石油生产和地热能源都需要流体通过地下岩石的裂缝通道。然而，精确测绘和测量为流体流动而产生的裂缝是一项挑战，因为地下发生的事情是看不见的。地震勘探是由声音反射到地下特征时产生的，可以产生反射成像，但这些不是详细的图像，没有受过地球科学训练的人很难破译。
德克萨斯农工大学的研究生研究员Aditya Chakravarty认为，不同的声源可以产生更清晰、更准确的图像，至少在描绘裂缝时是这样。在他的导师、哈罗德万斯石油工程系的Siddharth Misra博士的指导下，Chakravarty正在使用机器学习算法，专注于岩石在地下破裂时发出的被动声音，以便准确地评估和绘制裂缝。
这项研究得到了能源部(DOE)授予Misra的拨款支持，并继续Chakravarty在2020年夏天作为劳伦斯伯克利国家实验室实习生所做的工作。目前的研究和实习都与美国能源部地热技术办公室创建的增强型地热系统合作项目(EGS Collab)有关。
虽然对于一个获得石油工程博士学位的学生来说，参加一个推进地热方法的项目似乎很奇怪，因为地热方法有一天可能会为数百万家庭提供电力，但查克拉瓦蒂并不同意。
Chakravarty说:“石油工程师对地热能的基本概念有非常扎实的掌握，比如钻井完井、流体流动等。“我发现大多数地热项目的负责人以前都是石油工程师或油藏工程师。”
流体流动已经进行了足够详细的研究，有了定义良好的方程来预测它们的行为，但地下油藏中的流体流动可能很棘手。许多储层岩石的颗粒非常致密，除非它们破裂或破裂，否则流体无法流过它们。这些岩石中的大多数都是高度非均质的，这意味着它们的类型各不相同，因此裂缝的形状、大小和长度可能非常不同，因此很难预测。要让石油从致密的页岩储层中流出，或者让水通过热岩石向下流动，成为向上的蒸汽出口，取决于对地下实际裂缝通道的更好可视化。
Chakravarty说:“为了理解并确保我们制造了正确的裂缝，我们需要能够正确地对它们进行成像和描述。”“例如，我们可以泵入水来产生蒸汽，但如果我们没有在正确的地方建立裂缝，将液体引导回地热发电厂，液体就会在地下流失。”
Chakravarty正在使用EGS合作实验室从南达科他州Homestake矿的Sanford地下研究设施收集的数据，在那里进行了超过4800英尺深的注入、压裂和生产测试，并进行了监测和记录。他的任务是将盲的或无监督的机器学习方法应用于这些地下数据测量，以更好地了解地下裂缝状态的特征。
机器学习算法有两大类:有监督的和无监督的。有监督的机器学习有点像参加一场考试，所有的问题都是在背诵的教科书中的某个地方;一切都是已知的，只是需要确认。无监督学习处理未知但可能相关的事物。算法必须通过对主题的一般理解来过滤数据，并从可能不重要的内容中提取出似乎重要的内容。
由于理解地下不可见裂缝的复杂性，无监督学习非常适合这项工作。这些算法对EGS合作测量设备收集的数据进行筛选，并根据Chakravarty的指导对发现的数据进行分类。
Chakravarty说:“通过巧妙的处理，拼图碎片从随机的地下噪音中出现，开始讲述一个紧密连贯的故事。”“对于我这个对地震学接触有限的石油工程专业学生来说，这是一个顿悟。”
查克拉瓦蒂可能不擅长地震学，但他拥有地球科学学士学位和硕士学位，以及石油工程硕士学位。他来到德州农工大学(Texas A&M)完成石油工程教育，在为Misra公司从事一个基于使用被动声音表征岩石裂缝的机器学习项目后，他对科学产生了深刻的欣赏。Chakravarty在Lawrence Berkeley获得了梦寐以求的实习机会，进一步发展了他对机器学习的兴趣，这也让他加入了EGS合作项目。他为自己与地热项目的关系感到自豪，并提倡广泛教育的优势。
Chakravarty说:“我采用了这种跨学科的方法，包括地球物理和岩石物理学，以及核心工程概念。”“这让我了解到所有这些不同的学科是如何结合在一起，并理解正在发生的事情。”