Поиск перспективных участков для разведки геотермальных ресурсов на основе комплексного анализа разрезов петро- и теплофизических свойств пород

Обложка

Цитировать

Полный текст

Аннотация

Целью работы являлось выделение перспективных участков для разведки геотермальных ресурсов по результатам комплексного анализа разрезов петро- и теплофизических свойств пород. По результатам магнитотеллурических зондирований, проведенных в рассматриваемой геотермальной зоне ранее, и построенных двумерных моделей удельного сопротивления, пористости, проницаемости, температуры, теплопроводности и удельной теплоемкости выполнен комплексный кластерный анализ разрезов всех перечисленных параметров. По всем рассматриваемым параметрам построен кластерный разрез, который по существу является петро- теплофизическим «паспортом» изучаемого участка недр, каждый пространственный кластер которого характеризуется своим набором диапазонов значений рассматриваемых свойств. В геотермальной области Сульц-су-Форе (Франция) выделены два участка, перспективные для бурения разведочных скважин. Один из них соответствует найденному ранее и уже разрабатываемому резервуару петротермальной энергии. Второй расположен на глубинах 2–3 км в другой части разреза и может представлять интерес для проведения новых разведочных работ. Созданная таким образом информационная база является удобным инструментарием для интерактивного отбора участков, перспективных с точки зрения поиска тех или иных ресурсов, и построения так называемой «карты перспективности» участков поверхности для бурения разведочных скважин.

Об авторах

А. И. Ненюкова

Российский государственный геологоразведочный университет им. Серго Орджоникидзе

Email: nenyukovaai@mail.ru

В. В. Спичак

Центр геоэлектромагнитных исследований – филиал Института физики Земли им. О.Ю. Шмидта РАН

Email: v.spichak@mail.ru

Список литературы

  1. Manzella A., Serra D., Cesari G., Bargiavchi E., Cei M., Cerutti P., et al. Geothermal energy use, country update for Italy // European Geothermal Congress 2019 (Den Haag, 11–14 June 2019). Den Haag, 2019. P. 1–19.
  2. Olasolo P., Juárez M.C., Morales M.P., D’Amico S., Liarte I.A. Enhanced geothermal systems (EGS): a review // Renewable and Sustainable Energy Reviews. 2016. Vol. 56. P. 133–144. https://doi.org/10.1016/j.rser.2015.11.031.
  3. Fridleifsson G.O., Bogason S.G., Stoklosa A.W., Ingolfsson H.P., Vergnes P., Thorbjörnsson I.Ö., et al. Deployment of deep enhanced geothermal systems for sustainable energy business // European Geothermal Congress 2016 (Strasbourg, 19–24 September 2016). Strasbourg, 2016. P. 1–8.
  4. Koelbel T., Genter A. Enhanced geothermal systems: the Soultz-sous-Forêts project // Towards 100 % Renewable Energy / ed. T. Uyar. Cham: Springer, 2017. P. 243–248.
  5. Muñoz G. Exploring for geothermal resources with electromagnetic methods // Surveys in Geophysics. 2014. Vol. 35. P. 101–122. https://doi.org/10.1007/s10712-013-9236-0.
  6. Amatyakul P., Wood S.H., Rung-arunwan T., Vachiratienchai C., Prommakorn N., Chanapiwat P., et al. An assessment of a shallow geothermal reservoir of Mae Chan hot spring, northern Thailand via magnetotelluric surveys // Geothermics. 2021. Vol. 95. P. 102137. https://doi.org/10.1016/j.geothermics.2021.102137.
  7. Bertrand E., Caldwell T.G., Hill G.J., Bennie S.L. 3-D inversion of a 200+ site magnetotelluric array for deep geothermal exploration // 5th International Symposium on Three-Dimensional Electromagnetics (Sapporo, 7–9 May 2013). Sapporo, 2013. P. 1–3.
  8. Heise W., Caldwell T.G., Bibby H.M., Bannister S.C. Three-dimensional modelling of magnetotelluric data from the Rotokawa geothermal field, Taupo Volcanic Zone, New Zealand // Geophysical Journal International. 2008. Vol. 173. Iss. 2. P. 740–750. https://doi.org/10.1111/j.1365-246X.2008.03737.x.
  9. Maryadi M., Firdaus A., Zarkasyi A., Mizunaga H. Electrical resistivity structure of Danau Ranau geothermal prospect area based on integrated 3-D inversion of impedance tensor and tipper vector // Geothermics. 2022. Vol. 106. P. 102575. https://doi.org/10.1016/j.geothermics.2022.102575.
  10. Pace F., Martí A., Queralt P., Santilano A., Manzella A., Ledo J., et al. Three-dimensional magnetotelluric characterization of the Travale geothermal field (Italy) // Remote Sensing. 2022. Vol. 14. Iss. 3. P. 542. https://doi.org/10.3390/rs14030542.
  11. Peacock J.R., Mangan M.T., McPhee D., Wnnamaker P.E. Three-dimensional electrical resistivity model of the hydrothermal system in Long Valley Caldera, California from magnetotellurics // Geophysical Research Letters. 2016. Vol. 43. Iss. 15. P. 7953–7962. https://doi.org/10.1002/2016GL069263.
  12. Uchida T. Three-dimensional magnetotelluric investigation in geothermal fields in Japan and Indonesia // World Geothermal Congress 2005 (Antalya, 24–29 April 2005). Antalya, 2005. P. 1–12.
  13. Wannamaker P.E., Jiracek G.R., Stodt J.A., Caldwell T.G., Gonzales V.M., McKnight J.D., et al. Fluid generation and pathways beneath an active compressional orogen, the New Zealand Southern Alps, inferred from magnetotelluric data // Journal of Geophysical Research: Solid Earth. 2002. Vol. 107. Iss. B6. P. 6–20. https://doi.org/10.1029/2001JB000186.
  14. Heap M.J., Kushnir A.R., Gilg H.A., Violay M.E., Harlé P., Baud P. Petrophysical properties of the Muschelkalk from the Soultz-sous-Forêts geothermal site (France), an important lithostratigraphic unit for geothermal exploitation in the Upper Rhine Graben // Geothermal Energy. 2019. Vol. 7. P. 27. https://doi.org/10.1186/s40517-019-0145-4.
  15. Gola G., Bertini G., Bonini M., Botteghi S., Brogi A., De Franco R., et al. Data integration and conceptual modelling of the Larderello geothermal area, Italy // Energy Procedia. 2017. Vol. 125. P. 300–309. https://doi.org/10.1016/j.egypro.2017.08.201.
  16. Oka D., Tamura M., Mogi T., Nakagawa M., Takahashi H., Ohzono M., et al. Conceptual model of supercritical geothermal system in Shiribeshi Region, Hokkaido, Japan // Geothermics. 2023. Vol. 108. P. 102617. https://doi.org/10.1016/j.geothermics.2022.102617.
  17. Спичак В.В. Современные методы комплексного анализа и инверсии геофизических данных // Геология и геофизика. 2020. Т. 61. № 3. С. 422–443. https://doi.org/10.15372/GiG2019092.
  18. Integrated imaging of the Earth: Theory and applications / M. Moorkamp, P.G. Lelièvre, N. Linde, A. Khan (eds.). New Jersey: John Wiley & Sons, 2016. 253 p.
  19. Bauer K., Muñoz G., Moeck I. Pattern recognition and lithological interpretation of collocated seismic and magnetotelluric models using self-organizing maps // Geophysical Journal International. 2012. Vol. 189. Iss. 2. P. 984–998. https://doi.org/10.1111/j.1365-246X.2012.05402.x.
  20. Brehme M., Bauer K., Nukman M., Regenspurg S. Self-organizing maps in geothermal exploration – a new approach for understanding geochemical processes and fluid evolution // Journal of Volcanology and Geothermal Research. 2017. Vol. 336. P. 19–32. https://doi.org/10.1016/j.jvolgeores.2017.01.013.
  21. Carollo A., Capizzi P., Martorana R. Joint interpretation of seismic refraction tomography and electrical resistivity tomography by cluster analysis to detect buried cavities // Journal of Applied Geophysics. 2020. Vol. 178. P. 104069. https://doi.org/10.1016/j.jappgeo.2020.104069.
  22. Di Giuseppe M.G., Troiano A., Patella D., Piochi M., Carlino S. A geophysical k-means cluster analysis of the Solfatara-Pisciarelli volcano-geothermal system, Campi Flegrei (Naples, Italy) // Journal of Applied Geophysics. 2018. Vol. 156. P. 44–54. https://doi.org/10.1016/j.jappgeo.2017.06.001.
  23. Lindsey C.R., Neupane G., Spycher N., Fairley J.P., Dobson P., Wood T., et al. Cluster analysis as a tool for evaluating the exploration potential of Known Geothermal Resource Areas // Geothermics. 2018. Vol. 72. P. 358–370. https://doi.org/10.1016/j.geothermics.2017.12.009.
  24. Langer H., Falsaperla S., Hammer C. Advantages and pitfalls of pattern recognition: selected cases in geophysics. Amsterdam: Elsevier, 2020. 333 p.
  25. Спичак В.В. Электромагнитная томография земных недр. М.: Научный мир, 2019. 373 с.
  26. Spichak V.V., Geiermann J., Zakharova O., Calcagno P., Genter A., Schill E. Estimating deep temperatures in the Soultz-sous-Forêts geothermal area (France) from magnetotelluric data // Near Surface Geophysics. 2015. Vol. 13. Iss. 4. P. 397–408. https://doi.org/10.3997/1873-0604.2015014.
  27. Spichak V., Zakharova O. Permeability estimating beyond boreholes from electrical conductivity data determined from magnetotelluric sounding: Soultz-sous-Forêts site (France) case study // Geothermics. 2022. Vol. 105. P. 102513. https://doi.org/10.1016/j.geothermics.2022.102513.
  28. Davies D.L., Bouldin D.W. A cluster separation measure // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1979. Vol. PAMI-1. Iss. 2. P. 224–227. https://doi.org/10.1109/TPAMI.1979.4766909.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».