Data-Driven Geothermal Microseismic Clustering Using Machine Learning
本研究提出了一种数据驱动的微震聚类框架，该框架通过利用无监督机器学习将波形相似性与空间及时间参数相结合，旨在产生比传统方法更具物理可解释性且高分辨率的地热储层裂缝特征表征。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在地球表面深处，巨大的热水和蒸汽储层蕴藏着利用清洁、可再生能源为我们的城市供电的潜力。为了开发这些热量，工程师通常会钻深井，并在高压下注入水以使周围的岩石发生破裂，从而创造出一个允许流体流动并传递热量的裂缝网络。这个过程被称为水力压裂，是一项精密的工程壮举。随着岩石发生破裂，它会释放出微小的、几乎察觉不到的震颤，称为微震事件。这些震颤是我们了解地下数英里处发生情况的唯一直接信号，就像是一个天然的X光，揭示了新生成的裂缝的形状、大小和方向。理解这种裂缝网络的几何结构至关重要；如果裂缝太小或连接性差，储层将无法产生足够的能量。如果裂缝太大或延伸到意想不到的区域，则可能对周围的地质结构构成风险。
几十年来，科学家们一直试图通过将这些微小的震颤进行分组来绘制这些隐藏的裂缝系统图。传统方法严重依赖于比较每个事件产生的声波。如果两次震颤产生的波形几乎完全相同，研究人员就会假设它们起源于同一条裂缝上的同一个位置。然而，这种方法就像是通过听取掉落时发出的声音来对一大堆外观相似的石头进行分类；它需要大量的试错，并且往往会忽略裂缝在何时何地形成的宏观全貌。其结果可能是模糊不清的，有时仅仅因为声音相似，就会将在时间和空间上相距甚远的事件归为一类，从而掩盖了地下裂缝结构的真实结构。
在最近的一项研究中，来自东北大学和日本独立行政法人产业技术综合研究所的研究人员提出了一种解决这一难题的新方法。他们不再仅仅依赖声波，而是开发了一个数据驱动的框架，利用机器学习，同时从三个方面对这些微震事件进行分组：声波的相似性、空间上的接近程度以及时间上的接近程度。他们在瑞士巴塞尔增强型地热系统（Basel Enhanced Geothermal System）的数据上测试了这种方法，这是一个著名的、在2006年进行过大规模水力压裂项目的地点。在那次项目中，水被注入到一口钻入花岗岩基底深达4,740米的井中，产生了数千个微震事件，并由当地的传感器网络记录了下来。
研究人员将这些数据输入到一个名为凝聚层次聚类（agglomerative hierarchical clustering）的机器学习算法中。这种方法的工作原理是：从每一个事件作为一个独立的组开始，然后根据它们在所有三个标准上的相似程度，逐步将它们合并在一起。为了确保不同类型的数据——声音、距离和时间——能够公平地进行比较，他们使用了一种数学技术来标准化数值，以确保其中一种测量值不会压倒其他测量值。至关重要的是，他们还增加了一个新的空间信息层：每个事件相对于注入点的方向。通过测量每个震颤相对于井的位置所对应的角度和高程，他们可以更好地理解裂缝的方向性流动，就像观察投石入池后涟漪如何向外扩散一样。
结果是令人瞩目的。当研究人员将这种新方法应用于巴塞尔重新定位后的数据时，机器学习算法成功地将事件分成了77个不同的簇。这些簇形成了清晰的线性模式，与该地区已知的裂缝走向高度吻合，由于当地地壳应力的作用，这些裂缝已知是近乎垂直且具有特定方向的。这种排列方式与地质学家在该地区预期的发现是一致的。此外，通过引入事件之间的时间差，该方法有效地防止了遥远且无关的震颤被归为一类。在传统方法中，即使两个事件在几天或几周后发生，只要它们的声波相似，仍可能被归为一组；但新方法保持了时间上的紧密性，表明在压裂期间，裂缝的活动时间不足三天。
研究还通过将这种新方法与旧方法进行对比，发现虽然传统技术可以产生类似的结果，但往往需要人类专家手动调整设置，并对哪些事件进行分组做出主观选择。这种新的数据驱动框架在不需要如此高水平的人为干预的情况下，实现了相当的准确度，前提是初始的事件位置是相对准确的。研究人员指出，该方法在起始数据已经过精炼时表现最佳，这表明这种机器学习工具可以作为绘制地下裂缝图谱过程中一个强大的自动化步骤。通过将声音、空间和时间整合到一个统一且平衡的分析中，这项研究为可视化隐藏的地热储层架构提供了一种更可靠、更灵活的方法，这使得未来更安全、更高效地利用地球热能变得更加容易。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。