ترجمه فارسی مقاله رویکرد مبتنی بر هوش مصنوعی برای استخراج پایدار انرژی تجدیدپذیر زیرسطحی زمین ضمن به حداقل رساندن فعالیت لرزه‌ای

چکیده

Deep Geothermal Energy, Carbon Capture and Storage, and Hydrogen Storage hold considerable promise for meeting the energy sector’s large-scale requirements and reducing CO$_2$ emissions. However, the injection of fluids into the Earth’s crust, essential for these activities, can induce or trigger earthquakes. In this paper, we highlight a new approach based on Reinforcement Learning for the control of human-induced seismicity in the highly complex environment of an underground reservoir. This complex system poses significant challenges in the control design due to parameter uncertainties and unmodeled dynamics. We show that the reinforcement learning algorithm can interact efficiently with a robust controller, by choosing the controller parameters in real-time, reducing human-induced seismicity and allowing the consideration of further production objectives, textit{e.g.}, minimal control power. Simulations are presented for a simplified underground reservoir under various energy demand scenarios, demonstrating the reliability and effectiveness of the proposed control-reinforcement learning approach.

چکیده به فارسی (ترجمه ماشینی)

انرژی زمین گرمایی عمیق ، ضبط و ذخیره کربن و ذخیره سازی هیدروژن وعده های قابل توجهی برای برآورده کردن نیازهای در مقیاس بزرگ بخش انرژی و کاهش انتشار $ $ $ $ دارد.با این حال ، تزریق مایعات به پوسته زمین ، که برای این فعالیت ها ضروری است ، می تواند باعث ایجاد زمین لرزه شود.در این مقاله ، ما یک رویکرد جدید مبتنی بر یادگیری تقویت کننده برای کنترل لرزه نگاری ناشی از انسان در محیط بسیار پیچیده یک مخزن زیرزمینی را برجسته می کنیم.این سیستم پیچیده به دلیل عدم قطعیت پارامترها و پویایی های غیرمجاز ، چالش های قابل توجهی در طراحی کنترل ایجاد می کند.ما نشان می دهیم که الگوریتم یادگیری تقویت می تواند با انتخاب پارامترهای کنترلر در زمان واقعی ، کاهش لرزه نگاری ناشی از انسان و اجازه در نظر گرفتن اهداف تولید بیشتر ، textit {به عنوان مثال ، قدرت کنترل حداقل ، با یک کنترلر قوی ارتباط برقرار کند.شبیه سازی ها برای یک مخزن زیرزمینی ساده تحت سناریوهای مختلف تقاضای انرژی ارائه شده است ، که نشان دهنده قابلیت اطمینان و اثربخشی رویکرد یادگیری کنترل کننده کنترل پیشنهادی است.