Blog

Nov 29, 2023

Physik

Scientific Reports Band 13, Artikelnummer: 13133 (2023) Diesen Artikel zitieren 6798 Zugriff auf 3 altmetrische Metrikdetails Kurzfristige Vorhersage der geschätzten Maximalgröße (\({\widehat{M}}_{max}\))

Wissenschaftliche Berichte Band 13, Artikelnummer: 13133 (2023) Diesen Artikel zitieren

6798 Zugriffe

3 Altmetrisch

Details zu den Metriken

Die kurzfristige Vorhersage der geschätzten maximalen Stärke (\({\widehat{M}}_{max}\)) ist entscheidend, um das Risiko einer induzierten Seismizität während der Flüssigkeitsstimulation zu mindern. Die meisten bisherigen Methoden erfordern Injektionsdaten in Echtzeit, die nicht immer verfügbar sind. Diese Studie schlägt zwei Deep-Learning-Ansätze (DL) sowie zwei Datenpartitionierungsmethoden vor, die ausschließlich auf vorhergehenden Seismizitätsmustern basieren. Der erste Ansatz prognostiziert \({\widehat{M}}_{max}\) direkt unter Verwendung von DL; Die zweite berücksichtigt physikalische Einschränkungen, indem DL zur Vorhersage der Seismizitätsrate verwendet wird, die dann zur Schätzung von \({\widehat{M}}_{max}\) verwendet wird. Diese Ansätze werden anhand eines Datensatzes zur Überwachung hydraulischer Brüche aus dem Westen Kanadas getestet. Wir stellen fest, dass die direkte DL aus früheren Seismizitätsmustern lernt, um eine genaue Vorhersage zu liefern, allerdings mit einer Zeitverzögerung, die ihren praktischen Nutzen einschränkt. Der physikalisch fundierte Ansatz prognostiziert Änderungen der Seismizitätsrate genau, unter- (oder über-)schätzt jedoch manchmal \({\widehat{M}}_{max}\). Wir gehen davon aus, dass eine signifikante Überschreitung von \({\widehat{M}}_{max}\) den Beginn eines außer Kontrolle geratenen Verwerfungsbruchs ankündigen kann.

Hydraulic Fracturing (HF), eine Flüssigkeitsstimulationsmethode zur Verbesserung der Permeabilität durch Erzeugung von Brüchen in Reservoirgesteinen mit geringer Permeabilität1, erzeugt typischerweise Mikroerdbeben (MEQs) mit einer Momentenstärke MW < 0. HF kann jedoch auch moderate Erdbeben (MW > 4)2 auslösen ,3,4,5,6, die mit der Aktivierung bereits bestehender Fehler verbunden sind7. Das Erhalten einer probabilistischen Schätzung der größten erwarteten Ereignisgröße (\({\widehat{M}}_{max}\)) für einen bestimmten HF-Betrieb ist wichtig für die Gefahrenbewertung8 und könnte als Grundlage für proaktive Echtzeit-Minderungsstrategien für induzierte Seismizität dienen sind in einigen fortschrittlichen Überwachungssystemen erforderlich9,10.

Es wurden verschiedene Ansätze entwickelt, um \({\widehat{M}}_{max}\) für flüssigkeitsinduzierte Seismizität abzuschätzen. Beispielsweise kann die erwartete Verteilung der Erdbebenstärken durch das injizierte Nettoflüssigkeitsvolumen (∆V) und den seismogenen Index (∑) ausgedrückt werden, einem vorgeschlagenen gebietsspezifischen seismotektonischen Parameter, der das erwartete seismische Aktivitätsniveau als Reaktion auf Flüssigkeit charakterisiert Injektion11. Dieser Ausdruck wurde verwendet, um eine probabilistische Schätzung für die maximale Magnitude12 zu entwickeln, die linear mit log10 ∆V skaliert. Die gleiche volumetrische Skalierungsbeziehung wurde mit einem anderen theoretischen Ansatz abgeleitet, der auf dem Rissgleichgewichtskriterium von Griffith basiert13. Hier gilt die Schätzung der maximalen Größe für den Fall eines arretierten Bruchs, einem Konzept, bei dem die Bruchbruchzone auf einen Untergrundbereich beschränkt ist, in dem der Druck durch Flüssigkeitseinspritzung gestört wird. Dieses Konzept wurde auch verwendet, um eine geometrische Einschränkung für die maximale Größe zu entwickeln, die auf der räumlichen Verteilung von MEQs14 basiert. In einer anderen Formulierung wird das erwartete maximale seismische Moment für ein injektionsinduziertes Erdbeben als Produkt aus dem Schermodul des Mediums und dem Nettovolumen der injizierten Flüssigkeit ausgedrückt15. Mit Ausnahme des geometrisch eingeschränkten Ansatzes14, der die Bestimmung der MEQ-Hypozentrumspositionen erfordert, verwenden alle diese Methoden das injizierte Nettovolumen ∆V als Parameter zur Schätzung von \({\widehat{M}}_{max}\).

Während des HF-Betriebs können seismische Beobachtungen verwendet werden, um betriebliche MEQs1 sowie induzierte seismische Ereignisse zu identifizieren, die an nahegelegenen Verwerfungen auftreten16,17,18,19. Betriebsbedingte MEQs treten typischerweise in Clustern auf, die sich vom Bohrloch weg erstrecken, normalerweise senkrecht zur Richtung der minimalen horizontalen Belastung20,21. In einigen Fällen ist eine reaktivierte Verwerfung durch ein verzögertes Auftreten von Ereignissen im Vergleich zum Startzeitpunkt einer Injektionsphase gekennzeichnet, verbunden mit einer schrägen Ausrichtung der Seismizitätscluster in Bezug auf die Hauptspannungsrichtungen16,17,18,19. Die Reaktivierung einer Verwerfung ist oft durch einen Anstieg der Seismizitätsrate gekennzeichnet, begleitet von einem Rückgang des Gutenberg-Richter-B-Werts22,23. Auch wenn solche Veränderungen im räumlich-zeitlichen Muster der Seismizität subtil sein mögen, könnte ihre Erkennung mithilfe von Deep-Learning-Methoden (DL) einen Weg für verbesserte kurzfristige Vorhersagen bieten.

Li et al.24 entwickelten eine Methode zur Echtzeit-Betriebsvorhersage von \({\widehat{M}}_{max}\) während der Stimulation. Ihre Methode schätzt das seismische Effizienzverhältnis (SER), einen empirisch ermittelten Bruchteil des maximal erwarteten kumulativen seismischen Moments basierend auf dem injizierten Volumen25. Der SER wird während eines anfänglichen Zeitfensters des Injektionsprogramms kalibriert, und danach wird davon ausgegangen, dass das maximal verfügbare seismische Moment die Differenz zwischen dem prognostizierten seismischen Moment unter Verwendung des SER und dem beobachteten kumulativen seismischen Moment ist. Wie bei anderen oben diskutierten Methoden besteht ein Nachteil dieses Ansatzes darin, dass er Zugriff auf volumetrische Injektionsdaten in Echtzeit erfordert, die einem unabhängigen Beobachter möglicherweise nicht zur Verfügung stehen.

Um diese Einschränkung zu überwinden, schlagen wir zwei DL-Ansätze für die kurzfristige Vorhersage der erwarteten maximalen Stärke (\({\widehat{M}}_{max})\) induzierter seismischer Ereignisse während der hydraulischen Frakturierung vor. Der erste Ansatz prognostiziert \({\widehat{M}}_{max}\) direkt mithilfe von DL. Der zweite Ansatz, den wir als physikinformierte DL bezeichnen, verwendet DL zur Vorhersage der Seismizitätsrate und schätzt dann \({\widehat{M}}_{max}\) mithilfe einer von Van der Elst et al. vorgeschlagenen Formulierung. 12. Dieser Ansatz nutzt den Maximum-Likelihood-Wert von \({\widehat{M}}_{max}\) und die zugehörige Wahrscheinlichkeitsverteilung unter der Annahme, dass Erdbebenstärken der Gutenberg-Richter-Beziehung (GR) folgen. Es beruht auf der Bestimmung der Anzahl beobachteter Ereignisse (Nc) innerhalb eines bestimmten Zeitfensters, die über der Vollständigkeitsgröße (Mc) und der Steigung der semilogarithmischen Größen-Häufigkeitsverteilung (b-Wert) aus der GR-Beziehung liegen. Damit die DL-Modelle zeitliche Muster und Trends in den Seismizitätsdaten lernen können, untersuchen wir zwei Datenpartitionierungsmethoden, um sequentielle Datenproben für Training und Tests zu erhalten.

Um unsere Methoden zu testen, nutzen wir Beobachtungen der induzierten Seismizität, die während der HF-Behandlung von vier horizontalen Bohrlöchern auftraten, die im Jahr 2016 stimuliert wurden, über einen Zeitraum von vier Wochen26. Bohrloch C (Abb. 1) wurde zunächst in einer Reihe von Stufen von Norden nach Süden stimuliert, gefolgt von den Bohrlöchern A, B und D, die gleichzeitig mithilfe eines Zipper-Fracturing-Schemas1 stimuliert wurden. Für den Trainingsdatensatz verwenden wir MEQs, die während der HF von Bohrloch C aufgetreten sind. Ereignisse, die während der HF der Bohrlöcher A, B und D aufgetreten sind, liefern den Testdatensatz für die DL-Modelle. Die stündliche Seismizitätsrate schwankte zwischen 0 und 60 Ereignissen über der Magnitude der Vollständigkeit pro Stunde, wobei die maximale beobachtete Magnitude bei MW 3,1 lag (siehe „Methoden“).

Datensatz zur induzierten Seismizität: (a) Epizentren seismischer Ereignisse für den Trainingszeitraum, gefärbt nach Auftrittszeit. Vier horizontale Bohrlöcher, die in einer Tiefe von ca. 3,4 km gebohrt wurden, sind als schwarze durchgezogene Linien dargestellt. (b) Wie in (a), jedoch für den Testzeitraum. (c) Stündliche Seismizitätsrate. (d) Maximale Momentgröße während sich bewegender 1-Stunden-Zeitfenster.

Wir wenden sowohl direkte DL- als auch physikinformierte DL-Modelle (PIDL) an, um den maximalen Wahrscheinlichkeitswert von \({\widehat{M}}_{max}\) vorherzusagen. Die Zeitreihen-Eingabedaten werden aus dem Seismizitätskatalog mithilfe zweier unterschiedlicher Datenpartitionierungsmethoden generiert. Methode 1 scannt den Katalog mithilfe eines sich bewegenden Zeitfensters fester Dauer und eines regelmäßigen Zeitschritts. Der interessierende Parameter – also die Anzahl der seismischen Ereignisse für das PIDL-Modell und die maximale Stärke für das direkte DL-Modell – wird innerhalb jedes beweglichen Fensterrahmens bestimmt. Methode 2 verwendet einen kumulativen Ansatz, bei dem die Fenstergröße bei jedem Schritt schrittweise um eine feste Dauer erhöht wird. Für beide DL-Modelle verwenden wir eine mehrschichtige Perzeptron-Netzwerkarchitektur. Dabei handelt es sich um eine Art vollständig verbundenes künstliches neuronales Feed-Forward-Netzwerk mit Schwellenwertaktivierung („Methoden“). Im Fall des direkten DL ist die Ausgabe die prognostizierte maximale Magnitude. Im Fall des PIDL-Modells erstellen wir zur Bestimmung des maximalen Wahrscheinlichkeitswerts von \({\widehat{M}}_{max}\) eine probabilistische Kurzzeitprognose (einige Stunden) unter Verwendung der Formulierung in12 als Funktion der Anzahl seismischer Ereignisse und dem B-Wert. Für beide Datenpartitionierungsmethoden betrachten wir zwei B-Wert-Szenarien, eines, bei dem wir den direkt geschätzten B-Wert des aktuellen Zeitfensters verwenden, und ein anderes, bei dem wir b = 1 festlegen, um ein Szenario mit Fehleraktivierung anzunähern22. Insgesamt bewerten wir sechs unterschiedliche Ansätze (Ergänzungsmaterialien, Tabelle S1), die es uns ermöglichen, direkte DL mit physikinformierten DL-Modellen sowie den Einfluss von Datenpartitionierungsmethoden und der Wahl des B-Werts zu vergleichen.

Die Ergebnisse direkter DL-Modelle zur Vorhersage von \({\widehat{M}}_{max}\) sind in Abb. 2 dargestellt. Die erste Datenpartitionierungsmethode schätzt \({\widehat{M}}_{max} \) für einen 24-Stunden-Zeitraum, der sich von 18 Stunden vor der aktuellen Zeit bis 6 Stunden nach der aktuellen Zeit erstreckt, während die zweite Datenpartitionierungsmethode einen kumulativen Ansatz verwendet, um \({\widehat{M}}_{ max}\). Im letzteren Fall steigt der berechnete Wert von \({\widehat{M}}_{max}\) monoton an und deckt ein Zeitfenster vom Beginn der Analyse bis 6 Stunden vor dem aktuellen Zeitpunkt ab. Beide Datenpartitionierungsmethoden weisen im Vergleich zum Testsatz einen höheren R2 für das Training auf, was normalerweise erwartet wird. Insgesamt liegen die R2-Werte nahe bei 1; Wenn jedoch ein Sprung auftritt, gibt es eine Zeitverzögerung zwischen den beobachteten und den vorhergesagten Werten, was die Dominanz früherer Beobachtungen widerspiegelt, die im vorhergesagten Zeitfenster enthalten sind. Diese Zeitverzögerung schränkt den praktischen Nutzen dieses direkten DL-Ansatzes für kurzfristige Betriebsprognosen von \({\widehat{M}}_{max}\) ein.

Direkte DL-Modelle. (a) Prognostiziert \({\widehat{M}}_{max}\) für 24-Stunden-Zeitfenster unter Verwendung der Methode mit festen Fenstern. Blaue Symbole stellen den beobachteten Mmax in jedem Zeitfenster dar. Die orangefarbenen und grünen Symbole stellen die prognostizierten \({\widehat{M}}_{max}\) für Trainings- bzw. Testdatensätze dar. Um die Seismizität mit höherer zeitlicher Auflösung darzustellen, zeigen die grauen Punkte die beobachtete maximale Momentengröße innerhalb beweglicher 1-Stunden-Zeitfenster. (b) Streudiagramm zum Vergleich des prognostizierten mit dem beobachteten \({\widehat{M}}_{max}\) unter Verwendung von Methode 1. (c,d) Wie in (a,b), jedoch unter Verwendung der kumulativen Datenpartitionsmethode.

Anstatt \({\widehat{M}}_{max}\ direkt vorherzusagen), verwendet der physikinformierte Ansatz DL, um die Seismizitätsrate vorherzusagen (hier dargestellt durch die Anzahl der Ereignisse oberhalb der Vollständigkeitsgröße innerhalb des aktuellen Zeitfensters). , Nc), woraus \({\widehat{M}}_{max}\) geschätzt wird. Abbildung 3 zeigt die Zeitreihe für den beobachteten Wert von Nc und den prognostizierten Wert von \({\widehat{N}}_{c}\) für beide Datenpartitionierungsmethoden. Bei der Methode mit festem Fenster schwankt Nc, wie es für HF-Stimulationen mit unterschiedlichem Ort und Intensität zu erwarten ist, während bei der kumulativen Methode sowohl Nc als auch \({\widehat{N}}_{c}\) zunehmen monoton. Der höhere R2-Wert für Methode 2 spiegelt das Überwiegen früherer Daten innerhalb des kumulativen Zeitfensters wider.

DL-Prognose für die Anzahl der Ereignisse \({\widehat{N}}_{c}\) oberhalb der Vollständigkeitsgröße. (a) Feste Zeitfenstermethode für die Trainings- und Testfenster. (b) Streudiagramm zum Vergleich des prognostizierten \({\widehat{N}}_{c}\) mit dem gemessenen Nc. (c,d) Wie in (a,b), aber unter Verwendung der kumulativen Datenpartitionsmethode.

Mit \({\widehat{N}}_{c}\) können wir \({\widehat{M}}_{max}\) basierend auf der GR-Beziehung für verschiedene B-Wert-Auswahlmöglichkeiten berechnen („Materials und Methoden"). Abbildung 4 zeigt zwei Szenarien: eines, das eine gleitende Maximum-Likelihood-Schätzung des b-Werts27,28,29 für das aktuelle Zeitfenster verwendet, und ein anderes mit einem festen Wert von b = 1, der im Großen und Ganzen repräsentativ für die Fehleraktivierung ist22. Zur Vorhersage von \({\widehat{M}}_{max}\) ermöglicht die Verwendung eines festen b-Werts eine schnellere Reaktion mit einem Sicherheitsspielraum, da eine genaue Bestimmung von b eine relativ große Stichprobengröße (> 1000) erfordert MEQs)30. Die Festfenstermethode mit einer gleitenden Schätzung von b scheint zeitliche Fluktuationen für kleine seismische Magnituden (MW <2) zu verfolgen, kann jedoch keine größeren Ereignisse vorhersagen (Abb. 4a). Dies kann durch die Festlegung von b auf Eins verbessert werden, was zu einer Vorhersage führt, die sich der Obergrenze für die meisten seismischen Ereignisse annähert, aber immer noch keinen Vorhersagebereich für die größten beobachteten Ereignisse bietet. Für die kumulative Datenpartitionsmethode steigt \({\widehat{M}}_{max}\) erwartungsgemäß mit der Zeit monoton an (Abb. 4c). In allen Fällen weist die Prognose einen niedrigen R2-Wert auf (Abb. 4b,d), was darauf hinweist, dass der berechnete Wert für diesen Ansatz nicht für eine direkte Vorhersage geeignet ist, obwohl er eine Vorhersage der Hüllkurve von \({\widehat{ M}}_{max}\).

Physikinformierte DL-Modelle (PIDL) zur Vorhersage von \({\widehat{M}}_{max}\). (a) Das PIDL-Modell zur Vorhersage von \({\widehat{M}}_{max}\) für 24-Stunden-Zeitfenster unter Verwendung fester (orange) und variabler (grün) b-Werte. Blaue Symbole stellen den beobachteten Mmax in jedem Zeitfenster dar. (b) Streudiagramme des prognostizierten \({\widehat{M}}_{max}\) vs. gemessenen Mmax für den Ansatz mit festem Fenster. (c,d) Wie in (a,b), aber unter Verwendung der kumulativen Datenpartitionsmethode.

Abbildung 5 zeigt DL- und PIDL-Ergebnisse und hebt den 95 %-Konfidenzbereich für die PIDL-Berechnung basierend auf der GR-Magnitudenverteilung12 hervor. Wie bereits erwähnt, liefert die DL-Methode eine genauere Anpassung an die beobachtete Größenverteilung, aber eine Zeitverzögerung schränkt den Nutzen dieses Ansatzes für Prognosezwecke ein. Im Fall dieses Feldversuchs26 war zum Zeitpunkt des HF-Programms31 ein TLP in Kraft, wobei eine ML 2.0-Gelblichtschwelle einen reduzierten Betrieb erforderte und eine ML 4.0-Rotlichtschwelle eine Betriebsunterbrechung erforderte. Gemäß diesem TLP wurde die Gelblichtbedingung am 10.11.2016 und am 25.11.2016 ausgelöst. Die Rotlichtschwelle wurde nicht überschritten.

Vergleich von direkten und physikinformierten Deep-Learning-Modellen (PIDL) zur Vorhersage \({\widehat{M}}_{max}\). (A). Berechnungen mit festem Fenster, bei denen die blauen Symbole die maximale Magnitude in 6-Stunden-Zeitfenstern zeigen und der schattierte Bereich einen prognostizierten Umschlag zeigt, der auf einem 95 %-Konfidenzbereich für die PIDL-Kurve basiert, unter der Annahme eines zeitlich variierenden B-Werts. (b) Wie in (a) für den kumulativen Ansatz.

Ampelprotokolle (TLPs) sind ein reaktiver Kontrollansatz zur Minderung der Risiken induzierter Seismizität auf der Grundlage diskreter Reaktionsschwellen, die eine bestimmte Aktion auslösen, wie z. B. die Änderung (oder Aussetzung) der HF-Stimulation beim Auftreten von Ereignissen, die eine bestimmte Stärke überschreiten1 . Unter Verwendung dieses Rahmenwerks wurden kürzlich Ansätze zur Risikominderung anstelle von Gefahren eingeführt32. Obwohl TLPs in vielen Gerichtsbarkeiten eingeführt wurden, um induzierte Seismizitätsrisiken im Zusammenhang mit hydraulischem Fracking6,33 oder erweiterten Geothermiesystemen34 zu bewältigen, wurden ihre zugrunde liegenden Annahmen in Frage gestellt; Beispielsweise basieren die meisten TLPs auf der stillschweigenden Annahme, dass anomalen größeren Ereignissen eine schwächere Vorseismizität vorausgeht oder dass eine Einschränkung der Flüssigkeitsinjektion zwangsläufig zu einer sofortigen Verringerung des Seismizitätsniveaus führt35,36. Das Auftreten von HF-induzierter Seismizität in Gegenwart eines TLP zeigt, dass diese Annahmen nicht universell anwendbar sind37. Adaptive (oder fortgeschrittene) TLPs wurden vorgeschlagen9,10,24,38, aber diese Methoden erfordern einen Echtzeitzugriff auf Stimulationsdaten, wie z. B. die Injektionsrate. Da diese Art von Daten einem unabhängigen Beobachter nicht immer in Echtzeit zur Verfügung stehen, konzentrieren wir uns hier auf einen rein datengetriebenen Ansatz.

Die PIDL-Berechnungen mit festem Fenster (Abb. 5a) weisen schwankende Werte von \({\widehat{M}}_{max}\) auf, die unserer Meinung nach als Grundlage für eine Art adaptives TLP-System dienen könnten. Basierend auf dem 95 %-Konfidenzbereich unter Verwendung des PIDL-Ansatzes mit festem Fenster wurde beispielsweise der Gelblichtschwellenwert während des Trainingszeitraums am 01.11.2016 und während des Testzeitraums am 22.11.2016 überschritten . Wäre dieses PIDL-basierte Kriterium zur Auslösung von TLP-Antworten verwendet worden, hätte es eine Prognose mit mehreren Tagen Vorankündigung geliefert, um während des Testzeitraums eine betriebliche Reduzierung vorzunehmen. Obwohl die PIDL-Methode mit gleitendem B-Wert dargestellt ist, würde im Wesentlichen die gleiche Vorabbenachrichtigung gelten, wenn ein fester Wert von b = 1 verwendet wird (Abb. S4), trotz ihres konservativeren Charakters. Die Verwendung eines Trainingsdatensatzes, der auf ein einzelnes Bohrloch beschränkt ist, zeigt außerdem, dass sich diese Vorabbenachrichtigung erfolgreich auf andere Bohrlöcher und unterschiedliche Injektionsprotokolle in derselben geologischen Umgebung ausdehnt, was darauf hindeutet, dass der PIDL-Ansatz mit festem Fenster ein gewisses Maß an Übertragbarkeit aufweist.

Das Phänomen des Runaway-Bruchs, bei dem der Gleitbereich eines induzierten Erdbebens über den während der Stimulation gestörten Verwerfungsbereich hinauswächst13, kann zu einer Überschreitung der prognostizierten Magnituden führen7. In diesem Szenario wird die maximale Gleitoberfläche durch die physikalischen Fehlerabmessungen und nicht durch Stimulationsparameter begrenzt12. Beispielsweise wurde das Pohang-Erdbeben mit einer Stärke von 5,5 MW in Korea im Jahr 2017 als Beispiel für einen außer Kontrolle geratenen Bruch angeführt39. Wie in Abb. 5 dargestellt, traten während dieses HF-Programms vier Ereignisse auf, die den Größenbereich des 95 %-Konfidenzbereichs basierend auf dem PIDL-Ansatz mit festem Fenster überschritten. Als Grundsatzbeweis interpretieren wir eine solche Überschreitung als Vorbote des möglichen Beginns eines außer Kontrolle geratenen Bruchs; Dementsprechend könnte ein adaptiver TLP, der mit diesem PIDL-Ansatz entwickelt wurde, einen Rotlichtschwellenwert unter Verwendung dieses Kriteriums anstelle eines bestimmten festen Größenniveaus einbeziehen. Weitere Tests sind erforderlich, um die Robustheit dieser Beobachtung festzustellen.

Zusammenfassend liefern unsere Ergebnisse einen Grundsatzbeweis dafür, dass ein PIDL-Ansatz mit festem Fenster als Grundlage für ein adaptives TLP-System dienen könnte. Während viele Studien Methoden zur Vorhersage induzierter Seismizität im Zusammenhang mit industrieller Aktivität untersucht haben, einschließlich hydromechanischer Modelle, die Flüssigkeitsdruck und Geschwindigkeits- und Zustandsreibung40 oder verwandte Mechanismen kombinieren41,42, Modelle zur Vorhersage der maximalen seismischen Stärke mithilfe von Injektionsdaten12,15,24,25 und Modelle des maschinellen Lernens zur Vorhersage induzierter Seismizitätsraten unter Verwendung stark verwandter Merkmale43. Diese Modelle erfordern Zugriff auf Injektionsdaten und/oder geomechanische Parameter, z. B. poroelastische Spannung, Spannungsrate und Geschwindigkeitszustandsreibungsparameter, die normalerweise überhaupt nicht oder zumindest nicht verfügbar sind nicht in Echtzeit. Im Gegensatz dazu erfordert unser PIDL-Ansatz zur Vorhersage von \({\widehat{M}}_{max}\) zwar eine Trainingszeit, basiert jedoch ausschließlich auf dem beobachteten seismischen Katalog und ermöglicht Echtzeitvorhersagen. Die Verwendung eines festen B-Werts eliminiert außerdem die potenzielle Gefahr großer Unsicherheiten, die sich aus der Schätzung über kleine Zeitfenster ergeben, und erhöht die Robustheit des PIDL-Ansatzes.

Bei der HF-Behandlung, die wir hier analysieren, handelt es sich um den Datensatz des Tony Creek Dual Microseismic Experiment (ToC2ME)26, der 2016 von der University of Calgary erworben wurde. Dieses HF-Simulationsprogramm befindet sich im Duvernay-Schiefergebiet im Westen Kanadas, in einem Gebiet, das für seine Anfälligkeit bekannt ist zu HF-induzierter Seismizität2,3,6. Zu den ToC2ME-Erfassungssystemen gehörten ein Flachbohrlocharray mit 68 Stationen, sechs Breitbandseismometer und ein Beschleunigungsmesser für starke Bewegungen26. Ein resultierender Seismizitätskatalog, der mithilfe einer automatisierten Methode44 erstellt wurde, enthält > 10.000 Ereignisse mit einer maximalen Stärke von 3,1 MW. Insgesamt ist die beobachtete Seismizität durch b > > 1 gekennzeichnet, wie für betriebliche MEQs1 erwartet; Allerdings zeigen einzelne Ereigniscluster im Zusammenhang mit der Fehleraktivierung einen deutlichen Abfall des B-Werts45. Basierend auf der B-Wert-Stabilitätsmethode28,29 und der Maximum-Likelihood-Methode27 bestimmen wir Mc anhand der ersten 1000 MEQs im Katalog und finden Mc = – 0,15 (Abb. S1). Da die in der Studie verwendeten Sensoren fest sind und die Ereignistiefen während des gesamten HF-Programms ungefähr gleich bleiben46, gehen wir davon aus, dass Mc für die Dauer des Experiments auf diesem Wert (– 0,15) festgelegt ist.

Wir verwenden mehrschichtige Perzeptron-Netzwerke (MLP)47, bei denen es sich um eine vollständig verbundene Klasse künstlicher neuronaler Feedforward-Netzwerke handelt, die aus mehreren Perzeptronschichten mit Schwellenwertaktivierung bestehen. MLP-Netzwerke lernen eine Funktion, die eine Folge von Eingabebeobachtungen einer Ausgabebeobachtung zuordnet.

Jedes MLP-Netzwerk besteht aus einer Eingabeschicht, zwei verborgenen Schichten und einer Ausgabeschicht. Die Eingabeschicht empfängt Daten und gibt sie an die erste Schicht weiter. Die verborgenen Schichten führen mathematische Berechnungen an Eingaben durch und geben einen prognostizierten Wert als Ausgabeschicht zurück. Jedes Neuron ist vollständig mit allen Neuronen der vorherigen und der nächsten Schicht verbunden. Das Neuron kombiniert Eingaben mit Gewichten und gibt einen Wert aus der Aktivierungsfunktion der Summe der Eingabe-Gewichts-Produkte aus. Die Ausgabe \({\widehat{h}}_{out}\) kann allgemein ausgedrückt werden als

Dabei ist \(w\) das Gewicht der Eingabe x, b die Vorspannung, n die Anzahl der Eingaben und \(f\) die Aktivierungsfunktion, die zur Standardisierung der vom Neuron kommenden Ausgabe verwendet wird.

Wir wenden die Aktivierungsfunktion „Rectified Linear Units“ (ReLU) für die beiden verborgenen Schichten an, um die Prognose durchzuführen, die für alle positiven Werte linear und für alle negativen Werte Null ist. Mathematisch ist es definiert als

Der Algorithmus besteht aus Feedforward- und Backpropagation-Phasen. In der Feedforward-Phase werden Eingaben mit den anfänglichen Zufallsgewichten in einer gewichteten Summe kombiniert und der Aktivierungsfunktion unterzogen. Die Ausgaben der Neuronen werden dann als Eingaben für die nächste Schicht verwendet. Jede Schicht versorgt die nächste mit dem Ergebnis ihrer Berechnung, das über die verborgenen Schichten zur Ausgabeschicht gelangt. Der Fehler der prognostizierten Ausgabe wird gespeichert. Wir wenden in den ersten MLPs eine MSE-Verlustfunktion (Mean Squared Error) an, um die Ausgabe zu berechnen.

In der Backpropagation-Phase bewerten die Fehler die Ableitungen der Verlustfunktion in Bezug auf die Gewichte \({\nabla }_{loss}\). Der Gradient aktualisiert dann die Gewichte in Bezug auf die Verlustfunktion.

wobei \({w}_{t}\) der Gradient bei der aktuellen Iteration ist, \({w}_{t-1}\) der Gradient bei der vorherigen Iteration ist und α die Lernrate darstellt,

In jeder Iteration wird der Gradient über alle Eingabe- und Ausgabepaare berechnet, nachdem die gewichteten Summen durch alle Schichten weitergeleitet wurden, bis die Ausgabe geschätzt wird. Als Beispiel sind die spezifischen Ein- und Ausgänge für die verschiedenen DL-Modelle in Tabelle S1 und Abbildungen aufgeführt. S2 und S3. Die Gewichte der ersten verborgenen Schicht werden mit dem Wert des Gradienten aktualisiert, dh wir verwenden den effizienten stochastischen Adam-Gradientenabstieg47, der mit MSE optimiert wurde. Dieser Prozess wird fortgesetzt, bis der Gradient für jedes Eingabe-Ausgabe-Paar konvergiert, was bedeutet, dass sich der neu berechnete Gradient im Vergleich zur vorherigen Iteration nicht mehr als einen angegebenen Konvergenzschwellenwert geändert hat.

Anstatt \({\widehat{M}}_{max}\) direkt vorherzusagen, schätzen wir für die PIDL-Modelle die Anzahl der Ereignisse (\({\widehat{N}}_{c})\) über dem Größe der Vollständigkeit (Mc) für einen Zeitraum, der sich in die Zukunft vor der aktuellen Zeit erstreckt. Der Wert von \({\widehat{N}}_{c}\) wird dann verwendet, um den entsprechenden Maximum-Likelihood-Wert von \({\widehat{M}}_{max}\) mithilfe einer in 12 entwickelten Formel zu schätzen ,

Mc wird als Konstante behandelt (und anhand der Daten geschätzt), während für den b-Wert in diesem Ausdruck zwei unterschiedliche Ansätze verwendet werden. Im ersten Ansatz wird eine aktuelle Schätzung von b aus dem Seismizitätskatalog gewonnen. Beim zweiten Ansatz wird der b-Wert auf 1 gesetzt, um die Möglichkeit einer abrupten Verringerung des b-Werts aufgrund einer Fehleraktivierung zu berücksichtigen. In der Praxis kann eine solche Verringerung des b-Werts aufgrund einer Zeitverzögerung, die durch die Anforderung an die Anzahl der Beobachtungen entsteht, um b auf robuste Weise zu schätzen, nicht sofort erkannt werden30. Dieser Ansatz liefert auch eine Schätzung der maximalen Größengrenzen für ein bestimmtes Konfidenzniveau q, ausgedrückt als

Daten und Codes, die die Ergebnisse dieses Manuskripts unterstützen, sind auf Anfrage beim entsprechenden Autor erhältlich. Der seismische Katalog für diese Studie (Catalog_Rodriguez-Pradilla2019_PhDThesis.csv) finden Sie unter: https://github.com/ToC2ME/ToC2ME/tree/master/Rodriguez-Pradilla.

Eaton, DW Passive Seismic Monitoring of Induced Seismicity: Grundlegende Prinzipien und Anwendung auf Energietechnologien (Cambridge University Press, 2018).

Buchen Sie Google Scholar

Bao, X. & Eaton, DW Verwerfungsaktivierung durch hydraulisches Frakturieren im Westen Kanadas. Wissenschaft 354, 1406–1409 (2016).

Artikel ADS CAS PubMed Google Scholar

Atkinson, GM et al. Hydraulic Fracturing und Seismizität im Sedimentbecken Westkanadas. Seismol. Res. Lette. 87, 631–647 (2016).

Artikel Google Scholar

Skoumal, RJ, Ries, R., Brudzinski, MR, Barbour, AJ & Currie, BS Erdbeben, die durch Hydraulic Fracturing verursacht werden, sind in Oklahoma allgegenwärtig. J. Geophys. Res. Solid Earth 123, 10918–10935 (2018).

Artikel ADS Google Scholar

Li, L. et al. Ein Überblick über den aktuellen Status der induzierten Seismizitätsüberwachung für hydraulisches Brechen in unkonventionellen dichten Öl- und Gaslagerstätten. Kraftstoff 242, 195–210 (2019).

Artikel CAS Google Scholar

Schultz, R. et al. Durch hydraulische Frakturierung verursachte Seismizität. Rev. Geophys. 58, e2019RG000695. https://doi.org/10.1029/2019RG000695 (2020).

Artikel ADS Google Scholar

Atkinson, GM, Eaton, DW & Igonin, N. Entwicklungen beim Verständnis der durch hydraulische Frakturierung ausgelösten Seismizität. Nat. Rev. Earth Environ. 1, 264–277 (2020).

Artikel ADS Google Scholar

Eaton, DW & Igonin, N. Was kontrolliert die maximale Stärke injektionsinduzierter Erdbeben? Führen. Kante 37(2), 135–140 (2018).

Artikel Google Scholar

Meier, PM, Rodríguez, AA & Bethmann, F. Lehren aus Basel: Neue EGS-Projekte in der Schweiz mit mehrstufiger Stimulation und einem probabilistischen Ampelsystem zur Reduzierung des Erdbebenrisikos. In Proceedings of World Geothermal Congress, 19–25 (2015).

Kwiatek, G. et al. Kontrolle der flüssigkeitsinduzierten Seismizität während einer 6,1 km tiefen geothermischen Stimulation in Finnland. Wissenschaft. Adv. 5, eaav7224. https://doi.org/10.1126/sciadv.aav7224 (2019).

Artikel ADS PubMed PubMed Central Google Scholar

Shapiro, SA, Dinske, C., Langenbruch, C. & Wenzel, F. Seismogener Index und Magnitudenwahrscheinlichkeit von Erdbeben, die während der Reservoirflüssigkeitsstimulation induziert werden. Führen. Kante 29(3), 304–309 (2010).

Artikel Google Scholar

Van der Elst, NJ, Page, MT, Weiser, DA, Goebel, TH & Hosseini, SM Die induzierten Erdbebenstärken sind so groß wie (statistisch) erwartet. J. Geophys. Res. Feste Erde 121, 4575–4590.

Artikel ADS Google Scholar

Galis, M., Ampuero, JP, Mai, PM & Cappa, F. Induzierte Seismizität gibt Aufschluss darüber, warum Erdbebenausbrüche aufhören. Wissenschaft. Adv. 3, eaap7 https://doi.org/10.1126/sciadv.aap7528 (2017).

Artikel ADS PubMed PubMed Central Google Scholar

Shapiro, SA, Krüger, OS, Dinske, C. & Langenbruch, C. Magnituden induzierter Erdbeben und geometrische Skalen flüssigkeitsstimulierter Gesteinsvolumina. Geophysik 76(6), WC55–WC63 (2011).

Artikel Google Scholar

McGarr, A. Durch Flüssigkeitseinspritzung induzierte Erdbeben maximaler Stärke. J. Geophys. Res. Feste Erde 119, 1008–1019 (2014).

Artikel ADS Google Scholar

Maxwell, SC et al. Fehleraktivierung beim hydraulischen Frakturieren. Im SEG-Jahrestreffen 2009, SEG-2009–1552, https://doi.org/10.1190/1.3255145 (2009).

Eyre, TS, Eaton, DW, Zecevic, M., D'Amico, D. & Kolos, D. Mikroseismizität zeigt Verwerfungsaktivierung vor einem durch hydraulisches Brechen verursachten Erdbeben der Stärke 4,1. Geophys. J. Int. 218, 534–546 (2019).

Artikel ADS CAS Google Scholar

Kettlety, T., Verdon, JP, Werner, MJ, Kendall, JM & Budge, J. Untersuchung der Rolle der elastostatischen Spannungsübertragung während der hydraulischen Bruch-induzierten Fehleraktivierung. Geophys. J. Int. 217, 1200–1216 (2019).

ADS CAS Google Scholar

Igonin, N., Verdon, JP, Kendall, JM & Eaton, DW Großflächige Bruchsysteme sind durchlässige Wege für die Verwerfungsaktivierung beim hydraulischen Bruch. J. Geophys. Res. Solid Earth 126(3), e2020JB020311. https://doi.org/10.1029/2020JB020311 (2021).

Artikel ADS Google Scholar

Van Der Baan, M., Eaton, D. & Dusseault, M. Mikroseismische Überwachungsentwicklungen bei der hydraulischen Bruchstimulation. In ISRM International Conference for Effective and Sustainable Hydraulic Fracturing (Hrsg. Jeffrey, R.) (InTech, 2013). https://doi.org/10.5772/56444.

Kapitel Google Scholar

Maxwell, S. Mikroseismische Bildgebung von Hydraulic Fracturing: Verbesserte Technik unkonventioneller Schieferlagerstätten (Society of Exploration Geophysicists, 2014).

Buchen Sie Google Scholar

Eaton, DW & Maghsoudi, S. 2b… oder nicht 2b? Interpretation von Größenverteilungen aus mikroseismischen Katalogen. Erste Pause 33, 10. https://doi.org/10.3997/1365-2397.33.10.83159 (2015).

Artikel Google Scholar

Verdon, JP & Budge, J. Untersuchung der Fähigkeit statistischer Modelle, induzierte Seismizität beim hydraulischen Fracking von Schiefergaslagerstätten abzuschwächen. Stier. Seismol. Soc. Bin. 108, 690–701 (2018).

Artikel Google Scholar

Li, Z., Eaton, D. & Davidsen, J. Kurzfristige Vorhersage von Mmax während der hydraulischen Frakturierung. Wissenschaft. Rep. 12, 12509. https://doi.org/10.1038/s41598-022-15365-6 (2022).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Hallo, M., Oprsal, I., Eisner, L. & Ali, MY Vorhersage der Stärke des größten potenziell induzierten seismischen Ereignisses. J. Seismol. 18, 421–431 (2014).

Artikel ADS Google Scholar

Eaton, DW et al. Charakterisierung der induzierten Seismizität während der Überwachung hydraulischer Brüche mit einem Flachbohrloch-Geophon-Array und Breitbandsensoren. Seismol. Res. Lette. 89, 1641–1651 (2018).

Artikel Google Scholar

Aki, K. Maximum-Likelihood-Schätzung von b in der Formel log N = a–bM und ihre Konfidenzgrenzen. Stier. Earthq. Res. Inst. Tokio 43, 237–239 (1965).

Google Scholar

Cao, A. & Gao, SS Zeitliche Variation der seismischen B-Werte unter dem nordöstlichen japanischen Inselbogen. Geophys. Res. Lette. 29, 48-1-48–3 (2002).

Artikel Google Scholar

Woessner, J. & Wiemer, S. Bewertung der Qualität von Erdbebenkatalogen: Schätzung des Ausmaßes der Vollständigkeit und ihrer Unsicherheit. Stier. Seismol. Soc. Bin. 95, 684–698 (2005).

Artikel Google Scholar

Geffers, GM, Main, IG & Naylor, M. Verzerrungen bei der Schätzung von B-Werten aus Katalogen kleiner Erdbeben: Wie hoch sind hohe B-Werte?. Geophys. J. Int. 229, 1840–1855 (2022).

Artikel ADS Google Scholar

Alberta Energy Regular, Subsurface Order Nr. 2. https://static.aer.ca/prd/documents/orders/subsurface-orders/SO2.pdf (2015).

Schultz, R., Beroza, G., Ellsworth, W. & Baker, J. Risikoinformierte Empfehlungen für den Umgang mit durch Hydrofracking verursachter Seismizität über Ampelprotokolle. Stier. Seismol. Soc. Bin. 110, 2411–2422 (2020).

Artikel Google Scholar

Shipman, T., MacDonald, R. & Byrnes, T. Erfahrungen und Erkenntnisse aus der Regulierung induzierter Seismizität in Alberta. Interpretation 6, SE15–SE21 (2018).

Artikel Google Scholar

Bommer, JJ et al. Beherrschung der Gefahr aufgrund von Seismizität, die durch ein Geothermieprojekt mit heißem Bruchgestein verursacht wird. Ing. Geol. 83, 287–306 (2006).

Artikel Google Scholar

Baisch, S., Koch, C. & Muntendam-Bos, A. Ampelsysteme: Inwieweit kann induzierte Seismizität kontrolliert werden?. Seismol. Res. Lette. 90, 1145–1154 (2019).

Artikel Google Scholar

Verdon, JP & Bommer, JJ Grün, Gelb, Rot oder aus heiterem Himmel? Eine Bewertung von Ampelsystemen zur Abmilderung der Auswirkungen der durch hydraulische Frakturierung verursachten Seismizität. J. Seismol. 25, 301–326 (2021).

Artikel ADS Google Scholar

Salvage, RO & Eaton, DW Der Einfluss eines Übergangsspannungsregimes auf die Quelleigenschaften induzierter Seismizität und Verwerfungsaktivierung: Beweise aus der durch Fort St. John ML 4.5 induzierten Erdbebensequenz vom 30. November 2018. Stier. Seismol. Soc. Bin. 112, 1336–1355 (2022).

Artikel Google Scholar

Mignan, A., Broccardo, M., Wiemer, S. & Giardini, D. Induzierte Seismizität, geschlossenes Ampelsystem für versicherungsmathematische Entscheidungen bei tiefen Flüssigkeitsinjektionen. Wissenschaft. Rep. 7, 13607. https://doi.org/10.1038/s41598-017-13585-9 (2017).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Woo, JU et al. Eine eingehende seismologische Analyse zeigt einen kausalen Zusammenhang zwischen dem Pohang-Erdbeben mit einer Stärke von 5,5 MW 2017 und dem EGS-Projekt. J. Geophys. Res. Solid Earth 124(12), 13060–13078 (2019).

Artikel ADS Google Scholar

Norbeck, JH & Rubinstein, JL Das hydromechanische Erdbebenkeimbildungsmodell prognostiziert den Beginn, den Höhepunkt und die Abfallraten induzierter Seismizität in Oklahoma und Kansas. Geophys. Res. Lette. 45, 2963–2975 (2018).

Artikel ADS Google Scholar

Lord-May, C., Baró, J., Eaton, DW & Davidsen, J. Seismische Gefahr durch Flüssigkeitsinjektionen. Physik. Rev. Res. 2, 0433242643. https://doi.org/10.1103/PhysRevResearch.2.043324 (2020).

Artikel Google Scholar

Khajehdehi, O., Karimi, K. & Davidsen, J. Die Auswirkung der korrelierten Permeabilität auf die flüssigkeitsinduzierte Seismizität. Geophys. Res. Lette. 49, e2021GL095199. https://doi.org/10.1029/2021GL095199 (2022).

Artikel ADS Google Scholar

Qin, Y., Chen, T., Ma, X. & Chen, X. Vorhersage induzierter Seismizität in Oklahoma mithilfe von Methoden des maschinellen Lernens. Wissenschaft. Rep. 12, 9319. https://doi.org/10.1038/s41598-022-13435-3 (2022).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Rodríguez-Pradilla, G. & Eaton, DW Automatisierte mikroseismische Verarbeitung und integrierte Interpretation der induzierten Seismizität während einer mehrstufigen hydraulischen Frakturierungsstimulation, Alberta, Kanada. Stier. Seismol. Soc. Bin. 110, 2018–2030 (2020).

Artikel Google Scholar

Igonin, N., Zecevic, M. & Eaton, DW Bilineare Magnitude-Frequenz-Verteilungen und charakteristische Erdbeben während der hydraulischen Frakturierung. Geophys. Res. Lette. 45, 12866–12874 (2018).

Artikel ADS Google Scholar

Poulin, A. et al. Brennpunktanalyse: Eine neue Methode zur stratigraphischen Tiefenkontrolle von Mikroseismizität und induzierten seismischen Ereignissen. Geophysik 84, KS173–KS182 (2019).

Artikel Google Scholar

McCord-Nelson, M. & Illingworth, WT Ein praktischer Leitfaden für neuronale Netze (Addison-Wesley Longman Publishing Co., 1991).

MATH Google Scholar

Referenzen herunterladen

Diese Arbeit wurde vom NSERC Alliance Grant ALLRP 548576-2019 mit dem Titel Dynamics of Fault Aktivierung by Hydraulic Fracturing: Insights from New Technologies finanziert.

Department of Geoscience, University of Calgary, Calgary, AB, T2N 1N4, Kanada

Ziyan Li und David W. Eaton

Institut für Physik und Astronomie, University of Calgary, Calgary, AB, T2N 1N4, Kanada

Jörn Davidsen

Hotchkiss Brain Institute, University of Calgary, Calgary, AB, T2N 4N1, Kanada

Jörn Davidsen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Konzeptualisierung: DE, JD, ZL Methodik DE, JD, ZL Untersuchung und Schreiben: DE, JD, ZL Visualisierung und Abbildungen: ZL

Korrespondenz mit David W. Eaton.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Li, Z., Eaton, DW & Davidsen, J. Physikbasiertes Deep Learning zur Vorhersage von \({\widehat{{\varvec{M}}}}_{{\varvec{m}}{\varvec{a} }{\varvec{x}}}\) beim hydraulischen Frakturieren. Sci Rep 13, 13133 (2023). https://doi.org/10.1038/s41598-023-40403-2

Zitat herunterladen

Eingegangen: 01. Juni 2023

Angenommen: 09. August 2023

Veröffentlicht: 12. August 2023

DOI: https://doi.org/10.1038/s41598-023-40403-2

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.