地热开发中流体相关储层变化准确估计的震后序列分析时间窗口选择优化

《Geothermics》:Optimization of time-window selection in the Epidemic-Type aftershock sequence analysis for accurate estimation of fluid-related reservoir variations in geothermal development

【字体: 大 中 小 】 时间:2026年09月23日 来源:Geothermics 4.6

编辑推荐:

   •当日志子目录中的事件密度充足时,ETAS参数μ的估计是稳定的。•适当的事件密度接近全目录中的事件密度。•对时间窗口内事件密度的控制至关重要。 引言 地热发电从地下地热储层中提取高温(200–300 °C)、高压流体(例如蒸汽)来发电。地热发电碳排放极低、设施寿命长且输出

  

•当日志子目录中的事件密度充足时,ETAS参数μ的估计是稳定的。•适当的事件密度接近全目录中的事件密度。•对时间窗口内事件密度的控制至关重要。

引言

地热发电从地下地热储层中提取高温(200–300 °C)、高压流体(例如蒸汽)来发电。地热发电碳排放极低、设施寿命长且输出稳定,不依赖天气或季节,因此地热发电有望成为基荷能源并缓解气候变化。除常规地热系统外,增强型地热系统(EGS)通过人工增强和维持储层性能,各项研发工作正在进行中,有望增加商业发电厂的数量(Olasolo等,2016;Nath等,2024)。EGS涉及注入热传递流体以及增强或创造储层,这两者都是地热发电系统的关键组成部分,与热源并列。

在EGS相关技术中,抑制蒸汽产量下降的一种方法是向地热储层注水进行处理(Tester等,2007;Jia等,2022)。注入流体以热水或蒸汽的形式流入地热储层的裂隙系统,改变裂隙周围的应力条件。因此,注水可以诱发微震事件。所以,微震监测被认为是一种实用的方法,能够间接追踪储层内流体迁移并评估储层生长,具有高时空分辨率的近实时特性。即使在像日本Kakkonda这样的常规地热田中,微震监测也检测到了压力积聚期间裂隙传播的时间变化(Abé等,1983)。

这些案例展示了微震监测作为地热储层评估工具的有效性,包括地下流体流动评估和地热储层状态评估。

日本的地热田一般位于活跃的俯冲带区域,发育良好的裂隙系统往往与地热田周围频繁的自然地震相关联。因此,由地热储层内流体流动诱发的微震事件与构造地震共存的情况时有发生,使得流体流动和储层行为的监测变得复杂。准确监测储层流体流动需要区分由流体活动(例如注水)诱发的微震特性与构造地震性。为此,统计地震学方法为评估与流体流动相关的微震发生模式提供了框架。

当有足够的地震时间序列数据(发震时间、震中和震级)时,统计地震学分析可以有效进行,因此它可以在不太受每个地热田微震数据质量影响的情况下应用。统计地震学方法的代表性例子是流行性余震序列(ETAS)模型,该模型将t时刻观测到的地震发生率的条件强度解释为独立背景速率μ(遵循泊松过程)和过去事件贡献的总和,其中触发的时间衰减遵循修正的Omori定律,震级分布遵循Gutenberg–Richter定律(Gutenberg和Richter,1944;Ogata,1988;1993)。

在地热田中,μ可以解释为未被归类为任何其他地震余震的独立地震发生率,在这种情况下,μ可以解释为流体流动诱发的微震事件率(Hainzl和Ogata,2005)。(Hainzl和Ogata,2005)通过ETAS模型从Vogtland/北波西米亚复杂的震动活动中提取了"原始流体信号"。因此,μ的时空变化被认为是流体分布和迁移的重要指标。在(Kumazawa和Ogata,2013)中,使用非平稳ETAS模型定量估计了背景震动的变化,其中μ和K被建模为时间依赖函数(Kumazawa和Ogata,2013)。通过引入μ和K的时间依赖异常因子函数到平稳ETAS模型中并将它们视为待估计的附加参数,可以直接获得这些参数的时间变化。因此,为了定量估计μ的时间变化,非平稳ETAS分析被认为是合适的。然而,在地热开发中,人为操作(例如流体注入和废水回注)的信息以及产量时间变化通常是可获取的。因此,可以通过提取对应于特定操作或现象的时间窗口内的地震事件并进行统计分析,来估计每个时段的平稳μ。通过估计每个时段的平稳μ并评估其时间变化,例如根据μ的增加或减少调整注水率,可能可以获得有助于更高效、更安全、更及时操作的信息。此外,将基于平稳假设估计的每个时段的μ纳入交通灯系统(该系统根据微震活动实施预定义的地热开发协议以确保高效安全的操作),可能对进一步改进此类系统做出贡献。因此,在本研究中,我们使用时间窗口进行平稳ETAS模型分析以利用这些工程优势。由于有限时间窗口内的时间序列被假定为平稳,与非平稳ETAS模型相比,计算成本保持相对较低,且解的收敛性得到改善。(Eto等,2013)通过移动时间窗口对Okuaizu地热田的微震数据应用ETAS分析并检测到μ的时间变化。μ与注入率增加相关的显著增加表明注入操作与μ之间存在关系(Eto等,2013)。对于ETAS参数估计,最大似然估计(MLE)是一种经典且广泛使用的方法。特别是,使用Davidon–Fletcher–Powell(DFP)算法的MLE(Davidon,1991;Tester等,2006;Fletcher和Powell,1963)通常表现出良好的收敛性并能够实现快速参数估计。作为一个更先进的选项,也可使用期望最大化(EM)算法进行ETAS参数估计(Veen和Schoenberg,2008;Mizrahi等,2021)。该方法将单个地震概率分类为背景事件或余震,适合详细研究微震活动与外部强迫之间的关系。然而,EM算法通常具有相对较慢的收敛速度(Dempster等,1977;McLachlan和Krishnan,2007),导致比传统MLE更高的计算成本。因此,经典MLE方法在需要快速参数估计的工程应用中仍有优势,例如交通灯系统。

在使用移动时间窗口估计μ的时间变化时,从地震目录中提取时间序列数据的子集会减少可用于ETAS参数估计的事件数量。结果,从提取数据获得的统计估计可能偏离真实值。另一方面,在地热田中对μ变化的详细评估需要更高的时间分辨率,这要求对地震目录进行更精细的分段。因此,在时间分辨率与可用于可靠ETAS参数估计的事件数量之间存在权衡,使得μ时间变化的稳定和准确估计具有挑战性。

(Wang等,2010)研究了时间窗口长度对自然地震ETAS模型估计精度的影响,并指出较短的时间窗口会增加估计的不确定性。在他们的研究中,估计的μ值为5.68 × 10?? events/day/km2。相比之下,地热田可能表现出与流体过程相关(例如Ward,1971;Stark,1967;Majer等,2007;Megies等,2014)的群震样地震活动,因此可能有相对较大的μ值。例如,(Eto等,2013)估计Okuaizu地热田的μ约为0.32 events/day,对应约0.02 events/day/km2,远大于(Wang等,2010)报告的数值。需要注意的是,两个案例的研究区域空间范围差异显著,(Wang等,2010)分析的区域约为580 km × 556 km,而Okuaizu地热田覆盖的面积要小得多,约为3 km × 3 km。然而,尚没有研究检验在μ相对较大的地热环境中,平稳ETAS参数估计的类似偏差是否成立。

本研究旨在通过评估因事件数量有限而导致的ETAS分析误差来推进地热田的微震监测,并使用观测到的微震时间序列进行研究。此外,我们还研究了适当分析条件以稳健估计ETAS模型参数。

Okuaizu地热田的微震数据片段

本研究关注位于日本福岛县的Okuaizu地热田。该地热田有注水处理项目的历史,在注入前储层周围存在自然地震活动,并具备完善的局部微震监测系统。

在该地热田中,由于蒸汽产量下降,地热发电厂出力已经减少。为缓解这种减少,作为项目的一部分进行了注水实验。

事件数量

表1中用于生成合成目录的真值与从每个事件条件获得的1000个合成子目录中1000次试验估计的平均值和SD进行了比较(图3)。表2显示了估计值的平均和标准差。表S1显示了参数估计值的中位数。

代表性条件下ETAS参数(μ,K,c,α,p)的平均估计值为:100事件条件下为(0.938, 0.206, 1.35 × 10??, 0.558, 1.26),

参数变化的考虑

基于合成了子的分析表明,ETAS参数估计偏离真值,当事件数量较少和时间窗口较短时表现出更大的变异性。图5显示了合成目录中累积事件数与ETAS模型预测值的比较。残差图表明,通过重新估计的ETAS模型预测的累积事件数更好地拟合了

结论

在本研究中,我们使用基于地热田ETAS模型的合成目录评估了事件数量有限对ETAS参数估计的影响,并研究了适合稳健μ估计的适当分析条件。结果,以Okuaizu地热田为重点,我们发现在地热田微震目录的时间ETAS分析中,当时间窗口内事件数量较小时,μ的可靠估计变得困难。

数据和材料的可获得性

JOGMEC对真实微震数据拥有专有使用权。数据详情(连续行数据、微震目录)可经JOGMEC批准后向通讯作者申请获取。本研究中使用的合成目录是使用SAPP(Ogata,2006, 2023)生成的,使用相同的参数设置完全可重现。

资金支持

本研究部分得到了JOGMEC资助的"地热储层评估和管理技术"项目以及JSPS KAKENHI补助金编号25K01720的支持。

CRediT作者贡献声明

Naoki Aoyagi:写作 – 原稿、方法论、调查研究、形式分析、概念化。Kyosuke Okamoto:写作 – 审阅与编辑、资源、项目管理、调查研究、获取资金、形式分析、概念化。Yusuke Mukuhira:写作 – 审阅与编辑、资源、调查研究、形式分析、概念化。Hiroshi Asanuma:写作 – 审阅与编辑、获取资金、概念化。

Naoki Aoyagi | Kyosuke Okamoto | Yusuke Mukuhira | Hiroshi Asanuma
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号