Геологи из Sandia National Laboratories использовали напечатанные на 3D-принтере горные породы и продвинутую крупномасштабную компьютерную модель прошлых землетрясений, чтобы понять и предотвратить землетрясения, вызванные разведкой энергии.
Нагнетание воды под землю после нетрадиционной добычи нефти и газа, широко известное как фрекинг, стимуляция геотермальной энергии и секвестрация углекислого газа - все это может вызвать землетрясения. Конечно, энергетические компании проводят тщательную проверку на наличие разломов - разрывов в верхней части земной коры, которые подвержены землетрясениям, - но иногда землетрясения, даже серии землетрясений, происходят неожиданно.
Ученые-геологи Sandia изучили, как давление и напряжение от нагнетания воды могут передаваться через поры в горных породах вниз к линиям разломов, включая ранее скрытые. Они также дробили скалы со специально спроектированными слабыми местами, чтобы услышать звук различных типов разломов, что поможет в раннем обнаружении индуцированного землетрясения.
Вариабельность 3D-печати предоставляет фундаментальную структурную информацию
Чтобы изучить различные типы разломов и их предупредительные признаки, геологу из Sandia Хонкю Юну понадобилась группа горных пород, которые разрушались бы одинаково каждый раз, когда он прикладывал давление - давление, мало чем отличающееся от давления, вызванного закачкой воды под землю.
Природные породы, собранные в одном и том же месте, могут иметь совершенно разную минеральную ориентацию и слоистость, вызывая различные слабые места и типы трещин.
Несколько лет назад Юн начал использовать аддитивное производство, широко известное как 3D-печать, для изготовления камней из минерала на основе гипса в контролируемых условиях, полагая, что эти камни будут более однородными. Чтобы напечатать камни, Юн и его команда распыляли гипс тонкими слоями, формируя прямоугольные блоки и цилиндры размером 1 на 3 на 0,5 дюйма.
Однако, изучая распечатанные на 3D-принтере камни, Юн понял, что в процессе печати также возникают незначительные структурные различия, влияющие на то, как скалы разрушаются. Это пробудило в нем интерес, и он начал изучать, как текстура минералов в горных породах, напечатанных на 3D-принтере, влияет на их разрушение.
«Оказывается, мы можем использовать эту изменчивость механических и сейсмических характеристик трещины, напечатанной на 3D-принтере, в наших интересах, чтобы помочь нам понять фундаментальные процессы гидроразрыва и его влияние на поток жидкости в горных породах», - сказал Юн. Этот поток жидкости и поровое давление могут вызывать землетрясения.
Для этих экспериментов Юн и его сотрудники из Университета Пердью, с которым Sandia тесно сотрудничает, изготовили минеральные чернила, используя порошок сульфата кальция и воду. Исследователи, в том числе профессора Университета Пердью Антонио Бобет и Лаура Пирак-Нольте, напечатали слой гидратированного сульфата кальция толщиной примерно в половину листа бумаги, а затем нанесли связующее вещество на водной основе, чтобы приклеить следующий слой к первому. Связующее перекристаллизовывало часть сульфата кальция в гипс, тот же минерал, который используется в гипсокартоне.
Исследователи напечатали одни и те же прямоугольные и цилиндрические камни на основе гипса. В одних породах минеральные слои гипса располагались горизонтально, в других - в вертикальных. Исследователи также изменили направление распыления связующего, чтобы создать больше вариаций в минеральном слое.
Исследовательская группа сжимала образцы до тех пор, пока они не сломались. Команда исследовала поверхности перелома с помощью лазеров и рентгеновского микроскопа. Они заметили, что путь разрушения зависит от направления минеральных слоев. Юн и его коллеги описали это фундаментальное исследование в статье, опубликованной в журнале Scientific Reports.
Звуковые сигналы и машинное обучение для классификации сейсмических событий
Кроме того, работая со своими сотрудниками в Университете Пердью, Юн отслеживал акустические волны, исходящие от распечатанных образцов по мере их разрушения. Эти звуковые волны являются признаком быстрых микротрещин. Затем команда объединила звуковые данные с методами машинного обучения, типом расширенного анализа данных, который может выявлять закономерности в, казалось бы, несвязанных данных, чтобы обнаруживать сигналы мельчайших сейсмических событий..
Во-первых, Юн и его коллеги использовали технику машинного обучения, известную как алгоритм случайного леса, чтобы сгруппировать микросейсмические события в группы, вызванные одинаковыми типами микроструктур, и определить около 25 важных особенностей в звуковых данных микротрещин.. Они ранжировали эти функции по значимости.
Используя основные функции в качестве ориентира, они создали многоуровневый алгоритм «глубокого» обучения - аналогичный алгоритмам, позволяющим функционировать цифровым помощникам, - и применили его к архивным данным, собранным из реальных событий. Алгоритм глубокого обучения смог идентифицировать сигналы сейсмических событий быстрее и точнее, чем обычные системы мониторинга.
Юн сказал, что в течение пяти лет они надеются применить множество различных алгоритмов машинного обучения, таких как эти и алгоритмы со встроенными геофизическими принципами, для обнаружения индуцированных землетрясений, связанных с добычей ископаемого топлива на нефтяных или газовых месторождениях. По его словам, алгоритмы также можно применять для обнаружения скрытых разломов, которые могут стать нестабильными из-за секвестрации углерода или стимуляции геотермальной энергии.
«Одна из приятных особенностей машинного обучения - масштабируемость», - сказал Юн. «Мы всегда пытаемся применять определенные концепции, разработанные в лабораторных условиях, к крупномасштабным задачам - именно поэтому мы проводим лабораторную работу. Как только мы доказали эти концепции машинного обучения, разработанные в лабораторных условиях, на архивных данных, их очень легко масштабировать. вплоть до крупномасштабных задач по сравнению с традиционными методами."
Напряжение передается через породу на глубинные разломы
Скрытый разлом стал причиной неожиданного землетрясения на участке геотермальной стимуляции в Пхохане, Южная Корея. В 2017 году, через два месяца после завершения последнего эксперимента по геотермальной стимуляции, этот район потрясло землетрясение магнитудой 5,5, второе по силе землетрясение в новейшей истории Южной Кореи.
После землетрясения геологи обнаружили разлом, спрятанный глубоко между двумя нагнетательными скважинами. Чтобы понять, как напряжения от закачки воды переместились на разлом и вызвали землетрясение, Кьюнг Вон Чанг, геолог из Сандии, понял, что ему нужно учитывать нечто большее, чем давление воды, давящей на скалы. В дополнение к этому деформационному напряжению ему также нужно было учесть, как это напряжение передается скале, когда вода течет через поры в самой породе, в своей сложной крупномасштабной вычислительной модели..
Чанг и его коллеги описали передачу стресса в статье, опубликованной в журнале Scientific Reports.
Однако понимания деформационного напряжения и передачи напряжения через поры горных пород недостаточно для понимания и прогнозирования некоторых землетрясений, вызванных геологоразведочными работами. Также необходимо учитывать архитектуру различных неисправностей.
Используя свою модель, Чанг проанализировал куб длиной 6 миль, шириной 6 миль и глубиной 6 миль, где с ноября 2013 года по май 2014 года в Азле, штат Техас, произошло более 500 землетрясений. Землетрясения произошли вдоль двух пересекающихся разломов, один из которых находился менее чем в 2 милях от поверхности, а другой длиннее и глубже. В то время как неглубокий разлом находился ближе к местам закачки сточных вод, первые землетрясения произошли вдоль более длинного и более глубокого разлома.
В своей модели Чанг обнаружил, что закачка воды увеличила давление на неглубокий разлом. В то же время инъекционное напряжение передавалось по породе вниз к глубинному разлому. Поскольку глубинный разлом изначально находился под большим напряжением, там начался рой землетрясений. Он и Юн поделились передовой вычислительной моделью и своим описанием землетрясений в Азле в статье, недавно опубликованной в Journal of Geophysical Research: Solid Earth..
«В целом, нам нужны мультифизические модели, которые объединяют различные формы напряжения, помимо порового давления и деформации горных пород, чтобы понять индуцированные землетрясения и сопоставить их с энергетическими действиями, такими как гидравлическое стимулирование и закачка сточных вод», - Чанг. сказал.
Чанг сказал, что он и Юн работают вместе над применением и масштабированием алгоритмов машинного обучения для обнаружения ранее скрытых разломов и определения признаков геологического стресса, которые могут предсказать магнитуду вызванного землетрясения.
В будущем Чанг надеется использовать эти сигнатуры стресса для создания карты потенциальной опасности индуцированных землетрясений в Соединенных Штатах.