachtige instrumenten zijn om onzekerheid bij geothermische exploratie te verminderen, ze het beste werken wanneer ze worden gecombineerd met een diep begrip van de lokale geologie. Door deze digitale tools te gebruiken om de chemische taal van de aarde te interpreteren, kunnen wetenschappers meer geïnformeerde beslissingen nemen over waar te boren, wat potentieel tijd en geld bespaart terwijl een schonere energietoekomst wordt ontsloten.