AI-Driven approach for sustainable extraction of earth’s subsurface renewable energy while minimizing seismic activity

要約

深部地熱エネルギー、炭素回収と貯蔵、および水素貯蔵は、エネルギー部門の大規模な要件を満たし、CO$_2$ 排出量を削減する上で大きな期待を持っています。
しかし、これらの活動に不可欠な地殻への流体の注入は、地震を誘発または引き起こす可能性があります。
この論文では、地下貯留層の非常に複雑な環境における人為的な地震活動を制御するための強化学習に基づく新しいアプローチに焦点を当てます。
この複雑なシステムは、パラメータの不確実性とモデル化されていないダイナミクスにより、制御設計に重大な課題をもたらします。
私たちは、リアルタイムでコントローラーのパラメーターを選択することで、強化学習アルゴリズムが堅牢なコントローラーと効率的に対話できることを示し、人為的な地震活動を軽減し、さらなる生産目標、\textit{e.g.}、最小制御電力の考慮を可能にします。
さまざまなエネルギー需要シナリオの下での単純化された地下貯水池のシミュレーションが提示され、提案された制御強化学習アプローチの信頼性と有効性が実証されています。

要約(オリジナル)

Deep Geothermal Energy, Carbon Capture and Storage, and Hydrogen Storage hold considerable promise for meeting the energy sector’s large-scale requirements and reducing CO$_2$ emissions. However, the injection of fluids into the Earth’s crust, essential for these activities, can induce or trigger earthquakes. In this paper, we highlight a new approach based on Reinforcement Learning for the control of human-induced seismicity in the highly complex environment of an underground reservoir. This complex system poses significant challenges in the control design due to parameter uncertainties and unmodeled dynamics. We show that the reinforcement learning algorithm can interact efficiently with a robust controller, by choosing the controller parameters in real-time, reducing human-induced seismicity and allowing the consideration of further production objectives, \textit{e.g.}, minimal control power. Simulations are presented for a simplified underground reservoir under various energy demand scenarios, demonstrating the reliability and effectiveness of the proposed control-reinforcement learning approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google