地热能迎技术研发和数智赋能小高潮

　　在数智化驱动新增长的带动下，地热能迎来技术迭代小高潮。

　　5月，两则有关地热能开发的消息引起关注。其一是麻省理工学院支持的一个突破性钻探技术将于年内进行首次商业测试，该技术可以钻入地下温度达500摄氏度的位置，为释放太瓦级地热能潜力铺平道路。其二是一个主要为地热能项目提供数智化技术解决方案的初创公司再获新融资，标志着地热能开发数智赋能正在提速。

　　一直以来，因前期成本和开发风险都很高，地热能勘探和开发较为缓慢。在数智化驱动新增长的带动下，地热能迎来技术迭代小高潮。

　　新钻探技术让地热能物美价廉

　　麻省理工学院支持的技术初创公司Quaise Energy日前表示，其研发的一种钻探技术，有望推动地热能开发。该公司目前已经筹资9500万美元，将在年内对该技术进行首次商业测试，会率先从老旧石油天然气钻井开始。

　　据了解，地热能可以通过不同方式获得，其中包括直接利用，位于地下200到3000米左右的浅层地热能，由于温度不高，可以在采集后直接使用。不过，浅层地热能几乎没有发电效果，深层地热能才拥有巨大能量，需要挖到2万米深处、温度超过300摄氏度，抽出高温蒸汽带动涡轮机，从而激活发电机发电，对钻探技术要求较高。

　　《麻省理工科技评论》指出，Quaise Energy公司根据实验和数学模型估算，大约20厘米波导的波源能以每小时20米的速度在岩石中炸出一个篮球大小的洞，按照这个速度，连续钻探25.5天将钻出世界上最深的洞，且整个耗能与普通钻机相当。

　　“这样的速度和深度意味着钻探会变得更快、成本也将更低，为推动地热能更具成本效益和更广泛推广奠定基础。”Quaise Energy公司首席执行官Carlos Araque表示。

　　数字化让探寻地热资源更容易

　　同一时期，美国技术初创公司Zanskar宣布，再获3000万美元新融资，这使得该公司筹资规模达到4500万美元，市值升至1.15亿美元。

　　Zanskar公司表示，筹得的所有资金将用于人工智能、机器学习等数字化技术部署，通过收集和分析大量数据并对相关地理位置进行评估，找到潜力最大、开发效益最高的地热资源点，并确定最佳勘探地点。

　　据了解，Zanskar公司的机器学习解决方案通过分析卫星、地质调查、地震后穿过地面的波浪等数据信息来预测钻探的最佳地点。

　　“一个地区可用的数据越多，机器学习程序就越准确，其可以与先进钻井技术等其他创新技术相结合，使地热能更容易、更便宜地获得。”Zanskar公司首席执行官Carl Hoiland表示，“过去一年半，我们发现的潜在地热资源点，比整个行业过去10年发现的总和还要多。数字化解决方案将在未来几年显著降低地热能勘探成本，这将推动地热能开发，吸引更多技术型企业加入其中。”

　　眼下，Zanskar公司正在与部分地热能开发商展开合作讨论，旨在共同勘探新地点，并合作开发首批数字技术赋能的地热发电站。

　　Carl Hoiland指出，通过尝试使用大数据创建模型来定位地热资源，可以降低因错估地热地点而投入的时间和成本。“如果解决了技术障碍，地热能未来在全球能源结构中占比有望超过20%—30%。”他强调。

　　油价网汇编数据显示，地热能项目开发成本约是风能项目的5倍，每兆瓦地热能发电成本约为870万美元。价格如此之高很大程度是因为钻井公司经常找不到进入储层的正确位置，即便耗费了大量时间和金钱找到合适位置，还需要钻取多口井才可能成功。

　　数智赋能优化地热能勘探开发流程

　　国际能源署指出，全球地热能基础资源总量是当前全球一次能源年度消费总量的200万倍以上，其中，地下深度小于5000米的地热能基础资源量占比超过10%。作为地球内部热能的一种自然形式，地热能拥有储量大、分布广、绿色低碳、可循环利用、稳定可靠等优势，但获取过程却颇具挑战。

　　地下深处温度和压力都较大，开发地热能需要使用特殊的工具和材料。地质结构的复杂性也是难题，这对地热资源的利用和开发具有很大影响。地热能在不同的地区和环境下受到的限制和影响也不同，需要根据当地的情况进行适当的调整和改进。

　　目前，全球范围内，地热能在电力结构中占比较小，在数字化技术赋能下，识别地热资源和改进勘探钻井将变得更加高效。去年9月，谷歌与非营利组织Project InnerSpace宣布，将合作开发全球地热资源绘图和评估工具。

　　美国能源部指出，仅需获取0.1%的地球热量，就能满足人类200万年的总能源需求。2018年以来，美国能源部旗下地热技术办公室资助了机器学习的早期研究和开发应用，旨在加强地热资源勘探能力。美国国家可再生能源实验室也在开发人工智能和机器学习技术，甚至开发了一套算法和工具，可以改善储层特征，节约钻井成本，优化地热蒸汽田作业。

　　业内人士指出，数智赋能可以优化地热能勘探和开发流程，从而让这一清洁能源变得更加物美价廉。一方面，通过机器学习模型分析大量数据，可以确定地热井最佳位置，帮助节约前期勘探时间和精力;另一方面，通过人工智能技术赋能钻探活动，可以更好地评估地下温度、湿度、压力等参数，从而更全面了解地质情况，进而采取有针对性的措施来提高地热能开发的成功率。

　　文丨中国能源报 记者　王林