La tecnologia a supporto della ricerca geotermica

A partire dagli ultimi anni, l’intelligenza artificiale è sempre più spesso in campo per ottimizzare la ricerca geotermica, dalla prospezione alla trivellazione. Gli ultimi studi condotti mostrano il potenziale dell’AI per valorizzare la crescita di una delle fonti rinnovabili dal potenziale più interessante.

TAKEAWAY

  • L’energia geotermica ha un potenziale enorme in termini di produzione energetica e termica, ma è ancora poco considerata nel mix energetico. Eppure è una fonte rinnovabile capace anche di fornire riserve di litio importanti per produrre batterie destinate agli electric vehicles.
  • Le tecniche di intelligenza artificiale sono in grado di contribuire all’ottimizzazione di molte fasi della ricerca e della produzione, grazie alla possibilità di gestire e ricavare informazioni preziose dai dati.
  • Dall’Europa agli Stati Uniti, sono molteplici le ricerche che mostrano come la combinazione di intelligenza artificiale e soluzioni tecnologiche di ultima generazione (LiDAR, droni, digital twin) possa valorizzare la produzione di energia geotermica.

Parlare dell’utilizzo di tecniche di intelligenza artificiale per applicazioni nella geotermia significa fare riferimento a un grande potenziale per migliorare la competitività economica dell’“energia della terra”, riducendone l’impatto ambientale. In questo ambito, in particolare, le ricerche e gli studi che vedono l’impiego del machine learning, negli ultimi anni, sono sempre più numerosi, a testimonianza dell’interesse sul tema.

Interesse dovuto ad almeno due motivi: l’enorme potenziale della geotermia quale fonte energetica rinnovabile e la possibilità di estrarre litio dalle acque reflue prodotte dalla stessa. Oggi la domanda di litio per soddisfare la richiesta delle case automobilistiche per la mobilità elettrica è altissima: i prezzi del carbonato di litio in Cina hanno raggiunto i 69 euro al chilogrammo nella prima settimana di marzo 2022, segnando un guadagno del 74% finora nell’anno in corso. Le tensioni geopolitiche creano la necessità di contare su quantitativi di litio sicuri. Un esempio: in Ucraina i ricercatori hanno ipotizzato che la regione orientale del paese detiene quasi 500.000 tonnellate di ossido di litio, fondamentale per la produzione delle batterie per gli electric vehicle. Questa valutazione preliminare, riporta il New York Times, renderebbe le riserve di litio dell’Ucraina una delle più grandi del mondo.

Ma, in generale, contare su una maggiore presenza della geotermia nel mix energetico permetterebbe di fornire elettricità e calore a basse emissioni di carbonio. C’è chi prevede che l’energia geotermica contribuirà a produrre il 2-3% del totale globale di energia elettrica e chi, come l’Intergovernmental Panel on Climate Change (IPCC) nel suo “Renewable energy sources and climate change mitigation”, prevede che, entro il 2050, potrebbe soddisfare circa il 3% della domanda globale di elettricità e il 5% della domanda globale di riscaldamento e raffrescamento. Il mercato finanziario mondiale per l’energia geotermica potrebbe raggiungere i 500 miliardi di dollari l’anno.

Intelligenza artificiale per la geotermia: i campi applicativi e i benefici

L’intelligenza artificiale è preziosa in vari campi applicativi della ricerca geotermica, dall’ottimizzazione della prospezione geologica alla trivellazione, alla previsione dei quantitativi di litio nelle salamoie geotermiche. Come detto, in Europa ci sono stati molti studi. Uno dei più recenti, a cura di un team di geologi della European Association of Geoscientists & Engineers, ha avuto per oggetto la ricerca delle salamoie geotermiche in Cornovaglia mediante l’impiego di tecniche AI, droni e immagini satellitari, ha portato a evidenziare come nell’area specifica le salamoie hanno gradi di litio globalmente significativi.

Per questo sono stati impiegati, integrandoli, i dati iperspettrali aerei ad alta risoluzione spaziale e le immagini 3D dei droni con la relativa mappatura spettrale per consentire un rilevamento più preciso.

I set di dati satellitari e LiDAR aereo sono stati utilizzati per generare un flusso di lavoro semi-automatico di mappatura delle faglie. Per una rapida elaborazione, interpretazione e delineazione di possibili aree con faglie, sono stati generati e impiegati algoritmi di machine learning e i risultati sono stati integrati con la mappatura delle alterazioni minerali per contestualizzare geologicamente le aree target. Utilizzando questi metodi, i geologi sono riusciti a generare una mappa prospettica molto accurata e a migliorare la delineazione delle aree target del campo.

Anche gli Stati Uniti stanno facendo ricerche specifiche per impiegare tecniche di intelligenza artificiale per la geotermia, convinti dal suo potenziale energetico e termico, ma anche come fonte di lito. Gli USA hanno una grande fonte nazionale di litio nei fluidi geotermici, evidenzia uno studio del NREL, il Laboratorio nazionale del Dipartimento dell’Energia degli Stati Uniti preposto all’efficienza energetica e alle energie rinnovabili. In esso si spiega come l’estrazione del litio dalle salamoie geotermiche offra il potenziale per fornire agli Stati Uniti una fornitura sicura e nazionale di litio per soddisfare la crescente domanda di veicoli elettrici come per l’energy storage, per esempio.

Quale ruolo può svolgere l’AI? Svariati. Già oggi il machine learning viene applicato con successo nell’identificazione delle litologie, per estrarre caratteristiche nascoste (ma importanti) dai dati idrologici, generare mappe del potenziale geotermico basate su dati geologici e geofisici, identificare fattori geologici chiave associati alla produzione e per creare digital twins delle centrali geotermiche.

Tecniche di machine learning per ottimizzare la gestione dei serbatoi geotermici

Per comprendere bene come stia agendo la ricerca, applicando tecniche di intelligenza artificiale per la geotermia, vale la pena tornare all’attività del NREL. Lo stesso National Lab afferma che gli esperti di geotermia e di machine learning del Lab nazionale stanno lavorando insieme per sviluppare una serie di algoritmi e di strumenti atti a migliorare la caratterizzazione dei giacimenti, economizzando la perforazione e ottimizzando le operazioni dei campi di vapore geotermico.

Proprio di recente ha presentato uno studio sulla modellazione, mediante l’utilizzo di ML, delle prestazioni del sottosuolo di un serbatoio geotermico, che è un volume di rocce nel sottosuolo il cui sfruttamento in termini di calore può essere economicamente redditizio.

I ricercatori sono partiti da una considerazione: le centrali geotermiche mostrano tassi di produzione di calore ed energia decrescenti nel tempo. Le strategie di mitigazione includono l’ottimizzazione della gestione dei pozzi esistenti – aumentando o diminuendo le portate di fluido attraverso i pozzi – e la perforazione di nuovi pozzi in luoghi appropriati. Quest’ultimo è costoso, richiede tempo ed è soggetto a molti vincoli ingegneristici. Da qui ha avviato il proprio lavoro il team NREL, studiando un nuovo approccio che combina la modellazione del serbatoio e tecniche di machine learning. Nelle loro sperimentazioni computazionali hanno utilizzato collezioni di simulazioni per un serbatoio specifico insieme a modelli di ML che prevedono le serie temporali di temperatura e pressione per i pozzi di produzione. Hanno valutato questo approccio usando un serbatoio “open-source” costruito su misura e che cattura molte delle caratteristiche di uno vero, più precisamente il campo geotermico Brady Hot Springs, in Nevada. Le previsioni riguardo i quantitativi di energia si dimostrano altamente accurate, sia in termini di temperature che di pressione. L’accuratezza si combina a una rapidità di calcolo considerevole: gli stessi scienziati hanno affermato che se una tipica simulazione del serbatoio per Brady Hot Springs si completa in circa 4 ore, i loro modelli basati su machine learning producono previsioni accurate per 20 anni per le temperature, le pressioni e l’energia prodotta in meno di un secondo. Tutto questo permette di ottenere una rapida esplorazione dei parametri necessari nell’esplorazione e di essere impiegati nello studio di altri serbatoi geotermici.

Intelligenza artificiale per la geotermia: migliorare la perforazione geotermica con le tecniche AI

Oltre a ottimizzare le possibilità di comprendere le opportunità fornite dai serbatoi geotermici, l’intelligenza artificiale per la geotermia può essere utile anche a migliorare gli interventi di perforazione.

Su questo è stato avviato Optidrill, un progetto UE coordinato dal tedesco Fraunhofer Institute, finanziato per quasi 4 milioni dall’Agenzia esecutiva per l’innovazione e le reti della Commissione Europea nell’ambito di Horizon 2020 e che terminerà nel 2023.

Il suo obiettivo è sviluppare un sistema di consulenza per la perforazione che utilizzi un nuovo sensore e metodi di machine learning volti a prevedere il ROP (Return of Penetration) – velocità con cui una punta da trapano rompe la roccia sotto di essa per approfondire il foro – la litologia, i problemi di perforazione, il completamento e il miglioramento del pozzo e infine a unire questi metodi in un unico sistema per consentire l’ottimizzazione del processo di perforazione e un processo decisionale intelligente.

In questo caso, i passi fondamentali sono molteplici. Intanto si vuole arrivare a digitalizzare i dati di perforazione manuali e i rapporti testuali attraverso metodi di deep learning e natural language processing. Si intende anche strumentalizzare il processo di perforazione attraverso l’implementazione di sensori compatibili con l’impianto di perforazione, implementando anche nuovi metodi di identificazione del sistema di monitoraggio e dei sensori.

Machine learning e deep learning verranno anche impiegati in combinazione per interventi di perforazione, per completare il pozzo e per la modellazione, nella previsione delle prestazioni e nella loro ottimizzazione, oltre che per comprendere meglio la litologia in tempo reale. Inoltre, si vuole attivare il rilevamento di problemi di perforazione attraverso metodi statistici e di ML guidati dai dati.

L’innovativo sistema di consulenza di perforazione di Optidrill, spiegano i coordinatori del progetto, si basa su una combinazione di sistemi di monitoraggio avanzati e di moduli multipli di machine learning guidati dai dati, ognuno dei quali è responsabile dell’analisi, della previsione o dell’ottimizzazione di un aspetto del processo di perforazione o di completamento.

L’intento è quello di migliorare e digitalizzare il processo decisionale e il reporting, di strumentare e ottimizzare il processo di perforazione e di condividere e trasferire questo apprendimento attraverso successive applicazioni future.

Default image
Andrea Ballocchi

Giornalista specializzato in tecnologia, focalizzato su temi che riguardano l'Internet of Things e le tecnologie emergenti che hanno un impatto significativo sulla vita quotidiana e su quella futura. Oltre alla tecnologia si occupa anche di temi legati alla sostenibilità ambientale e non solo (edilizia, architettura, design...)

Articles: 84

Newsletter Updates

Inserisci il tuo indirizzo email qui sotto per iscriverti alla nostra newsletter