Das CAI wirft einen Blick auf die Rolle der KI bei der Energiewende.
Die KI kann dazu beitragen, die Bedingungen im Untergrund für eine sichere Nutzung der Geothermie besser zu ermitteln; natürlich sollte sie auch selbst energieeffizienter werden.
In einer kürzlich erfolgten Zusammenarbeit zwischen dem Zentrum für Künstliche Intelligenz (CAI) der ZHAW und dem Karlsruher Institut für Technologie (KIT) haben wir verschiedene Algorithmen des maschinellen Lernens analysiert, die bei der Vorhersage der für die Nutzung der Geothermie relevanten Bedingungen im Untergrund helfen. Außerdem reduzierte die ML-basierte Inferenz den erforderlichen Rechenaufwand um sechs Größenordnungen im Vergleich zu traditionellen Simulationsmodellen.
Hier ist die Zusammenfassung des kürzlich in der Zeitschrift Geothermics von Elsevier veröffentlichten Artikels:
Die Berücksichtigung von Unsicherheiten ist für eine genaue Entscheidungsfindung bei unterirdischen Anwendungen unerlässlich. Wir schlagen einen neuartigen Ansatz vor, um strukturelle Unsicherheiten in zwei verbesserten geothermischen Systemen (EGS) mithilfe von Modellen des maschinellen Lernens (ML) zu berücksichtigen. Die Ergebnisse numerischer Simulationen zeigen, dass eine kleine Änderung des Strukturmodells zu einer signifikanten Veränderung der Tracer-Durchbruchskurven (BTCs) führen kann. Um eine robustere Methode zur Berücksichtigung struktureller Unsicherheiten zu entwickeln, trainieren wir drei verschiedene ML-Modelle: Entscheidungsbaum-Regression (DTR), Random-Forest-Regression (RFR) und Gradient-Boosting-Regression (GBR). DTR und RFR sagen die gesamte BTC auf einmal voraus, aber sie sind anfällig für Overfitting und Underfitting. Im Gegensatz dazu sagt GBR jeden Zeitschritt der BTC als separate Zielvariable voraus und berücksichtigt dabei die mögliche Korrelation zwischen aufeinanderfolgenden Zeitschritten. Dieser Ansatz wird mit einer Kette von Regressionsmodellen umgesetzt. Das Kettenmodell erreicht einen akzeptablen Anstieg des RMSE von den Trainings- zu den Testdaten, was seine Fähigkeit bestätigt, sowohl den allgemeinen Trend als auch kleinräumige Heterogenitäten der BTCs zu erfassen. Darüber hinaus wird durch die Verwendung des ML-Modells anstelle des numerischen Solvers die Berechnungszeit um sechs Größenordnungen reduziert. Dank dieser Zeitersparnis können wir BTCs für 2′000 verschiedene Lagerstättenmodelle berechnen, was eine umfassendere Quantifizierung der strukturellen Unsicherheit für EGS-Fälle ermöglicht. Das Kettenmodell ist besonders vielversprechend, da es robust gegenüber Über- und Unteranpassung ist und effizient BTCs für eine große Anzahl von Strukturmodellen erzeugen kann.