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

Profundamente abaixo da superfície da Terra, escondido em rochas fraturadas e antigas falhas geológicas, jaz um vasto reservatório de calor. Esta energia geotérmica oferece uma fonte de energia limpa e constante que poderia ajudar as nações a se afastarem dos combustíveis fósseis, mas encontrar os melhores lugares para perfurar é uma aposta difícil e cara. Em muitas regiões, incluindo os vales de fenda da Etiópia, os cientistas não podem simplesmente olhar para o solo para ver quão quente ele é a quilômetros de profundidade. Em vez disso, eles devem confiar em pistas indiretas, como a composição química da água que circulou pelas rochas quentes e retornou à superfície. Durante décadas, especialistas usaram essas assinaturas químicas para estimar a temperatura dos reservatórios subterrâneos, mas essas estimativas tradicionais frequentemente carregam uma grande margem de erro. O desafio tem sido encontrar uma maneira de transformar essas pistas químicas dispersas em um mapa preciso do calor subterrâneo, uma tarefa que exige a identificação de padrões complexos demais para a matemática padrão resolver.

Uma equipe de pesquisadores da Universidade de Ciência e Tecnologia de Adis Abeba adotou uma nova abordagem para este problema ao usar o aprendizado de máquina, um tipo de inteligência computacional que aprende com dados em vez de seguir um conjunto fixo de regras. Eles reuniram informações de quatorze campos geotérmicos diferentes em toda a Etiópia, compilando um conjunto de dados de quase duzentas amostras. Para cada amostra, registraram a temperatura encontrada profundamente no subsolo e os ingredientes químicos específicos presentes na água, como as quantidades de sílica, potássio, sódio e magnésio. O objetivo era ensinar um computador a reconhecer a relação entre esses ingredientes químicos e o calor oculto, permitindo que ele previsse temperaturas em locais onde não existem medições diretas. Os pesquisadores testaram cinco modelos computacionais diferentes, variando de equações lineares simples a sistemas avançados baseados em árvores que podem lidar com interações complexas e não lineares entre variáveis.

Os resultados mostraram que os modelos computacionais mais sofisticados foram muito melhores no trabalho do que os mais simples. Quando os pesquisadores testaram os modelos contra dados que não haviam sido apresentados ao computador anteriormente, o modelo mais bem-sucedido, conhecido como CatBoost, previu corretamente a temperatura subterrânea com um alto grau de precisão. Ele alcançou uma pontuação indicando que capturou mais de noventa por cento da variação das temperaturas reais, com um erro médio de cerca de vinte e três graus Celsius. Outro competidor forte, chamado Random Forest, foi ainda melhor em minimizar o tamanho de seus erros em média, errando a temperatura real por apenas cerca de onze graus. Em contraste, os modelos mais simples, que dependem de relações de linha reta, tiveram dificuldades significativas, produzindo erros muito maiores e falhando em capturar a gama total de temperaturas. O estudo descobriu que os modelos computacionais aprenderam que certos produtos químicos, particularmente a sílica e o potássio, eram os indicadores mais fortes de calor, enquanto outros, como o magnésio, tendiam a diminuir à medida que a água ficava mais quente.

Apesar do sucesso dessas ferramentas computacionais, os pesquisadores observaram que os modelos ainda enfrentavam desafios ao prever as temperaturas extremamente altas. As previsões tendiam a ser ligeiramente menos precisas na faixa superior extrema, sugerindo que as condições subterrâneas nessas zonas específicas poderiam ser mais complicadas do que os dados químicos sozinhos poderiam revelar. Isso poderia ser devido a variações ocultas nos tipos de rochas ou na forma como os fluidos se movem através das fraturas, fatores que as amostras químicas não capturaram totalmente. A equipe concluiu que, embora esses modelos de aprendizado de máquina sejam ferramentas poderosas para reduzir a incerteza na exploração geotérmica, eles funcionam melhor quando combinados com uma compreensão profunda da geologia local. Ao usar essas ferramentas digitais para interpretar a linguagem química da Terra, os cientistas podem tomar decisões mais informadas sobre onde perfurar, potencialmente economizando tempo e dinheiro enquanto desbloqueiam um futuro de energia mais limpa.