Bombear dióxido de carbono no subsolo pode ajudar a combater o aquecimento da atmosfera, mas encontrar locais subterrâneos adequados que possam servir com segurança como reservatórios pode ser complicado.
Para lidar com essa complexidade, uma equipe de pesquisa liderada pela Penn State combinou uma técnica de inteligência artificial com uma compreensão da física para desenvolver uma abordagem de modelagem preditiva eficiente e econômica. Eles publicaram seus resultados no Journal of Contaminant Hydrology.
“Armazenar dióxido de carbono no subsolo é uma forma ecologicamente correta de reduzir a quantidade de gás na atmosfera”, disse Parisa Shokouhi, professora associada de ciência da engenharia e mecânica. “Mas a estrutura geológica pode ser desfavorável à injeção de dióxido de carbono. Por exemplo, se a pressão ultrapassar um certo limite, pode haver fraturas, vazamento de gás e terremotos, e se você injetar muito gás em excesso, poderá ter problemas semelhantes. ”
Simulações numéricas, modelos complexos e detalhados usados para ajudar a entender um problema que não pode ser facilmente definido de outra forma, foram usados para prever a resposta de um local potencial à injeção de dióxido de carbono. Essas simulações, no entanto, podem ser extremamente caras e demoradas para serem executadas. E para cada novo local sendo explorado como candidato a local de armazenamento, uma nova simulação numérica deve ser executada novamente.
Para evitar o comprometimento de custo e tempo necessário com a simulação numérica, a equipe de pesquisa treinou algoritmos de aprendizado profundo para fazer previsões precisas em uma variedade de cenários. Aprendendo com dados produzidos por cenários simulados de dióxido de carbono em um reservatório de 7.500 pés de profundidade, os algoritmos foram capazes de prever como a saturação de dióxido de carbono e a pressão se comportariam em novos sistemas simulados.
Os dados de treinamento simulados aproximam o desempenho de um sistema, a partir do qual os algoritmos identificam padrões que podem usar para fazer estimativas sobre o comportamento futuro – mas esses padrões nem sempre obedecem às leis da física. Embora orientados por dados, os modelos podem fazer previsões imprecisas para um sistema por muitos motivos, incluindo imprecisões nos dados. Dados de treinamento limitados podem levar a estimativas que são muito especificamente adaptadas ao conjunto de dados, um problema conhecido como overfitting.
Os pesquisadores abordaram essa lacuna incorporando a física para refinar as previsões dos algoritmos de aprendizado profundo, desenvolvendo modelos restritos por princípios fundamentais da física, como os movimentos naturais de líquidos subterrâneos ou para a lei de conservação de massa. Quando discrepâncias baseadas na física ocorreram, a equipe adicionou uma penalidade para ajudar o algoritmo a aprender a corrigir o erro.
Essa abordagem resultou em um modelo que ainda era menos caro e mais rápido de usar do que uma simulação numérica convencional, mas mais preciso do que os modelos baseados em dados e potencialmente mais generalizável, de acordo com Shokouhi.
“Usar uma abordagem baseada na física torna o modelo mais versátil”, disse ela. “Usar apenas um modelo baseado em dados tornaria as previsões muito específicas para um domínio, mas nosso método nos permite obter resultados muito precisos mesmo se você usar o modelo em um site no qual não foi treinado.”
A pesquisa pode permitir um software de previsão confiável para uso por cientistas ou operadores de campo. Um usuário pode fazer seleções para diferentes opções de injeção e, dependendo da máquina usada, visualizar previsões do comportamento do dióxido de carbono em questão de segundos.
“Pudemos obter modelos de previsão muito precisos e rápidos”, disse Shokouhi. “Um dia, um operador ou sismólogo poderia usar esses modelos para ser informado sobre como tomar decisões rápidas e em tempo real sobre a injeção de dióxido de carbono no solo”.
Publicado em 04/12/2021 14h21
Artigo original:
Estudo original: