Die Abscheidung und Speicherung von Kohlendioxid (CO2) tief unter der Erde kann zur Bekämpfung des Klimawandels beitragen, aber die langfristige Überwachung des gespeicherten CO2 in einer geologischen Lagerstätte ist mit den derzeitigen physikalischen Methoden schwierig.
Forscher der Texas A&M University haben bewiesen, dass nicht überwachte Methoden des maschinellen Lernens die von Sensoren erfassten Daten einer geologischen Kohlenstoffspeicherstätte analysieren und die Standorte und Bewegungen der unterirdischen CO2-Fahne im Laufe der Zeit schnell darstellen können, wodurch das Risiko eines nicht registrierten CO2-Austritts verringert wird.
Projektleiter Siddharth Misra, der Ted H. Smith, Jr. ’75 und Max R. Vordenbaum ’73 DVG Associate Professor im Harold Vance Department of Petroleum Engineering, verwendete Startkapital vom Texas A&M Energy Institute, um mit der Forschung zu beginnen.
“Das Projekt wurde entwickelt, um die langfristige CO2-Speicherung mit geringem Risiko zu ermöglichen”, so Misra. “Die derzeitigen physikalischen Modelle sind zeitaufwändig und gehen davon aus, wo sich das CO2 in einer Lagerstätte befindet. Wir lassen uns von den Daten sagen, wo sich das CO2 tatsächlich befindet. Außerdem bieten wir eine schnelle Visualisierung, denn wenn man das CO2 nicht sehen kann, kann man es auch nicht tief im Untergrund kontrollieren.
Ein zunehmender CO2-Gehalt in der Atmosphäre führt zu einem Anstieg der globalen Temperaturen, da das Gas die von der Erde abgestrahlte Wärme absorbiert, sie über einen langen Zeitraum wieder an die Erde abgibt und viel länger in der Atmosphäre verbleibt als andere Treibhausgase.
Da mehr CO2 vorhanden ist, als durch die natürlichen Prozesse der Erde leicht herausgefiltert werden kann, ist es unerlässlich, es auf andere Weise aus der Luft zu halten. Die Sequestrierung des unerwünschten Gases unter der Erde ist nicht neu, aber die Überwachung seines Vorhandenseins innerhalb einer geologischen Stätte ist eine Herausforderung, da CO2 unsichtbar ist, sich schnell durch Risse bewegt und unbemerkt entweicht.
Die derzeitigen physikalischen Modelle stützen sich auf Statistiken oder numerische Berechnungen, die mit bekannten physikalischen Gesetzen übereinstimmen und durch Forschungsergebnisse gestützt werden. Die neuesten geologischen Sensoren liefern jedoch eine enorme Menge an Daten, die darauf hindeuten, dass die Zusammensetzung des Untergrunds sehr viel vielfältiger ist als bisher angenommen. Physikalische Modelle berücksichtigen diese Informationen nicht, weil solche Variationen nicht vollständig verstanden werden, aber Misra wusste, dass diese Daten nützliches Wissen für die Situation enthielten.
Misra und Keyla Gonzalez, seine Doktorandin, zeigten zunächst, wo sich das CO2 räumlich befindet. Da der gesamte unterirdische Datensatz nach Hinweisen durchsucht werden musste, nutzten sie das unüberwachte maschinelle Lernen, um das CO2 zu lokalisieren. Im Gegensatz zum überwachten maschinellen Lernen, bei dem Computeralgorithmen beigebracht wird, welche Daten eine bestimmte Frage beantworten, werden beim unüberwachten Lernen Algorithmen verwendet, um Daten zu durchsuchen und Muster zu finden, die sich auf die Parameter eines Problems beziehen, wenn noch keine eindeutigen Antworten auf eine Frage vorliegen.
Zunächst bewerteten die Algorithmen das Vorhandensein von CO2 in den Daten anhand von fünf breiten oder qualitativen Bereichen, von sehr hohen Konzentrationen bis hin zu null Spuren davon. Die Farben kennzeichneten jeden Bereich für eine visuelle 2D-Darstellung, wobei die hellste Farbe für den höchsten Gehalt und Schwarz für kein CO2 stand. Diese Verallgemeinerungen beschleunigten die genaue Bestimmung des Standorts der Abgasfahne, der Fläche, die sie bedeckt, sowie ihrer ungefähren Größe, Form und Dichte.
Die Algorithmen erlernten mehrere Workflow-Methoden, um Daten zu lesen und das CO2 zu modellieren. Misra und Gonzalez konnten sich nicht auf eine einzige Methode verlassen, um die “richtige” Antwort zu finden, da die Verwendung des unüberwachten Lernens bedeutete, dass es noch keine echte Lösung für das Problem gab. Außerdem musste jede gefundene Antwort rigoros bestätigt werden, weshalb jede Antwort mit den anderen verglichen wurde. Ähnliche Ergebnisse bewiesen, dass die Lösungen unabhängig von den verwendeten Methoden nur das CO2 finden konnten.
Es wurden mehr Daten benötigt, um die Bewegung des CO2 im Laufe der Zeit zu verfolgen. Daher wurde den Algorithmen beigebracht, Daten in verschiedenen Formaten zu sichten und auszuwerten, z. B. seismische Tomographien von Bohrungen. Da die Algorithmen bereits auf einen rein datengesteuerten Ansatz ausgerichtet waren und auf einer allgemeinen Ebene visualisiert wurden, konnten die räumlich-zeitlichen Karten schnell erstellt werden, unabhängig davon, welche Informationen verwendet wurden. Auch hier zeigten ähnliche Ergebnisse, dass die Forscher auf dem richtigen Weg waren.
Misra und Gonzalez veröffentlichten einen Artikel über die Forschung in der Zeitschrift Expert Systems with Applications. Gonzalez hat sein Studium abgeschlossen und eine Stelle bei TGS angenommen, einem internationalen Unternehmen für Energiedaten und -informationen, das von seiner Arbeit beeindruckt war.
“Der nächste Schritt wird die Kombination aus schneller Vorhersage, schneller Visualisierung und Entscheidungsfindung in Echtzeit sein, etwas, an dem das US-Energieministerium interessiert ist”, so Misra. “Auch wenn die Arbeit schwierig war und viel Bestätigung brauchte, um sie zu validieren, sehe ich so viel Potenzial in der Forschung wie dieser. Viele weitere Anwendungen und Durchbrüche sind möglich. Unüberwachtes Lernen ist zwar aufwändiger, aber es liefert so viele Erkenntnisse.”
Datum: April 28, 2022
Quelle: Texas A&M Universität
Journal Reference:
- Keyla Gonzalez, Siddharth Misra. Unsupervised learning monitors the carbon-dioxide plume in the subsurface carbon storage reservoir. Expert Systems with Applications, 2022; 201: 117216 DOI: 10.1016/j.eswa.2022.117216