Towards seamless integration of data and physics: machine learning workflows for subsurface flow and induced seismicity forecasting in geo-energy applications

Abstract

(English) Geo-energy applications, such as geothermal energy, geologic carbon capture and storage, and underground hydrogen storage, have the potential to address anthropogenic climate change by contributing to the decarbonization of the energy sector and in the so-called hard-to-abate-industries. However, the large-scale expansion of this technology is hampered by the problem of felt induced seismicity. This poses a key technical and social challenge, as current mitigation protocols such as the Traffic Light System (TLS) have led to several severe failures and project cancellations. These setbacks underscore the need for more adaptive and physics-based approaches in the field of seismic hazard control. This thesis addresses this challenge by developing machine learning workflows that combine physics-informed modeling and data-driven seismicity forecasting. The following key contributions of the thesis were derived from this overarching objective. The conducted literature review analyses the existing mitigation schemes for seismic hazard and proposes a conceptual shift away from reactive TLS protocols toward adaptive, model-driven forecasting, and operational control. For this purpose, this chapter discusses the latest developments in machine learning with respect to real-time data processing, continuous reservoir characterization through physics-based surrogate modeling, and control theory. The first modeling study in the thesis compares the modeling performance of data-driven versus physics-informed neural networks for fluid pressure diffusion in a heterogeneous porous medium. The PINN outperforms ANN for sparse and noisy spatial observations, offering a robust solution for hydrogeological contexts where data are limited. Subsequently, the second modeling study introduces WellPINN, a workflow based on physics-informed neural networks that accurately represents a pumping well on multiple spatial scales in a 2D reservoir domain. This model combines sequentially trained subnetworks to simulate pressure diffusion from the well to the reservoir boundary, laying the foundation for future inverse modeling of reservoir permeability. The final work within this thesis presents a novel workflow for real-time forecasting of induced seismicity based on a data-driven machine learning approach. It forecasts seismic event rates and maximum magnitudes starting from early injection times, while providing performance insights by tracking feature importance over time. We apply our workflow to the seismic catalog of the Illinois Basin Decatur carbon storage site. In general, this thesis addresses induced seismicity from two complementary angles: advances in physics-based reservoir modeling with PINNs and the development of adaptive, data-driven forecasting workflows. By presenting a novel workflow based on a literature review and by developing new methods for combining physics-based reservoir modeling and data-driven seismicity forecasting, this thesis contributes to the advancement of the next generation of mitigation frameworks for the control of induced seismic hazard.

(Català) Les aplicacions geo-energètiques, com l'energia geotèrmica, la captura i emmagatzematge de carboni geològic, i l'emmagatzematge subterrani d'hidrogen, tenen el potencial d'abordar el canvi climàtic antropogènic contribuint a la descarbonització del sector energètic i en les anomenades indústries difícils de matar. No obstant això, l'expansió a gran escala d'aquesta tecnologia es veu obstaculitzada pel problema de la sismicitat induïda pel sentiment. Això planteja un repte tècnic i social clau, ja que els actuals protocols de mitigació com el Sistema Lleuger de Trànsit (TLS) han provocat diverses fallades greus i cancel·lacions de projectes. Aquests contratemps subratllen la necessitat d'aproximacions més adaptatives i basades en la física en el camp del control de riscos sísmics. Aquesta tesi aborda aquest repte mitjançant el desenvolupament de fluxos de treball d'aprenentatge automàtic que combinen la modelització informada per la física i la predicció de la sismicitat basada en dades. Les següents contribucions clau de la tesi es van derivar d'aquest objectiu general. La revisió de la literatura realitzada analitza els esquemes de mitigació existents per al risc sísmic i proposa un canvi conceptual lluny dels protocols TLS reactius cap a la previsió adaptativa, basada en models i el control operatiu. Amb aquesta finalitat, aquest capítol analitza els últims desenvolupaments en l'aprenentatge automàtic respecte al processament de dades en temps real, la caracterització contínua de reservoris a través de la modelització de substituts basada en la física i la teoria de control. El primer estudi de modelatge de la tesi compara el rendiment de modelatge de xarxes neuronals basades en dades versus xarxes neuronals informades per la física per a la difusió de pressió de fluids en un medi porós heterogeni. El PINN supera l'ANN per a observacions espacials disperses i sorolloses, oferint una solució robusta per a contextos hidrogeològics on les dades són limitades. Posteriorment, el segon estudi de modelatge introdueix WellPINN, un flux de treball basat en xarxes neuronals informades per la física que representa amb precisió un pou de bombament en múltiples escales espacials en un domini de reservori 2D. Aquest model combina subxarxes entrenades seqüencialment per simular la difusió de la pressió des del pou fins a la frontera del reservori, establint les bases per a la futura modelització inversa de la permeabilitat del reservori. El treball final d'aquesta tesi presenta un nou flux de treball per a la predicció en temps real de la sismicitat induïda basat en un enfocament d'aprenentatge automàtic basat en dades. Pronostica taxes sísmiques d'esdeveniments i magnituds màximes a partir dels primers temps d'injecció, alhora que proporciona informació de rendiment mitjançant el seguiment de la importància de les característiques al llarg del temps. Apliquem el nostre flux de treball al catàleg sísmic del lloc d'emmagatzematge de carboni Decatur de la Conca d'Illinois. En general, aquesta tesi aborda la sismicitat induïda des de dos angles complementaris: els avenços en la modelització de reservoris basada en la física amb PINN i el desenvolupament de fluxos de treball de predicció adaptatius i basats en dades. Mitjançant la presentació d'un nou flux de treball basat en una revisió de la literatura i el desenvolupament de nous mètodes per combinar la modelització de reservoris basada en la física i la predicció de la sismicitat impulsada per dades, aquesta tesi contribueix a l'avanç de la propera generació de marcs de mitigació per al control del risc sísmic induït.

(Español) Las aplicaciones geoenergéticas, como la energía geotérmica, la captura y almacenamiento geológico de carbono y el almacenamiento subterráneo de hidrógeno, tienen el potencial de hacer frente al cambio climático antropogénico al contribuir a la descarbonización del sector energético y de las denominadas «industrias difíciles de reducir». Sin embargo, la expansión a gran escala de esta tecnología se ve obstaculizada por el problema de la sismicidad inducida. Esto plantea un reto técnico y social clave, ya que los protocolos de mitigación actuales, como el sistema de semáforos (TLS), han dado lugar a varios fallos graves y a la cancelación de proyectos. Estos contratiempos ponen de relieve la necesidad de enfoques más adaptables y basados en la física en el campo del control de los riesgos sísmicos. Esta tesis aborda este reto mediante el desarrollo de flujos de trabajo de aprendizaje automático que combinan la modelización basada en la física y la predicción de la sismicidad basada en datos. Las siguientes contribuciones clave de la tesis se derivan de este objetivo general. La revisión de la literatura presenta un cambio conceptual que se aleja de los protocolos TLS reactivos hacia la predicción adaptativa basada en modelos y el control operativo. Con este fin, este capítulo analiza los últimos avances en aprendizaje automático con respecto al procesamiento de datos en tiempo real, la caracterización continua de yacimientos mediante modelos sustitutivos basados en la física y la teoría de control. El primer estudio de modelización de la tesis compara el rendimiento de la modelización de redes neuronales basadas en datos frente a redes neuronales informadas por la física para la difusión de la presión de fluidos en un medio poroso heterogéneo. La PINN supera a la ANN en observaciones espaciales dispersas y ruidosas, ofreciendo una solución robusta para contextos hidrogeológicos en los que los datos son limitados. Posteriormente, el segundo estudio presenta WellPINN, un flujo de trabajo basado en redes neuronales informadas por la física que representa con precisión un pozo de bombeo en múltiples escalas espaciales en un dominio de yacimiento 2D. Este modelo combina subredes entrenadas secuencialmente para simular la difusión de la presión desde el pozo hasta el límite del yacimiento, sentando las bases para el futuro modelado inverso de la permeabilidad del yacimiento. El trabajo final de esta tesis presenta un novedoso flujo de trabajo para la predicción en tiempo real de la sismicidad inducida basado en un enfoque de aprendizaje automático basado en datos. Predice las tasas de eventos sísmicos y las magnitudes máximas a partir de los primeros momentos de la inyección, al tiempo que proporciona información sobre el rendimiento mediante el seguimiento de la importancia de las características a lo largo del tiempo. Aplicamos nuestro flujo de trabajo al catálogo sísmico del yacimiento de almacenamiento de carbono de Decatur, en la cuenca de Illinois. En general, esta tesis aborda la sismicidad inducida desde dos ángulos complementarios: los avances en el modelado de yacimientos basado en la física con PINN y el desarrollo de flujos de trabajo de predicción adaptativos y basados en datos. Al presentar un novedoso flujo de trabajo basado en una revisión de la literatura y desarrollar nuevos métodos para combinar el modelado de yacimientos basado en la física y la predicción de sismicidad basada en datos, esta tesis contribuye al avance de la próxima generación de marcos de mitigación para el control del riesgo sísmico inducido.