Data-driven Assessment and Optimization of High-temperature Aquifer Thermal Energy Storage in Depleted Clastic Hydrocarbon Reservoirs

Preview	Text (Dissertation) Download (9MB) | Preview
Preview	Text (Dissertation) Download (456kB) | Preview

Abstract in Hungarian

A disszertáció egy integrált, bizonytalanság-tudatos és adatvezérelt keretrendszert dolgoz ki a magas hőmérsékletű víztartó réteges hőtárolás (HT-ATES) alkalmasságának értékelésére, tervezésére és optimalizálására kimerült klastikus szénhidrogén-rezervoárokban, a Pannon-medence magyarországi esettanulmányaira támaszkodva. A kutatás a valószínűségi többkritériumos döntéselemzést (MCDA–AHP) geostatisztikai szimulációval kapcsolja össze a tárolásra alkalmas zónák rangsorolására és a földtani bizonytalanság explicit kezelésére, majd kapcsolt felszín alatti áramlás- és hőtranszport modellezéssel (MODFLOW–MT3DMS) számszerűsíti a hőplúmák fejlődését, a hővisszanyerési hatásfokot és a hőáttörés kockázatát heterogén tárolókban. A nagy számú forgatókönyv gyors értékeléséhez gépi tanulás alapú helyettesítő modellek (pl. Random Forest) készülnek a szimulációs eredményekből, míg egy hibrid megközelítés (pl. XGBoost térbeli maradékkorrekcióval) a 3D homokcsatorna-architektúrát és áramlási zónákat térképezi fel a kútelhelyezés és a korai hőáttörés megelőzése érdekében. Az eredmények összességében igazolják, hogy a kimerült mezők és a meglévő kúthálózat újrahasznosítása megvalósítható, skálázható szezonális hőtárolási megoldást nyújt a távhő- és ipari hőigények támogatására, hozzájárulva a dekarbonizációhoz és az ellátásbiztonsághoz.

Abstract in foreign language

This dissertation develops an integrated, uncertainty-aware, data-driven framework to assess, design, and optimize high-temperature aquifer thermal energy storage (HT-ATES) in depleted clastic hydrocarbon reservoirs, using Hungary’s Pannonian Basin as a representative testbed. The research combines probabilistic multi-criteria decision analysis (MCDA–AHP) with geostatistical simulation to screen and rank suitable storage zones under subsurface uncertainty, then applies coupled groundwater-flow and heat-transport numerical modelling (MODFLOW–MT3DMS) to quantify thermal plume evolution, recovery efficiency, and breakthrough risks in heterogeneous reservoirs. To scale evaluation and optimization, supervised machine-learning surrogates (e.g., Random Forest) are trained on simulation ensembles to rapidly predict thermal performance across large well inventories, while a hybrid workflow (e.g., XGBoost with spatial residual correction) delineates 3D sand-channel architecture and flow-zone connectivity to support well placement and thermal-breakthrough prevention. Together, the results show that repurposing depleted reservoirs and legacy well infrastructure can provide practical seasonal heat-storage solutions for district-heating and industrial applications, enabling faster, lower-cost deployment pathways that support decarbonization and energy-security goals.

View Item