Geothermal energy represents a key resource for the energy transition, thanks to its ability to provide continuous, low-emission energy. However, the widespread adoption of this technology is hindered by uncertainties related to subsurface characterization and high initial costs. This study proposes an innovative approach that integrates Artificial Intelligence (AI) methodologies and the reuse of abandoned wells to implement Deep Closed-Loop Heat Exchanger (DCHE) systems capable of generating sustainable electricity. The first part introduces two AI-based methodologies to automate the analysis of borehole image logs (BHI). The first employs computer vision techniques and dynamic time warping (CVML) to detect geological features in real time. The second uses convolutional neural networks trained on synthetic datasets to improve the precision and robustness of analyses. These approaches can reduce the subjectivity of interpretation and enhance subsurface characterization. The second part focuses on the reuse of abandoned wells for closed-loop geothermal systems. Through multiphysics simulations conducted at the Cesano and Larderello sites (Italy), it is demonstrated that such configurations can produce enough electricity to meet the needs of over 1,000 residential units at each site. This result highlights the potential to leverage existing infrastructure for a more sustainable and cost-effective energy transition. This work combines technological innovation and operational practicality, offering a concrete solution to scale geothermal energy, improve its accessibility, and promote the sustainable reuse of existing resources.

L'energia geotermica rappresenta una risorsa chiave per la transizione energetica, grazie alla sua capacità di fornire energia continua e a basse emissioni. Tuttavia, la diffusione di questa tecnologia è ostacolata da incertezze legate alla caratterizzazione del sottosuolo e agli elevati costi iniziali. Questo studio propone un approccio innovativo che integra metodologie basate sull’intelligenza artificiale (IA) e il riutilizzo di pozzi abbandonati per implementare sistemi a circuito chiuso (DCHE), capaci di generare energia elettrica sostenibile. La prima parte introduce due metodologie IA per automatizzare l'analisi dei log di immagini di pozzo (BHI). La prima utilizza tecniche di visione artificiale e il dynamic time warping (CVML) per rilevare caratteristiche geologiche in tempo reale. La seconda impiega reti neurali convoluzionali addestrate su dataset sintetici per migliorare la precisione e la robustezza delle analisi. Questi approcci possono ridurre la soggettività dell’interpretazione e migliorano la caratterizzazione del sottosuolo. Nella seconda parte, l'attenzione si sposta sul riutilizzo di pozzi abbandonati per sistemi geotermici a circuito chiuso. Attraverso simulazioni multifisiche condotte nei siti di Cesano e Larderello (Italia), si dimostra che tali configurazioni possono produrre energia elettrica sufficiente a soddisfare i fabbisogni di oltre 1000 unità abitative in ciascun sito. Questo risultato sottolinea il potenziale di sfruttare infrastrutture esistenti per una transizione energetica più sostenibile ed economica. Questo lavoro unisce innovazione tecnologica e praticità operativa, offrendo una soluzione concreta per scalare l'energia geotermica, migliorandone l'accessibilità e promuovendo il riutilizzo sostenibile di risorse esistenti.

Esplorazione Innovativa dell'Energia Geotermica Attraverso l'Analisi delle Fratture Assistita dall'IA e Scambiatori di Calore a Circuito Chiuso

MOLOSSI, ATTILIO
2025

Abstract

Geothermal energy represents a key resource for the energy transition, thanks to its ability to provide continuous, low-emission energy. However, the widespread adoption of this technology is hindered by uncertainties related to subsurface characterization and high initial costs. This study proposes an innovative approach that integrates Artificial Intelligence (AI) methodologies and the reuse of abandoned wells to implement Deep Closed-Loop Heat Exchanger (DCHE) systems capable of generating sustainable electricity. The first part introduces two AI-based methodologies to automate the analysis of borehole image logs (BHI). The first employs computer vision techniques and dynamic time warping (CVML) to detect geological features in real time. The second uses convolutional neural networks trained on synthetic datasets to improve the precision and robustness of analyses. These approaches can reduce the subjectivity of interpretation and enhance subsurface characterization. The second part focuses on the reuse of abandoned wells for closed-loop geothermal systems. Through multiphysics simulations conducted at the Cesano and Larderello sites (Italy), it is demonstrated that such configurations can produce enough electricity to meet the needs of over 1,000 residential units at each site. This result highlights the potential to leverage existing infrastructure for a more sustainable and cost-effective energy transition. This work combines technological innovation and operational practicality, offering a concrete solution to scale geothermal energy, improve its accessibility, and promote the sustainable reuse of existing resources.
11-apr-2025
Inglese
L'energia geotermica rappresenta una risorsa chiave per la transizione energetica, grazie alla sua capacità di fornire energia continua e a basse emissioni. Tuttavia, la diffusione di questa tecnologia è ostacolata da incertezze legate alla caratterizzazione del sottosuolo e agli elevati costi iniziali. Questo studio propone un approccio innovativo che integra metodologie basate sull’intelligenza artificiale (IA) e il riutilizzo di pozzi abbandonati per implementare sistemi a circuito chiuso (DCHE), capaci di generare energia elettrica sostenibile. La prima parte introduce due metodologie IA per automatizzare l'analisi dei log di immagini di pozzo (BHI). La prima utilizza tecniche di visione artificiale e il dynamic time warping (CVML) per rilevare caratteristiche geologiche in tempo reale. La seconda impiega reti neurali convoluzionali addestrate su dataset sintetici per migliorare la precisione e la robustezza delle analisi. Questi approcci possono ridurre la soggettività dell’interpretazione e migliorano la caratterizzazione del sottosuolo. Nella seconda parte, l'attenzione si sposta sul riutilizzo di pozzi abbandonati per sistemi geotermici a circuito chiuso. Attraverso simulazioni multifisiche condotte nei siti di Cesano e Larderello (Italia), si dimostra che tali configurazioni possono produrre energia elettrica sufficiente a soddisfare i fabbisogni di oltre 1000 unità abitative in ciascun sito. Questo risultato sottolinea il potenziale di sfruttare infrastrutture esistenti per una transizione energetica più sostenibile ed economica. Questo lavoro unisce innovazione tecnologica e praticità operativa, offrendo una soluzione concreta per scalare l'energia geotermica, migliorandone l'accessibilità e promuovendo il riutilizzo sostenibile di risorse esistenti.
Geothermal energy; AI; Fracture analysis; DCHE; Borehole Images
PIPAN, MICHELE
Università degli Studi di Trieste
File in questo prodotto:
File Dimensione Formato  
MOLOSSI_DEF.pdf

accesso aperto

Dimensione 81.8 MB
Formato Adobe PDF
81.8 MB Adobe PDF Visualizza/Apri

I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.14242/208545
Il codice NBN di questa tesi è URN:NBN:IT:UNITS-208545