KIT | KIT-Bibliothek | Impressum | Datenschutz

MALEG - Maschinelles Lernen zur Verbesserung der Geothermischen Energienutzung

Ystroem, Lars H. ORCID iD icon 1; Trumpp, Michael 1; Goldberg, Valentin [Beteiligte*r] ORCID iD icon 1; Eichinger, Florian [Beteiligte*r]; Amtmann, Johannes [Beteiligte*r]; Winter, Daniel [Beteiligte*r]; Koschikowski, Joachim [Beteiligte*r]; Kohl, Thomas [Beteiligte*r] 1
1 Institut für Angewandte Geowissenschaften (AGW), Karlsruher Institut für Technologie (KIT)

Abstract:

Möglichen Effizienzsteigerungen von geothermischer Energieproduktion durch Verringerung der Reinjektionstemperatur stehen meist hydrochemische Randbedingungen entgegen. Hoch mineralisierte Thermalwässer tendieren verstärkt zu unkontrollierten Mineralausfällung (Scalings) bei größerer Druckentlastung oder Abkühlung. Sie sind ein stark limitierender Faktor für den effizienten und kontinuierlichen Betrieb von Geothermieanlagen. Komplexe standortspezifische Thermalwasserchemie erschwert deren Vorhersage und Quantifizierung mittels deterministischer geochemischer Modelle. Im MALEG Projekt werden geochemische Modelle durch eine künstliche Intelligenz ergänzt, welche mit hydrogeochemischen Daten aus vor Ort Experimenten trainiert wird.


Volltext §
DOI: 10.5445/IR/1000163546
Veröffentlicht am 30.10.2023
Cover der Publikation
Zugehörige Institution(en) am KIT Institut für Angewandte Geowissenschaften (AGW)
Publikationstyp Poster
Publikationsdatum 18.10.2023
Sprache Deutsch
Identifikator KITopen-ID: 1000163546
HGF-Programm 38.04.04 (POF IV, LK 01) Geoenergy
Veranstaltung Der Geothermiekongress (DGK 2023), Essen, Deutschland, 17.10.2023 – 19.10.2023
Projektinformation MALEG (BMWK, 03EE4041B)
Schlagwörter MALEG
Referent/Betreuer Nitschke, Fabian
KIT – Die Forschungsuniversität in der Helmholtz-Gemeinschaft
KITopen Landing Page