Utilizando el aprendizaje automático, investigadores de Penn State han relacionado los microterremotos de baja magnitud con la permeabilidad de las rocas del subsuelo debajo de la Tierra, un descubrimiento que podría tener implicaciones para mejorar la transferencia de energía geotérmica.

La generación de energía geotérmica requiere un subsuelo permeable para liberar calor de manera eficiente cuando los fluidos fríos ingresan a la roca. Esta investigación revela los momentos óptimos para una transferencia eficiente de energía al exponer el enlace a microterremotos, que se monitorean en la superficie mediante sismómetros. El equipo publicó sus hallazgos en Comunicaciones de la Naturaleza.

Utilizando fondos del Departamento de Energía de EE. UU. (DOE) y dos conjuntos de datos de los proyectos de demostración EGS Collab y Utah FORGE, los investigadores utilizaron el aprendizaje automático para extraer el «ruido» encontrado en los datos que oscurecía el vínculo. Luego, los investigadores utilizaron el aprendizaje automático para crear un modelo a partir de un sitio y lo aplicaron con éxito en el otro, un proceso llamado aprendizaje por transferencia, lo que sugiere que el vínculo se formó basándose en la física general de las rocas del subsuelo. Eso significa que es probable que esto sea universalmente cierto para todos los sitios de energía geotérmica, dijeron los investigadores.

«El éxito del aprendizaje por transferencia confirma la generalización de los modelos», dijo Pengliang Yu, investigador postdoctoral en Penn State y autor principal del estudio. «Esto sugiere que el monitoreo sísmico podría usarse ampliamente para mejorar la eficiencia de la transferencia de energía geotérmica en una amplia gama de sitios».

El aumento de la permeabilidad de las rocas es fundamental para una variedad de métodos de extracción de energía, dijo Yu. La permeabilidad de las rocas afecta la recuperación de combustibles fósiles tradicionales, así como las energías renovables, incluida la producción de hidrógeno. Los métodos de hidrofractura introducen fluidos fríos en el subsuelo a través de roca porosa, lo que crea altas presiones que rompen la roca por tensión o cizallamiento. Este proceso crea microterremotos similares a los terremotos que ocurren naturalmente, pero a una escala mucho menor. Al aumentar la permeabilidad de la roca, energías como el calor y los hidrocarburos pueden llegar más fácilmente a la superficie.

Yu dijo que su algoritmo mostró un vínculo directo, lo que significa que la roca se volvió más permeable cuando la actividad sísmica era más fuerte.

Identificar el vínculo entre la actividad sísmica y la permeabilidad de las rocas mejora la capacidad de extraer energía y al mismo tiempo garantiza que los microterremotos se mantengan por debajo del umbral que podría causar daños o ser observado por el público.

«El aprendizaje automático jugó un papel clave en el descubrimiento de la relación entre la actividad sísmica y la permeabilidad de las rocas», dijo la coautora Parisa Shokouhi, profesora de ciencias de la ingeniería y mecánica en la Facultad de Ingeniería. «Ayudó a identificar los atributos importantes de los datos sísmicos para predecir la evolución de la permeabilidad de las rocas. Restringimos el algoritmo de aprendizaje automático para garantizar un modelo físicamente significativo. A cambio, la predicción del modelo reveló un vínculo físico previamente desconocido entre los datos sísmicos y la permeabilidad de las rocas».

Los investigadores dijeron que aumentar la disponibilidad de energía geotérmica reduciría la dependencia de los combustibles fósiles. Además, señalaron que vincular la permeabilidad de las rocas con los microterremotos puede ser útil para monitorear el movimiento del gas para el secuestro de carbono y la producción y almacenamiento de hidrógeno subterráneo.

La investigación es parte de un proyecto más amplio financiado por el DOE para reducir el costo y aumentar la producción de energía geotérmica y utilizar el aprendizaje automático para comprender y predecir mejor los terremotos, incluidos los microterremotos.

«El trabajo de Yu es parte de nuestro esfuerzo por avanzar en la exploración geotérmica y la producción de energía geotérmica utilizando métodos de aprendizaje automático», dijo el coautor Chris Marone, profesor de geociencias en Penn State. «Nuestros estudios de laboratorio muestran conexiones claras entre la evolución de las propiedades elásticas antes de terremotos de laboratorio, y estamos entusiasmados de ver que se observan relaciones similares en la naturaleza».

Ankur Mali, Departamento de Ingeniería y Ciencias de la Computación de la Universidad del Sur de Florida y graduado de Penn State; Thejasvi Velaga, asistente de investigación en el Departamento de Ingeniería y Ciencias de la Computación de Penn State; Alex Bi, estudiante universitario con especialización en políticas y administración de salud en Penn State. Jiayi Yu, estudiante de posgrado del Departamento de Geociencias de Penn State; y Derek Elsworth, catedrático G. Albert Shoemaker y profesor de energía, ingeniería mineral y geociencias en Penn State, contribuyeron a esta investigación.