La eliminación de dióxido de carbono (CO₂) de la atmósfera terrestre es una herramienta prometedora en la lucha para contrarrestar el cambio climático. La llamada captura y secuestro de carbono (CCS) utiliza técnicas mecánicas y químicas para eliminar el CO₂ Desde el aire, concéntrelo e inyéctelo bajo tierra para almacenamiento a largo plazo. Aunque CCS actualmente representa una pequeña fracción de los esfuerzos de mitigación del cambio climático, puede crecer en importancia en las próximas décadas.

Un elemento clave en CCS es garantizar que el CO recolectado₂ Las concentraciones permanecen almacenadas de forma segura y estable dentro de las unidades geológicas en las que se inyectan, lo que se hace principalmente a través de series temporales de 3D. observaciones sísmicas. como CO₂ se inyecta en los poros de la roca, altera significativamente la densidad general de la roca y otras propiedades a granel, produciendo diferentes respuestas a las ondas sísmicas entrantes.

Al observar la evolución de las propiedades sísmicas de una región a medida que se lleva a cabo un proyecto CCS, los científicos e ingenieros pueden monitorear la propagación del CO₂ en toda la zona. Sin embargo, transformar mapas sísmicos 3D en CO₂ distribuciones requiere una transformación de datos significativa, así como la interpretación por parte de un técnico. A medida que las herramientas de adquisición de datos y los intérpretes humanos cambian con el tiempo, mantener la coherencia de la serie temporal se convierte en un desafío.

Li y Li proponen abordar estas dificultades mediante el uso de un algoritmo de aprendizaje automático para el procesamiento e interpretación de datos. En su nuevo estudio, emplean un red neuronalbasado en un enfoque conocido como U-net, que se desarrolló originalmente para la interpretación de imágenes biomédicas.

Los autores entrenaron a los red utilizando una colección disponible públicamente de datos sísmicos CCS. Los datos de referencia se adquirieron en 1994, con algunas observaciones de seguimiento hasta 2010. Además de datos sísmicoslos datos de seguimiento de 2010 incluyen CO etiquetado₂ Regiones derivadas del procesamiento tradicional impulsado por humanos. Debido a que estos datos están espaciados ampliamente en el tiempo, representan observaciones realizadas con diferentes generaciones de tecnología e interpretadas por diferentes técnicos.

Después del entrenamiento, que requirió solo varias horas en una PC de consumo de alta gama, los autores evaluaron su red neuronal usando datos separados. Procesar una sola observación con la red neuronal requirió solo unos segundos. Descubrieron que la red produce resultados de alta calidad que son precisos para las etiquetas proporcionadas por humanos y consistentes entre las observaciones. Es importante destacar que U-net mantuvo su utilidad incluso frente a desajustes moderados inducidos por el procesamiento.

A medida que los proyectos CCS se expanden tanto en número como en duración, será importante establecer una línea base consistente para la interpretación de los resultados sísmicos. Este trabajo indica que un enfoque basado en redes neuronales puede proporcionar con éxito esa métrica, aumentando la confiabilidad y la comparabilidad del CO subterráneo.₂ observaciones.

Proporcionado por Eos

Esta historia se publica por cortesía de AGU Blogs (https://eos.org/), una comunidad de blogs de ciencias de la Tierra y el espacio, organizada por la Unión Geofísica Americana. Leer la historia original aquí.