Estimation of prmeability values in geothermal fields with machine learning methods

Abstract

Numerical modeling of geothermal fields is a very time-intensive task. Modeling the natural state of a geothermal field, where there is no production or reinjection in the field, is vital in this process. Natural state modeling is generally conducted by employing a trial and error procedure that depends on intuition in determining the rock properties to match the temperature and pressure readings. This study proposes a method for the distribution of permeability estimation in natural state modeling of geothermal fields using machine learning algorithms. In the study, firstly, a synthetic dataset is created by giving several permeability distributions to a numerical simulator called TOUGH2. Temperature and pressure outputs of the numerical simulator are then collected, and a dataset is created. Random Forest, Support Vector Regression, Multilayer Perceptron, Convolutional Neural Networks, and Transfer Learning methods are trained in this study to learn the relation between the pressure and temperature data and the distribution of permeability values in the field. The study results show that the proposed method can estimate the permeability distributions and help the geothermal field modeling process by decreasing the required time and costs. Jeotermal rezervuarların sayısal olarak modellenmesi yoğun uzmanlık gerektiren ve oldukça zaman alan bir süreçtir. Sayısal modellemenin en önemli adımlarından biri olan doğal durum modellemesinde, ilgili sahanın üretim ve reenjeksiyon gibi insan kaynaklı faaliyetlerle değiştirilmeden önceki yapısının tespiti için çalışmalar yapılır. Sahaya yönelik bilginin ve uzman deneyiminin önemli olduğu bu aşamada genellikle kayaçların ve sistemin özellikleri tahmin edilmeye çalışılarak ölçülen sıcaklık ve basınç değerleriyle eşleşme sağlanması hedeflenir. Bu çalışmada makine öğrenmesi yardımı ile jeotermal kaynakların doğal durum modellemesinin kilit değişkenlerinden biri olan geçirgenlik değerlerinin belirlenmesi amaçlanmıştır. Öncelikle, TOUGH2 sayısal modelleme yazılımına çeşitli geçirgenlik dağılımları girdi olarak verilmiştir. Sıcaklık ve basınç değerlerinden oluşan çıktılar işlenerek sentetik bir veri kümesi hazırlanmıştır. Bu veri kümesi ile doğal durumdaki belirli bir basınç ve sıcaklık dağılımını sağlayan geçirgenlik değerlerinin tespiti için Rassal Orman, Destek Vektör Regresyonu, Çok Katmanlı Algılayıcı, Evrişimsel Sinir Ağları ve Öğrenme Aktarımı yöntemleri kullanılmıştır. Sonuçlar, önerilen yöntemin geçirgenlik değerlerini tahmin edebildiğini göstermektedir. Söz konusu tahminin makine öğrenmesi yoluyla daha hızlı bir şekilde yapılabilmesi jeotermal sahaların modellenmesine zamansal ve ekonomik katkılar sağlayacaktır.