Numerical optimisation and machine learning advancement in solute geothermometry

Geothermie ist eine nachhaltige und erneuerbare Energiequelle. Sie kann zur
Erzeugung von grundlastfähigem Strom sowie zum Heizen und Kühlen genutzt
werden. Die im Untergrund zur Verfügung stehende Energiemenge ist abhängig
von der Reservoirtemperatur, der Durchlässigkeit des Gesteins und dem Vorhandensein
eine Fluids. Die Reservoirtemperatur ist daher ein entscheidender
Faktor bei der Entwicklung von Geothermiekraftwerken.
Die Löslichkeitsgeothermometrie ist eine kostengünstige Methode um Reservoirtemperaturen
abzuschätzen zu können. Dabei ist bei dieser Prospektionmethode,
... mehr
kein direkter Zugang zum Reservoir erforderlich. Um die Reservoirtemperatur
abschätzen zu können, muss die geochemische Zusammensetzung eines geothermalen
Fluides analysiert werden. Aufgrund von temperaturabhängigen Lösungsund
Ausfällungsreaktionen in der Lagerstätte, befinden sich die Mineralien
des Gesteins und die heiße, wässrige Lösung im chemischen Gleichgewicht.
Somit enthält das chemischen Gleichgewicht des Fluides, Informationen über
die Temperatur des Untergrunds. Während des Aufstiegs des Wassers an die
Oberflächen, verändert sich das chemische Gleichgewicht des geothermalen
Fluides. Daher spielt die Rekonstruktion des ungestörten Fluidchemismus eine
wesentliche Rolle in der Geothermometrie.
In dieser Arbeit werden zwei Löslichkeitsgeothermometer entwickelt, getestet,
verbessert und auf globaler Ebene validiert. In den Kapiteln 3 - 5 wird
die Entwicklung von MulT_predict beschrieben (Anhang B). Dabei handelt es
sich um ein optimiertes Multikomponentengeothermometer, welches auf der
Verknüpfung von MATLAB und IPhreeqc basiert. Mithilfe eines integrierten
Optimierungsprozess können sensitive Parameter zurückgerechnet werden, um
die ungestörten chemischen Bedingungen innerhalb des Reservoirs zu rekonstruieren.
Dieser Optimierungsprozess wird in Kapitel 3 vorgestellt, und im
Laufe des 4. Kapitels verbessert sowie in Kapitel 5 weltweit getestet. Darüber
hinaus wird in Kapitel 5 ein allgemeingültiges Mineralset und eine Methodik
zu dessen individueller Anpassung an unbekannte Reservoire vorgestellt. Diese
Entwicklungen verbessern die Anwendbarkeit und Genauigkeit der Reservoirtemperaturabschätzungen
im weiteren Maße. Zusammenfassend handelt es sich
bei MulT_predict um ein optimiertes Multikomponentengeothermometer.
Das zweite Löslichkeitsgeothermometer basiert auf Maschinellem Lernen, welches
zur Reservoirtemperaturabschätzung genutzt wird. Basierend auf den Ergebnissen
eines Deep-Learning-Algorithmus, welcher in Kapitel 6 untersucht wurde,
wird eine neues Löslichkeitsgeothemometer namens AnnRG entwickelt (Kapitel
7, Anhang C). Hierzu wird ein einzigartiger Datensatz erstellt, der auf 208
Datenpaaren, bestehend aus geochemischen Fluidparametern und in-situ Temperaturmessungen,
basiert. Durch das Trainieren an diesem heterogenen Datensatz,
werden die komplexen thermodynamische Wasser-Gestein-Wechselwirkungen
von AnnRG erlernt, die zur Reservoirtemperaturabschätzung benötigt werden.
Zusammenfassend stellt AnnRG eine neue Generation von Löslichkeitsgeothermometern
dar, die einen neues Anwendungsfeld in der Geochemie eröffnen.

Geothermal energy is a sustainable and renewable energy source. It can be used
to generate baseload electricity and to provide heating and cooling. The amount
of energy available in the subsurface is related to the temperature of the reservoir,
its permeability, and the presence of a heat transfer fluid. Reservoir temperature
is therefore a critical parameter in the development of geothermal power plants.
Solute geothermometry is a low-cost prospecting tool for estimating reservoir
temperatures without the need for direct access to the source. To estimate the
reservoir temperature of a hydrothermal fluid, its geochemical composition
... mehr
must be analysed. Due to temperature-dependent dissolution and precipitation
reactions in the reservoir, the mineral assemblage of the reservoir rock and
the aqueous solution are in equilibrium. This state of chemical equilibrium in
the hydrothermal fluid contains information about the reservoir temperature.
However, the chemical equilibrium cannot be preserved during the ascent to the
surface. Therefore, the reconstruction of undisturbed chemical conditions is an
essential part of solute geothermometry.
In this thesis, two approaches for solute geothermometers are developed, tested,
improved, and validated on a global scale. In Chapter 3 - 5, MulT_predict is
developed (Appendix B). It is an optimised solute multicomponent geothermometer
based on the coupling of MATLAB with IPhreeqc. Through the integrated
optimisation process, sensitive parameters can be back-calculated to reconstruct
the undisturbed chemical conditions of the reservoir. This optimisation process
is introduced in Chapter 3, further improved in Chapter 4, and tested on a global
scale in Chapter 5. In addition, a universally valid mineral set and its individual
refinement are introduced in Chapter 5 to further improve the applicability and
accuracy of reservoir temperature predictions. Eventually, MulT_predict is a
fully integrated, comprehensive multicomponent geothermometer.
The second solute geothermometer is based on a machine learning approach
investigated in Chapter 6. Based on the results of a deep learning algorithm for
reservoir temperature estimation, a solute artificial neural network geothermometer
called AnnRG is developed (Chapter 7, Appendix C). A unique dataset
is created, based on 208 data pairs of geochemical fluid parameters and in-situ
temperature measurements. The processing of such heterogeneous data trains
AnnRG complex thermodynamic water-rock interactions, resulting in accurate
reservoir temperature estimates. Eventually, AnnRG represents a new generation
of solute geothermometers, opening up a new vein of geochemistry.