Artificial Intelligence in Deep Geothermal Energy: Trends, Insights, and Future Perspectives
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Deep geothermal energy, known for its stable base load power and resilience to environmental fluctuations, is increasingly recognized as an important renewable energy source. Yet, its development is constrained by subsurface variability, high exploration costs, and operational inefficiencies. Artificial intelligence (AI) can analyze complex data, reveal patterns, and support predictive modeling to lower costs, shorten timelines, and improve efficiency. This review aims to evaluate how AI can address these barriers by systematically synthesizing its applications in deep geothermal research. A structured Web of Science search and multi-stage screening yielded 183 peer-reviewed journal papers, classified across eight research areas: reservoir characterization, exploration and resource identification, system optimization, seismic monitoring and risk assessment, drilling optimization, hybrid energy systems, environmental impact and sustainability, and techno-economic analysis. Our analysis shows that since 2020, AI applications in geothermal energy have expanded exponentially, surpassing overall AI growth rates. China and the United States dominate research output, followed by Germany, Turkey, Canada, and India. Advanced algorithms are increasingly preferred: convolutional neural networks for spatial modeling and image interpretation, recurrent neural networks for time-series forecasting, physics-informed AI, Bayesian frameworks, and autoencoders advance uncertainty quantification and data reconstruction. The novelty of this review lies in its comprehensive cross-domain synthesis of AI applications in deep geothermal energy, using a unified algorithm–input–output–performance lens. This structured mapping enables comparisons not possible in earlier overviews, reveals methodological strengths, identifies effective approaches for different geothermal tasks, and uncovers underexplored areas such as environmental assessment and techno-economic analysis.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle