Random forest forecasting of time to failure for Granite hydraulic fracturing using acoustic emission signals
Notice bibliographique
Résumé
Abstract Geothermal energy is a key resource to support carbon–neutral targets for its high energy baseload production. However, its utilization often involves hydraulic fracturing that can induce earthquakes. Accurate forecasting of the timing of these fractures and associated seismicity can inform hazard mitigation strategies where traditional methods often fall in short. Here, we utilize acoustic emission (AE) signals obtained from a series of hydraulic fracturing experiments on Barre Granite under a variety of stress regime to develop a random forest model to forecast the time to failure. The failure time is defined by a large pressure drop denoting the propagation of unstable macro-scale hydraulic fractures to the edges of the specimen. We achieve a coefficient of determination R 2 of 0.97 on test data using 50% of the data as the training set. We find that the first 20 statistical features constitute 100% of the contribution to the forecast, where the top 4 features are mean, minimum and kurtosis of the first finite difference and skewness of the signal voltage. At our given injection rate, our model can accurately forecast 1000 to 1800 s before failure compared to the 18 to 69 s in advance when using a benchmark inverse AE rate model. Our results suggest that it is possible to forecast failure of a rock specimen prior to the onset of accelerated seismic release, with implications for managing induced seismicity hazards.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».