Водород.

Самый простой элемент. Сгорает без выделения парниковых газов.

Для энергетических нужд человечества условно делится на:

🔵 Синий (Blue Hydrogen). Перерабатывается метан таким образом, что образуется водород и углекислый газ. Последний улавливается и захороняется. Но есть проблема. Добыча и транспортировка метана итак происходит с постоянными утечками, которых вообще дофига. Метан, как парниковый газ, не надолго задерживается в атмосфере, но эффект от него в раз 30 побольше, чем от углекислого газа.

🟢Зеленый (Green Hydrogen). Нужно много энергии для электролиза - разделения воды на водород и кислород. Но есть проблема. Энергия для электролиза часто берется из тех же углеводородов.

Сейчас часто поднимается тема водорода и его использования в качестве альтернативы углевородородам. Еще очень-очень много неопределенностей, но мир смотрит в этом направлении. Хотя совершенно не обязательно, что этот путь верный.
Например, в этой статье наглядно показано, что куммулятивный парниковый эффект от использования синего водорода даже выше, чем от использования газа или дизельного топлива. В общем надо как-то решить эту проблему, если хочется переходить на водород.

Но есть еще один вид водорода, который может применяться:

⚒ геологический водород

Его очень много, и по мнению исследователей он может оказать сильное влияние на энергетический переход.

Что вообще сейчас происходит в мире геологического водорода (ниже синеньким текстом ссылки на статьи):
- есть реальные водородные открытия типа этого месторождение в Мали
- есть попытки закартировать источники и месторождения например в Австралии
- есть всесторонние статьи по обзорному описанию геологического водорода, например от Вячеслава Згонника

Проблем с геологическим водородом много, и возможно это путь в никуда. Например, нет четких геологоразведочных критериев. Что точно является "водородогенерирущими" признаками, что является покрышкой для этого газа, какие условия формирования залежи и вообще применимо ли само понятие залежь. В общем, ощущение, что с водородом мы где-то в конце XIX века, если брать аналогию с нефтянкой. Но это не делает задачу менее интересной.

#факты
В среднем ежегодная эмиссия парниковых газов составляет 51 миллиард тонн.

Из них приходится:
🏰 - 31% на производство (цемента, стали и пластика)
💡 - 27% на электрификацию
🐮 - 19% на сельское хозяйство
🚗 - 16% на транспорт
❄️ - 7% на отопление и кондиционирование

Интересности про каждый:
🏰 - 50% CO2 приходится на химическую реакцию преобразования CaCO3 ->CaO + CO2. То есть сжигание УВ вообще ни при чем.
💡 - проблема не в нехватке энергии для выработки электричества, а в ее хранении и доступности 365/7/24. Поэтому УВ работают круче всего
🐮 - животные вырабатывают оксид азота и метан - самые сильные парниковые газы
🚗 - пассажирские автомобили это лишь половина эмиссий от транспорта - остальное грузоперевозки и авиация
❄️ - в кондиционерах фтор, который примерно в тысячу раз "более парниковый" чем CO2

Кстати, на действие вулканов 🌋 приходится по разным источникам от 0.053 до 0.26 млрд. тонн, что практически не влияет на баланс (про вулканы тут и тут ). Примерно столько дает штат Флорида.

В целом моделям глубокого обучения трудно предсказывать действие сложных физических систем, например спрогнозировать поток флюида. Например, куда точно потечет нефть под землей. Для этих целей обычно используют системы дифференциальных уравнений, которые работают безотказно, основаны на физике, но супермедленные.

В последнее время начинает развиваться область в машинном обучении, которая называется Physics Informed Machine Learning. В этих моделях есть комбинация компьютерного зрения и физики. Это позволяет делать физически точные прогнозы сложных динамических систем, например потока Дарси, мгновенно.

За такими моделями будущее бассейнового или гидродинамического моделирования. Они конечно еще в зачаточном состоянии. Если интересно, почитать о них можно здесь, здесь, здесь про двухфазовый поток

P.S. на картинке прогноз потока Дарси с помощью разных моделей. Выглядит не очень впечатляюще, но для тех кто в теме несет большой смысл!

Много геоученых геопрограммируют свои геозадачи в Питоне 🐍. Питон это популярный язык программирования и широко используется, особенно в научном программировании.

Я думаю, что найти базовые курсы ни у кого не составит труда. Но, возможно, вам будут интересны ссылки, где можно учиться простому программированию на геонаучных или геоинженерных проблемах. Ради интереса или может решили прокачаться в программировании.

Летц гоу:

Интерактивная книга "Введение в Науки о Данных для Гео и Экологических Наук" - книга выросла из курса Колумбийского университета. Там про простой анализ данных и дата сайенс в Питоне с примерами и задачками

Геоаналитика в Питоне - серия ноутбуков в Питоне для анализа данных, геостатистических задачек и простых моделей машинного обучения в нефтегазе

2-х дневный курс по геостатистике в Питоне - самый крутой из самых крутых профессоров Michael Pyrcz из Техасского Университета в Остине делает и объясняет геостатистику в Питоне на примерах. В этом же репозитории машинное обучение и прочие прелести.

ГеоПитон 2019 - Университет в Хельсинки не отстает и предлагает курс по программированию в Питоне в геонауках.

Вычислительная геология - введение в Питон на геологических примерах. Курс от Университета в Хельсинки

Earth Data Seience - куча открытых материалов собранных в одном месте по программированию в науках о земле и климате: 312 уроков с примерами в Питоне и R.

Питон для Геоученых и Геоинженеров - короткий курс для начинающих

Коллекция ноутбуков с примерами - для наук о Земле

Все бесплатно и доступно, нужен английский правда. Инджой!

Секвестрация карбона 🆒

В целом сложился консенсус, что углекислого газа в атмосфере многовато. В связи с этим решили как-то убирать углекислый газ из атмосферы. Разные технологии по улавливанию и хранению углерода получили общее название секвестрация карбона (carbon sequestration).

Грубо существует 3 вида секвестрации:

1️⃣ Геологическая севестрация ⛰ - хранение углекислого газа в пористых породах под землей. Под давлением газ превращают в жидкость и закачивают в подземные резервуары. По оценке американского геологического общества USGS в резервуары США может быть закачано до 3000 гигатонн CO2. Нефтяники могут закачивать CO2 для поддержания давления и повышения нефтеотдачи месторождения, что тоже засчитывается как технология секвестрации и идет им в карму ✅

2️⃣ Биологическая секвестрация 🌳- хранение углерода в растениях, почве, дереве или воде. Например, одно дерево в среднем абсорбирует 10 кг CO2 в год. Компания Pachama выстроила целый бизнес на этом - компании покупают карбоновые кредиты, взамен получают "деревья" и становятся условно нейтральными. Есть проекты по абсорбции углерода почвой на фермерских участках.

3️⃣ Технологическая севестрация 🏰- захват углекислого газа из атмосферы и/или его преобразование в материалы, например строительные. Технология прямого захват углерода из атмосферы (Direct air capture (DAC)) уже используется, но удовольствие это довольно дорогое. Есть технологии которые позволяют захватывать углерод в строительных материалах, например в бетоне, который затем используется в строительстве. Подробное описание в этом познавательном видео. Есть технологии, которые используют CO2 в качестве материала для производства графена.

Мне больше всего интересна геологическая часть. Задачи и методы решения схожи с теми, что решают геологи или геофизики в нефтегазовой отрасли: найти герметичную ловушку , посчитать количество флюида которое можно удерживать , оценить риски утечки через покрышку или разлом с помощью моделирования.

Если вы читаете этот пост, значит вы и есть сопротивление я вчера успешно защитился и наконец-то стал доктором 👨🏻‍🎓 (по российским понятиям можно сказать кандидатом).

Маякните, если интересно и я расскажу зачем вообще меня понесло в Стэнфорд делать науку\учиться 📚💡 в моем-то возрасте 👴🏼.

Раз такое дело, то завтра-послезавтра напишу о чем вообще моя диссертация. Ультра-коротко. Но в двух постах. А пока отпраздную 🍾

Че в дисере. Часть 1.
Многомерное масштабирование (MultiDimensional Scaling (MDS))

👨🏻‍💻Я много работаю с 3-х мерными моделями седиментационных бассейнов:
⛰Они в основном детерминистические (может и есть исключения)
⛰Специалист открывает 3Д модель, крутит-вертит, думает про паттерны и сравнивает с другой 3Д моделью ➡️ долго, неэффективно, неудобно

💡В одной из частей дисера я применяю довольно известный в науке о данных подход - многомерное масштабирование. С помощью него большое количество 3Д моделей можно изобразить как набор точек на графике. Одна точка - одна модель. Расстояние между точками соответствует тому насколько визуально 3Д модели похожи 😳, как на моем примере моделей насыщения.
То есть мы можем анализировать схожесть 3Д моделей без их визуального анализа.

❓А дальше❓
🔹Зная параметры моделей можно понять, какой из них больше всего влияет на результат.
🔹Зная реальные наблюдения, можно вывести их на этот же график и очертить круг моделей, которые дали максимально близкий результат.

Че в дисере. Часть 2

Микс машинного обучения и Бейзовского (кому-то Байесовского) подхода для автомаитической интерпретации разломов на сейсмике. Примерно об этом еще одна часть моего дисера.

"It's not my fault that I like faults"

Существует много моделей машинного обучения, которые очень круто и быстро делают автоматическую интерпретацию разломов. Когда в первый раз я увидел эту статью , то прифигел от счастья.

❗️Тем не менее со всеми моделями есть проблемка - отсутствие геологического реализма. Крутое качество сейсмики ➡️ крутая разломная модель; посредственное качество сейсмики ➡️ разломная модель шумная и в ручную ее переделывать 100-500 лет. Модель не думает как геолог.

💡Что если мы придумаем способ совместить мир машинного обучения и геологического реализма, который представляет интерпретатор?

Для этого нужно:
1️⃣ прогнать модель машинного обучения на разломной сейсмике
2️⃣ придумать миллион-квадриллион интерпретаций разломов, которые бы были геологически корректными
3️⃣ сравнить между собой 1️⃣ и 2️⃣ с помощью бейзовского подхода и выбрать варианты, которые максимально совпадают друг с другом.
4️⃣ в итоге структурно непротиворечивая модель без шума + основана на модели машинного обучения 🟰 все счастливы

Грязные подробности того как я это технически делал раскрывать до выхода статьи не буду 🤐

OPGEE: The Oil Production Greenhouse gas Emissions Estimator или Как посчитать сколько парниковых газов выделяет нефтегазовая компания

Общественное мнение, а за ним и инвесторы давят на нефтегазовые компании, чтобы последние уделяли больше внимания "зеленой" повестке 🌳. Для этого, например, считают сколько парниковых газов вырабатывает нефтегазовая компания для добычи одной тонны нефти. Потом смотрят какие процессы оптимизировать и "озеленить".

В нефтегазе эмиссии парниковых газов могут исходить из нескольких источников: бурение, разработка, переработка и транспорт. У бурения, например, могут быть следующие источники выбросов CO2 эквив.:
🛠 доставка бурильного оборудования и материалов
🛠 эмиссия от факельной установки
🛠 эмиссия в результате подготовки и бурильных работ
🛠 эмиссия "включенная" в производство цемента, песка, труб и т.п.

Так вот, профессор Адам Брандт из Стэнфорда, как-то напряг своих студентов и выкатил калькулятор, где считаются эмиссии от всех нефтегазовых работ на протяжении всего цикла жизни месторождения от разведки до транспортировки.

Входные данные довольно разнообразные: расстояние от поставщика 🚚, используемое оборудование ⛽️, тип местности 🏝 и даже свойства нефти ⚫️. Оказалось, что в среднем эмиссии при разработки тяжелых нефтей больше эмиссий при разработке легких нефтей на 200 кгCO2 на одну барель.

👇🏻 ниже сам калькулятор (в Экселе! ☠️) и инструкция к нему. Вдруг интересно будет посчитать или можете подарить экологам на праздник.

📓инструкция 💻калькулятор 💾 гитхаб