Закачка воды под землю после нетрадиционной добычи нефти и газа, широко известная как гидроразрыв, стимуляция геотермальной энергии и связывание углекислого газа, – все это может вызвать землетрясения. Конечно, энергетические компании проявляют должную осмотрительность, чтобы проверить наличие разломов – разломов в верхней части земной коры, которые подвержены землетрясениям, – но иногда землетрясения, даже целые рои землетрясений, случаются неожиданно.
Геофизики Sandia изучили, как давление и напряжение от закачки воды могут передаваться через поры в породах вниз к линиям разломов, включая ранее скрытые. Они также дробили скалы со специально разработанными слабыми местами, чтобы слышать звуки различных типов отказов, что поможет в раннем обнаружении индуцированного землетрясения.
Вариативность 3D-печати обеспечивает фундаментальную структурную информацию
Чтобы изучить различные типы отказов и их предупреждающие знаки, геофизику Sandia Хонкю Юну понадобилась куча горных пород, которые будут разрушаться одинаково каждый раз, когда он будет оказывать 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 разные 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 породы будут более однородными. Чтобы напечатать камни, Юн и его команда распыляли гипс тонкими слоями, получая размер 1 на 3 на 0.5-дюймовые прямоугольные блоки и цилиндры.
Однако, изучая камни, напечатанные на 3D-принтере, Юн понял, что процесс печати также приводит к мельчайшим структурным различиям, которые влияют на то, как камни ломаются.
Это вызвало у него интерес и заставило его изучить, как минеральная текстура в 3D-печатных породах 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 трещин и их влияние на поток жидкости в породах», – сказал Юн. Этот поток жидкости и поровое давление могут вызывать землетрясения.
Для этих экспериментов Юн и его сотрудники из Университета Пердью, университета, с которым Sandia тесно сотрудничает, создали минеральные чернила, используя порошок сульфата кальция и воду. Исследователи, в том числе профессора Purdue Антонио Бобет и Лаура Пирак-Нольте, напечатали слой гидратированного сульфата кальция, примерно вдвое меньше листа бумаги, а затем нанесли связующее на водной основе, чтобы приклеить следующий слой к первому. Связующее перекристаллизовало часть сульфата кальция в гипс, тот же минерал, который используется в строительном гипсокартоне.
Исследователи напечатали одинаковые прямоугольные и цилиндрические породы на основе гипса. В одних породах минеральные слои гипса располагались горизонтально, в других – вертикальные.
Исследователи также изменили направление, в котором они распыляли связующее, чтобы создать большее разнообразие слоев минералов.
Исследовательская группа сжимала образцы до тех пор, пока они не сломались. Команда исследовала поверхности излома с помощью лазера и рентгеновского микроскопа. Они заметили, что путь трещины 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, когда они ломались. Эти звуковые волны – признаки быстрых микротрещин.
Затем команда объединила звуковые данные с методами машинного обучения, типом расширенного анализа данных, который может идентифицировать закономерности в, казалось бы, несвязанных данных, для обнаружения сигналов мельчайших сейсмических событий.
Во-первых, Юн и его коллеги использовали метод машинного обучения, известный как алгоритм случайного леса, чтобы сгруппировать микросейсмические события в группы, которые были вызваны одними и теми же типами микроструктур, и идентифицировать около 25 важных особенностей в звуковых данных микротрещин. Они оценили эти особенности по значимости.
Используя важные функции в качестве руководства, они создали многоуровневый алгоритм «глубокого» обучения – например, алгоритмы, которые позволяют работать 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 те, которые основаны на принципах геолого-геофизических исследований, для обнаружения индуцированных землетрясений, связанных с использованием ископаемого топлива на нефтяных или газовых месторождениях.
Алгоритмы также могут применяться для обнаружения скрытых разломов, которые могут стать нестабильными из-за связывания углерода или стимуляции геотермальной энергии?, он сказал.
«Одна из приятных особенностей машинного обучения – это масштабируемость», – сказал Юн. «Мы всегда стараемся применить определенные концепции, которые были разработаны в лабораторных условиях, к крупномасштабным задачам – поэтому мы проводим лабораторные работы. Как только мы доказали, что концепции машинного обучения, разработанные в лабораторных условиях, на архивных данных, их очень легко масштабировать до крупномасштабных задач по сравнению с традиционными методами."
Передача напряжения через породу к глубоким разломам
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, магнитудой 5.Землетрясение 5 сотрясло этот район, второе по величине землетрясение в новейшей истории Южной Кореи.
После землетрясения геофизики обнаружили трещину, скрытую глубоко между двумя нагнетательными скважинами. Чтобы понять, как напряжения от нагнетания воды дошли до разлома и вызвали землетрясение, Кён Вон Чанг, геофизик из Сандиа, понял, что ему нужно учитывать не только давление воды на скалы. В дополнение к этому деформационному напряжению, ему также необходимо было учесть, как это напряжение передавалось на породу, когда вода протекала через поры в самой породе, в его сложной крупномасштабной вычислительной модели.
Чанг и его коллеги описали перенос стресса в статье, опубликованной в журнале Scientific Reports.
Однако понимания деформационного напряжения и передачи напряжения через поры породы 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 произошел рой из более чем 500 землетрясений в Азле, штат Техас.
Землетрясения произошли вдоль двух пересекающихся разломов, один из которых находится на глубине менее 2 миль от поверхности, а другой – длиннее и глубже. В то время как мелкий разлом находился ближе к местам закачки сточных вод, первые землетрясения произошли вдоль более длинного и более глубокого разлома.
В своей модели Чанг обнаружил, что закачки воды увеличивают давление на мелководный разлом.
В то же время напряжение, вызванное нагнетанием, передается через породу до глубокого разлома. Поскольку изначально глубокий разлом находился под большим напряжением, там начался рой землетрясений. Он и Юн поделились усовершенствованной вычислительной моделью и своим описанием землетрясений в Азле в статье, недавно опубликованной в Journal of Geophysical Research: Solid Earth.
«В общем, нам нужны мультифизические модели, которые объединяют различные формы напряжения, помимо порового давления и деформации горных пород, чтобы понимать вызванные землетрясения и соотносить их с энергетической деятельностью, такой как гидравлическое воздействие и закачка сточных вод», – сказал Чанг.
Чанг сказал, что он и Юн работают вместе над применением и расширением алгоритмов машинного обучения для обнаружения ранее скрытых разломов и выявления признаков геологического напряжения, которые могут предсказать величину спровоцированного землетрясения.
В будущем Чанг надеется использовать эти сигнатуры напряжения для создания карты потенциальных опасностей индуцированных землетрясений в США.