danieldelgadouriarte.comresumen de investigación

Resumen de investigación · simulación geotérmica y térmica · Investigación en curso

Simulación de yacimientos geotérmicos con open-DARTS y surrogates de machine learning

Daniel Delgado Uriarte en Texas A&M University: yacimientos calientes donde el agua hierve cerca del pozo, y cómo estudiarlos en minutos en lugar de días.

Proponer una colaboración CV (PDF, en inglés)

Dos gráficas de presión y saturación de líquido frente a t entre r al cuadrado, que comparan la solución de referencia, S-Cubed 1980 y open-DARTS a radios de 0,5 m y 1 m
Figura. Intercomparación de modelos geotérmicos de Stanford de 1980, problema 2C: agua líquida a 300 °C y 90 bar, justo por encima de la ebullición, producida desde un yacimiento radial; la caída de presión hace que el agua se vaporice. La solución exacta depende solo de t/r², así que todos los radios deberían caer en una misma curva. La saturación de líquido coincide bien con la referencia. La presión junto al pozo se desvía al final de la corrida y la celda de 0,5 m acaba en el límite inferior de 20 bar del solver; la solución prevista es refinar la malla localmente. Esta corrida usó una correlación de viscosidad del líquido que después resultó sobrestimar la viscosidad del agua por encima de unos 200 °C y aún no se ha repetido. Datos de referencia: Waiwera benchmark suite.

Explicado de forma sencilla

En un yacimiento geotérmico caliente, la presión cae cerca del pozo productor y el agua puede hervir (flash) y convertirse en vapor. Justo ahí es donde los simuladores térmicos pueden atascarse.

Este trabajo usa el simulador de código abierto open-DARTS con una formulación presión–entalpía que sigue funcionando durante la ebullición, lo comprueba con benchmarks publicados y añade surrogates de machine learning para que un estudio necesite unas pocas decenas de simulaciones en lugar de cientos.

Qué aporta

  • Migración a open-DARTS de un modelo de ECLIPSE 300 THERMAL de un yacimiento a 310 °C, ajustando el caudal másico del productor con un error del 0,3–0,8 %.
  • Comprobación con benchmarks térmicos clásicos: el problema radial de ebullición de Stanford de 1980 (figura de arriba) y los problemas de cyclic steam y steamflood del SPE 4.
  • Surrogates de procesos gaussianos con active learning. Con el dataset público de Brady Hot Springs del NREL (101 casos), un surrogate de PCA + proceso gaussiano obtuvo un error de validación cruzada menor que la red neuronal publicada.
  • Herramientas para los pasos que suelen llevar horas de edición manual entre corridas del simulador: un lector y comprobador de decks de ECLIPSE, un traductor de deck a DARTS, un validador automático y una fábrica de casos.

Datos utilizados

  • Dataset de simulaciones de Brady Hot Springs del NREL (geothermal_osr, GDR submission 1346, licencia BSD-3): 101 casos; las entradas son el reparto de caudal entre los 10 pozos.
  • Solución de referencia y resultados de S-Cubed del problema 2C de Stanford de 1980, del Waiwera benchmark suite.
  • El Fourth SPE Comparative Solution Project (Aziz, Ramesh y Woo, JPT 1987, SPE 13510).

Estado

Investigación en curso. Se están regenerando los datasets de entrenamiento tras una corrección de las propiedades del fluido; los resultados mostrados son sobre benchmarks públicos. Trabajo geotérmico relacionado: el estudio de perforación en Utah FORGE, un emplazamiento de investigación geotérmica, tiene un abstract enviado al 52nd Stanford Geothermal Workshop (ver el resumen de perforación).

Trabajar juntos en esto

Si haces estudios geotérmicos o térmicos y quieres menos simulaciones por estudio, pasar un modelo a open-DARTS o comprobar otro benchmark, propónlo.

Proponer una colaboración CV (PDF, en inglés)

El botón abre el formulario de contacto de la página principal con este proyecto ya seleccionado. Tu mensaje le llega a Daniel por e-mail.

Otros resúmenes de investigación: Qué detectan en el fondo los datos de superficie · Transporte de H₂/CH₄ en polietileno