La capture et le stockage en profondeur du dioxyde de carbone (CO2) peuvent aider à lutter contre le changement climatique, mais la surveillance à long terme du CO2 stocké dans un site de stockage géologique est difficile avec les méthodes actuelles basées sur la physique.
Les chercheurs de la Texas A&M University ont prouvé que des méthodes d’apprentissage automatique non supervisées pouvaient analyser les données recueillies par des capteurs à partir d’un site géologique de stockage de carbone et décrire rapidement les emplacements et les mouvements souterrains du panache de CO2 au fil du temps, réduisant ainsi le risque d’une fuite de CO2 non enregistrée.
Le chef de projet Siddharth Misra, le Ted H. Smith, Jr. ’75 et Max R. Vordenbaum ’73 DVG Associate Professor au Harold Vance Department of Petroleum Engineering, ont utilisé des fonds de démarrage du Texas A&M Energy Institute pour commencer la recherche.
« Le projet a été conçu pour faciliter le stockage à long terme du CO2 à faible risque », a déclaré Misra. « Les modèles actuels basés sur la physique prennent du temps à produire et à supposer où se trouve le CO2 dans un site de stockage. Nous laissons les données nous dire où se trouve réellement le CO2. Nous fournissons également une visualisation rapide car si vous ne pouvez pas voir le CO2, vous ne peut pas le contrôler profondément sous terre. »
L’augmentation des niveaux de CO2 dans l’atmosphère augmente les températures mondiales car le gaz absorbe la chaleur rayonnante de la Terre, la restitue à la Terre pendant une longue période et reste dans l’atmosphère beaucoup plus longtemps que les autres gaz à effet de serre.
Puisqu’il existe plus de CO2 que ce qui peut être facilement filtré par les processus naturels de la Terre, il est essentiel de le garder hors de l’air par d’autres moyens. La séquestration du gaz souterrain indésirable n’est pas nouvelle, mais surveiller sa présence dans un site géologique est difficile car le CO2 est invisible, se déplace rapidement à travers les fissures et s’échappe sans être détecté.
Les modèles actuels basés sur la physique s’appuient sur des statistiques ou des calculs numériques qui correspondent à des lois physiques connues étayées par des résultats de recherche. Cependant, les derniers capteurs géologiques produisent une énorme quantité de données suggérant qu’il existe une grande variété dans les compositions du sous-sol qu’on ne le pensait auparavant. Les modèles basés sur la physique n’incluent pas les informations car ces variations ne sont pas entièrement comprises, mais Misra savait que les données contenaient des connaissances utiles à la situation.
Misra et Keyla Gonzalez, sa chercheuse diplômée, ont commencé par montrer où se trouvait le CO2 dans l’espace. Étant donné que l’ensemble des données souterraines devait être extrait pour trouver des indices, ils ont utilisé un apprentissage automatique non supervisé pour localiser le CO2. Contrairement à l’apprentissage automatique supervisé, où les algorithmes informatiques apprennent quelles données répondront à une question spécifique, l’apprentissage non supervisé utilise des algorithmes pour passer au crible les données afin de trouver des modèles liés aux paramètres d’un problème lorsqu’il n’existe pas encore de réponses définitives à une question.
Premièrement, les algorithmes ont évalué la présence de CO2 dans les données à l’aide de cinq plages larges ou qualitatives, allant de concentrations très élevées à zéro trace. Les couleurs ont identifié chaque gamme pour une représentation visuelle 2D, avec la couleur la plus brillante pour la teneur la plus élevée et le noir pour l’absence de CO2. Ces généralisations ont accéléré la localisation du panache, la superficie qu’il couvrait et sa taille, sa forme et sa densité approximatives.
Les algorithmes ont appris plusieurs méthodes de flux de travail pour lire les données et modéliser le CO2. Misra et Gonzalez ne pouvaient pas compter sur une seule méthode pour trouver la « bonne » réponse, car l’utilisation d’un apprentissage non supervisé signifiait qu’il n’existait pas encore de véritable solution au problème. Et toute réponse trouvée devait être rigoureusement confirmée, de sorte que chaque réponse était comparée aux autres. Des résultats similaires ont prouvé que les solutions étaient uniques pour ne trouver que le CO2, quelles que soient les méthodes utilisées.
Plus de données étaient nécessaires pour suivre le mouvement du CO2 dans le temps, de sorte que les algorithmes ont appris à passer au crible et à évaluer les données dans différents formats, tels que la tomographie sismique à puits croisés. Parce que les algorithmes étaient déjà orientés vers une approche purement basée sur les données et visualisés à un niveau général, les cartes spatio-temporelles ont été rapidement générées, quelles que soient les informations utilisées. Encore une fois, des résultats similaires ont prouvé que les chercheurs étaient sur la bonne voie.
Misra et Gonzalez ont publié un article sur la recherche dans la revue Systèmes experts avec applications. Gonzalez a obtenu son diplôme et a accepté un poste chez TGS, une société internationale de données et de renseignements sur l’énergie qui a été impressionnée par le travail.
« La prochaine étape sera la combinaison d’une prédiction rapide, d’une visualisation rapide et d’une prise de décision en temps réel, ce qui intéresse le département américain de l’énergie », a déclaré Misra. « Même si le travail était difficile et nécessitait beaucoup de confirmation pour être validé, je vois tellement de potentiel dans une recherche comme celle-ci. De nombreuses autres applications et percées sont possibles. L’apprentissage non supervisé demande plus d’efforts mais donne tellement de perspicacité. »
Keyla Gonzalez et al, L’apprentissage non supervisé surveille le panache de dioxyde de carbone dans le réservoir de stockage de carbone souterrain, Systèmes experts avec applications (2022). DOI : 10.1016/j.eswa.2022.117216