Process-based machine learning for multi-physics and chemistry in geothermal applications: parameter estimation and optimization under uncertainties

Santoso, Ryan Kurniawan; Kowalski, Julia; Saar, Martin O.; Prasianakis, Nikolaos; Wellmann, Jan Florian

doi:44992

Process-based machine learning for multi-physics and chemistry in geothermal applications: parameter estimation and optimization under uncertainties

Santoso, Ryan Kurniawan^RWTH*

2024 & 2026

Verantwortlichkeitsangabevorgelegt von Ryan Kurniawan Santoso, M. Sc.

ImpressumAachen : RWTH Aachen University 2024

Umfang1 Online-Ressource : Illustrationen

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2024. - Dissertation, ETH Zürich, 2024

Cotutelle-Dissertation. - Veröffentlicht auf dem Publikationsserver der RWTH Aachen University 2026

Genehmigende Fakultät
Fak05

Hauptberichter/Gutachter
Wellmann, Jan Florian (Thesis advisor)^RWTH* ; Saar, Martin O. (Thesis advisor) ; Kowalski, Julia (Thesis advisor)^RWTH* ; Prasianakis, Nikolaos (Thesis advisor)

Tag der mündlichen Prüfung/Habilitation
2024-11-21

Online
DOI: 10.18154/RWTH-2025-09337
URL: https://publications.rwth-aachen.de/record/1020929/files/1020929.pdf

Einrichtungen

Projekte

EASYGO - Efficiency and Safety in Geothermal Operations (956965) (956965)

Inhaltliche Beschreibung (Schlagwörter)
chemical equilibrium (frei) ; geothermal (frei) ; global sensitivity analysis (frei) ; non-intrusive reduced basis method (frei) ; uncertainty quantification (frei)

Thematische Einordnung (Klassifikation)
DDC: 550

Kurzfassung
Geothermale Energie, die Wärme aus der Erde, bietet eine saubere und nachhaltige Alternative, um sich von fossilbrennstoffbasierter Energie abzuwenden und dem Klimawandel entgegenzuwirken. Da diese Energiequelle aus dem Untergrund stammt und nur wenige Messdaten für ihre Charakterisierung verfügbar sind, muss bei der Gestaltung eines effizienten und sicheren Extraktionsprozesses auf numerische Simulationen zurückgegriffen werden. Diese numerischen Simulationen sollten auch Unsicherheiten adressieren, die durch ungenaue Charakterisierung aufgrund knapper Messdaten entstehen, um Robustheit und Zuverlässigkeit zu gewährleisten. Dies stellt eine bedeutende rechnerische Herausforderung dar, die zahlreiche Modellläufe erfordert, um Inversions- und Optimierungsprobleme zu lösen. In dieser Dissertation stellen wir eine effiziente Methode vor, um diese inversen und Optimierungsprobleme unter einem multiphysikalischen und chemischen Rahmen zu ermöglichen, was mit den derzeitigen modernsten numerischen Methoden wie der Finite-Elemente- und Finite-Volumen-Methode nicht machbar ist. In letzter Zeit wurde Künstliche Intelligenz und Maschinelles Lernen wie Neuronale Netze häufig eingesetzt, um numerische Simulationen zur Durchführung kostspieliger inverser und Optimierungsaufgaben in geothermischen Anwendungen zu beschleunigen. Ein Modell mit Künstlicher Intelligenz stellt ein numerisches Modell dar, das es eine Beziehung zwischen Ein- und Ausgabe auf datengesteuerte Weise lernt. Da datengesteuerte maschinelle Lernmodelle jedoch nicht auf Physik- und Chemiegesetzen basieren, können sie oft ungenaue Vorhersagen liefern. Folglich erfordert die Erzielung höherer Vorhersagegenauigkeit eine große Anzahl von Trainingsdaten, was zu einer umfangreichen Generierung von Trainingsdaten führt. Daher ist es entscheidend, das Wissen über physikalische und chemische Prozesse in den Aufbau von maschinellen Lernmodellen zu integrieren, insbesondere durch prozessbasierte maschinelle Lernmethoden, um genaue Vorhersagen und die Effizienz von maschinellen Lernmodellen zu gewährleisten. Es gibt verschiedene prozessbasierte maschinelle Lernmethoden, wie die nichtintrusive reduzierte Basismethode und das physikbasierte Neuronale Netzwerk. Nicht alle prozessbasierten maschinellen Lernmethoden sind jedoch für den Umgang mit den mehrphysikalischen und chemischen Prozessen in geothermischen Anwendungen geeignet. Anhand von zwei mehrphysikalischen Problemen, hydro-mechanischen (HM) Benchmark-Problemen, die in geothermischen Anwendungen häufig verwendet werden, vergleichen wir die nichtintrusive reduzierte Basismethode, das physikbasierte neuronale Netzwerk und datengesteuerte maschinelle Lernmethoden. Unsere Ergebnisse zeigen, dass die nichtintrusive reduzierte Basismethode die genauesten Näherungen mit der geringsten Anzahl von Trainingsdaten liefert. Die nichtintrusive reduzierte Basismethode zeigt auch eine signifikante Beschleunigung im Vergleich sowohl zum physikbasierten Neuronalen Netzwerk als auch zu datengesteuerten maschinellen Lernmethoden. Diese Erkenntnis ist entscheidend für die Bearbeitung realer geothermischer Systeme, bei denen numerische Modelle oft hochdimensional und nichtlinear sind und erhebliche Rechenressourcen für die Generierung von Trainingsdaten erfordern. Dies brachte uns dazu, die nichtintrusive reduzierte Basismethode für reale, mehrphysikalische geothermische Systeme, wie den Fall von Den Haag, weiter zu Entwickeln. Wir führen eine Bewertung des Wärmeentzugsprozesses in Den Haag, Niederlande, unter Verwendung der nichtintrusiven reduzierten Basismethode durch. Dies ermöglicht uns, eine Unsicherheitsquantifizierung effizient durchzuführen, um die Platzierung der Produktionsbohrlöcher zu untersuchen, unser Verständnis des transienten thermo-hydraulischen (TH) Prozesses in Den Haag aus der Perspektive der Entropieproduktion zu verbessern und optimale Betriebsbedingungen unter Berücksichtigung von Unsicherheiten zu entwerfen. Bemerkenswert ist, dass die nichtintrusive reduzierte Basismethode eine beeindruckende Beschleunigung um sechs bis sieben Größenordnungen im Vergleich zur Verwendung der Finite-Elemente-Methode zeigt. Darüber hinaus markiert unsere Arbeit die erste Implementierung der nichtintrusiven reduzierten Basismethode zur Bewältigung von Chemieproblemen, wie reaktive Transportprobleme und chemische Gleichgewichtsberechnungen. Diese Probleme sind für ihre Nichtlinearität und das Vorhandensein von 'Schock'-Merkmalen bekannt. Die Berücksichtigung dieser 'Schock'-Merkmale stellt eine erhebliche Herausforderung dar, wenn datengesteuerte maschinelle Lernmethoden verwendet werden, welche die bisher am häufigsten verwendeten Ansätze in der geochemischen Forschungsgemeinschaft sind. Wir zeigen, dass die nichtintrusive reduzierte Basismethode die "Schock"-Merkmale mit einer geringeren Anzahl von Trainingsdaten erfassen kann, verglichen mit datengesteuerten maschinellen Lernmethoden. Dieses Ergebnis eröffnet Möglichkeiten für zukünftige Inversions- und Optimierungsprobleme, die Chemie von echten, geologischen Fallbeispielen betreffen, welche sonst einen hohen Rechenaufwand erfordern.

Geothermal energy, the heat from the Earth, offers a clean and sustainable alternative for transitioning away from fossil-fuel based energy and addressing climate change. Given that this energy resource is located underground and sparse measurement data are available for its characterization, designing an efficient and safe extraction process must rely on numerical simulations. The numerical simulations should also address uncertainties associated with inaccurate characterization caused by sparse measurement data, ensuring robustness and reliability. This poses a significant computational challenge, demanding numerous model runs to solve inverse and optimization problems. In this dissertation, I present an efficient method to enable these inverse and optimization problems under multi-physics and chemistry settings, which is not feasible using the current state-of-the-art numerical methods, such as finite element and finite volume methods. Recently, machine learning methods, such as Neural Networks, have been widely employed to accelerate numerical simulations for performing costly inverse and optimization tasks in geothermal applications. A machine learning model represents a numerical model by learning its input-output relationship, a data-driven approach. However, since data-driven machine learning models are not inherently based on physics and chemistry laws, they can often produce inaccurate predictions. Consequently, achieving higher prediction accuracy requires many training samples, leading to exhaustive sample generation. Therefore, integrating the knowledge of physical and chemical processes into the construction of machine learning models, namely process-based machine learning methods, is essential to ensure accurate predictions and the efficiency of machine learning models. There are several process-based machine learning methods, such as the non-intrusive reduced-basis method and the Physics-Informed Neural Network. However, not all process-based machine learning methods are suitable for dealing with the multi-physics and chemistry settings in geothermal applications. Using two multi-physics problems, hydro-mechanical (HM) benchmark problems used in geothermal applications, I compare the non-intrusive reduced-basis method, the Physics-Informed Neural Network, and data-driven machine learning methods. The results indicate that the non-intrusive reduced-basis method provides the most accurate approximations with the smallest number of training samples. The non-intrusive reduced-basis method also demonstrates a more substantial speedup compared to both the Physics-Informed Neural Network and data-driven machine learning methods. This finding is crucial for addressing real-world geothermal cases, where numerical models are often high-dimensional and non-linear, requiring significant computational resources for generating training samples. This convinced me to implement the non-intrusive reduced-basis method for real-world, multi-physics geothermal cases, such as the The Hague case. I conduct an assessment of the heat extraction process in The Hague, Netherlands, utilizing the non-intrusive reduced-basis method. This allows me to efficiently perform uncertainty quantification to address producer placement, enhancing the understanding of the transient thermo-hydraulic (TH) process in The Hague from the perspective of entropy production, and designing optimum operating conditions while considering uncertainties and safety. Notably, the non-intrusive reduced-basis method demonstrates an impressive six to seven orders-of-magnitude speedups compared to the use of the finite element method. Furthermore, this work marks the first implementation of the non-intrusive reduced-basis method for addressing chemistry (C) problems, such as reactive transport problems and chemical equilibrium calculations. These problems are known for their nonlinearity and the presence of 'shock' features. Capturing these 'shock' features poses a significant challenge when utilizing data-driven machine learning methods, which are, up to now, the most used approaches within the geochemistry communities. I show that the non-intrusive reduced-basis method can capture the "shock" features with a smaller number of training samples, compared to the data-driven machine learning methods. This result opens up possibilities for future inverse and optimization involving chemistry in real-world geothermal cases, which are computationally expensive.

OpenAccess:
PDF
(additional files)