Dissertation/ Thesis
Geothermal potential assessment in Catalonia, Spain: innovative AI-powered 3D mapping using advanced hybrid multitask and semi-supervised learning frameworks
| Τίτλος: | Geothermal potential assessment in Catalonia, Spain: innovative AI-powered 3D mapping using advanced hybrid multitask and semi-supervised learning frameworks |
|---|---|
| Συγγραφείς: | Mirfallah Lialestani, Seyed Poorya |
| Συνεισφορές: | University/Department: Universitat Politècnica de Catalunya. Departament d'Enginyeria Minera, Industrial i TIC |
| Thesis Advisors: | Himi Benomar, Mahjoub, Parcerisa Duocastella, David |
| Πηγή: | TDX (Tesis Doctorals en Xarxa) |
| Στοιχεία εκδότη: | Universitat Politècnica de Catalunya, 2026. |
| Έτος έκδοσης: | 2026 |
| Φυσική περιγραφή: | 126 p. |
| Θεματικοί όροι: | 3D spatial subsurface temperature, geothermal energy, resources capacity, hybrid adaptive multitask deep learning, predictive model, Catalonia, modified bat algorithm, Àrees temàtiques de la UPC::Enginyeria civil, Àrees temàtiques de la UPC::Energies, Àrees temàtiques de la UPC::Informàtica, 55 - Geologia. Meteorologia, 620 - Assaig de materials. Materials comercials. Economia de l'energia, 004 - Informàtica |
| Περιγραφή: | (English) This dissertation introduces an innovative interdisciplinary framework that merges artificial intelligence with metaheuristic optimization to advance geothermal energy exploration in Catalonia, Spain. By integrating machine learning techniques such as deep learning, neural networks, and decision trees with advanced optimization methods including the Firefly Algorithm and a newly developed Modified Multi-Objective Bat Algorithm (MoBA), the study significantly improves subsurface temperature prediction accuracy, reduces exploration costs, and enhances geothermal resource assessment and management. The research generates high-resolution 3D geothermal maps at depths of 50, 120, 150, and 180 m, across an extensive area of approximately 7,942 km². The MoBA demonstrated exceptional performance in forecasting subsurface temperatures, outperforming conventional methods by adapting to complex and variable geological conditions, minimizing manual intervention, and balancing multiple optimization objectives. This approach enabled the identification of high-potential zones, particularly in Vallès and Penedès, La Selva, Empordà, Fossa d’Olot, Plana de Vic, and the Central Depression. Key findings reveal that geothermal potential increases significantly with depth, with average estimated capacities rising from 15,408.5 MWh/year at 50 m to 19,260.6 MWh/year at 150 m. Approximately 24% of surveyed locations were classified as “very good,” indicating strong suitability for small to medium-scale geothermal systems. The results also confirmed a weak correlation between thermal conductivity and geothermal gradient (r² = 0.02), highlighting the geological heterogeneity of the region and the importance of site-specific evaluations. The AI-driven models aligned closely with prior research (e.g., Colmenar-Santos et al., 2016), validating the reliability of this approach while offering greater spatial detail and resolution. MoBA-based predictions and spatial distribution maps offer actionable insights for policymakers and energy planners, identifying zones suitable for district heating, hybrid systems, and decentralized renewable energy integration. Despite challenges such as data availability and computational demands, the integration of AI with metaheuristic algorithms presents a scalable, cost-effective, and precise method for geothermal exploration. This work not only contributes a powerful tool for sustainable resource exploitation in Catalonia but also provides a transferable model for enhancing renewable energy strategies in other geologically diverse regions. |
| Description (Translated): | (Català) Aquesta tesi presenta un marc interdisciplinari innovador que fusiona la intel·ligència artificial amb l'optimització metaheurística per avançar en l'exploració de l’energia geotèrmica a Catalunya, Espanya. Integrant tècniques d’aprenentatge automàtic com l’aprenentatge profund, les xarxes neuronals i els arbres de decisió amb mètodes d’optimització avançats, com l’Algorisme de la Cuca de Llum i un nou Algorisme Ratpenat Modificat Multiobjectiu (MoBA), l’estudi millora significativament la precisió en la predicció de temperatures subterrànies, redueix els costos d’exploració i optimitza l’avaluació i la gestió dels recursos geotèrmics. La recerca genera mapes geotèrmics tridimensionals d’alta resolució a profunditats de 50, 120, 150 i 180 metres, cobrint una àrea extensa d’aproximadament 7.942 km². El MoBA va demostrar un rendiment excepcional en la predicció de temperatures subterrànies, superant els mètodes convencionals gràcies a la seva capacitat d’adaptació a condicions geològiques complexes i variables, minimitzant la intervenció manual i equilibrant múltiples objectius d’optimització. Aquest enfocament va permetre identificar zones d’alt potencial, especialment al Vallès i el Penedès, la Selva, l’Empordà, la Fossa d’Olot, la Plana de Vic i la Depressió Central. Les troballes clau revelen que el potencial geotèrmic augmenta significativament amb la profunditat, amb capacitats mitjanes estimades que passen de 15.408,5 MWh/any a 50 metres a 19.260,6 MWh/any a 150 metres. Aproximadament el 24% de les localitzacions estudiades van ser classificades com a “molt bones”, indicant una forta idoneïtat per a sistemes geotèrmics a petita i mitjana escala. Els resultats també van confirmar una correlació feble entre la conductivitat tèrmica i el gradient geotèrmic (r² = 0,02), posant de manifest l’heterogeneïtat geològica de la regió i la importància de realitzar avaluacions específiques per a cada lloc. Els models basats en intel·ligència artificial es van alinear estretament amb investigacions prèvies (per exemple, Colmenar-Santos et al., 2016), validant la fiabilitat d’aquest enfocament i oferint alhora un nivell més alt de detall i resolució espacial. Les prediccions basades en MoBA i els mapes de distribució espacial proporcionen informació aplicable per a responsables polítics i planificadors energètics, identificant zones adequades per a calefacció urbana, sistemes híbrids i integració d’energies renovables descentralitzades. Malgrat reptes com la disponibilitat de dades i la demanda computacional, la integració d’intel·ligència artificial amb algorismes metaheurístics representa un mètode escalable, rendible i precís per a l’exploració geotèrmica. Aquest treball no només aporta una eina potent per a l’explotació sostenible de recursos a Catalunya, sinó que també ofereix un model transferible per millorar les estratègies d’energies renovables en altres regions geològicament diverses. (Español) Esta tesis presenta un marco interdisciplinario innovador que fusiona la inteligencia artificial con la optimización metaheurística para avanzar en la exploración de energía geotérmica en Cataluña, España. Al integrar técnicas de aprendizaje automático como el aprendizaje profundo, las redes neuronales y los árboles de decisión con métodos de optimización avanzados, incluyendo el Algoritmo de la Luciérnaga y un nuevo Algoritmo Murciélago Modificado Multiobjetivo (MoBA), el estudio mejora significativamente la precisión en la predicción de temperaturas subterráneas, reduce los costos de exploración y optimiza la evaluación y gestión de los recursos geotérmicos. La investigación genera mapas geotérmicos tridimensionales de alta resolución a profundidades de 50, 120, 150 y 180 metros, abarcando un área extensa de aproximadamente 7.942 km². El MoBA demostró un rendimiento excepcional en la predicción de temperaturas subterráneas, superando a los métodos convencionales gracias a su capacidad de adaptación a condiciones geológicas complejas y variables, minimizando la intervención manual y equilibrando múltiples objetivos de optimización. Este enfoque permitió identificar zonas de alto potencial, especialmente en el Vallès y el Penedès, La Selva, Empordà, la Fossa d’Olot, la Plana de Vic y la Depresión Central. Los hallazgos clave revelan que el potencial geotérmico aumenta significativamente con la profundidad, con capacidades medias estimadas que pasan de 15.408,5 MWh/año a 50 metros a 19.260,6 MWh/año a 150 metros. Aproximadamente el 24% de las ubicaciones analizadas fueron clasificadas como “muy buenas”, lo que indica una alta idoneidad para sistemas geotérmicos de pequeña y mediana escala. Los resultados también confirmaron una correlación débil entre la conductividad térmica y el gradiente geotérmico (r² = 0,02), lo que pone de manifiesto la heterogeneidad geológica de la región y la importancia de realizar evaluaciones específicas para cada sitio. Los modelos impulsados por inteligencia artificial se alinearon estrechamente con investigaciones previas (por ejemplo, Colmenar-Santos et al., 2016), validando la fiabilidad de este enfoque y ofreciendo al mismo tiempo un mayor nivel de detalle y resolución espacial. Las predicciones basadas en MoBA y los mapas de distribución espacial proporcionan información valiosa para responsables políticos y planificadores energéticos, identificando zonas adecuadas para calefacción distrital, sistemas híbridos e integración de energías renovables descentralizadas. A pesar de desafíos como la disponibilidad de datos y la demanda computacional, la integración de IA con algoritmos metaheurísticos representa un método escalable, rentable y preciso para la exploración geotérmica. Este trabajo no solo aporta una herramienta poderosa para la explotación sostenible de recursos en Cataluña, sino que también ofrece un modelo transferible para mejorar las estrategias de energías renovables en otras regiones con diversidad geológica. DOCTORAT EN RECURSOS NATURALS I MEDI AMBIENT (Pla 2012) |
| Τύπος εγγράφου: | Dissertation/Thesis |
| Περιγραφή αρχείου: | application/pdf |
| Γλώσσα: | English |
| DOI: | 10.5821/dissertation-2117-463473 |
| Σύνδεσμος πρόσβασης: | https://hdl.handle.net/10803/697653 https://dx.doi.org/10.5821/dissertation-2117-463473 |
| Rights: | ADVERTIMENT. Tots els drets reservats. L'accés als continguts d'aquesta tesi doctoral i la seva utilització ha de respectar els drets de la persona autora. Pot ser utilitzada per a consulta o estudi personal, així com en activitats o materials d'investigació i docència en els termes establerts a l'art. 32 del Text Refós de la Llei de Propietat Intel·lectual (RDL 1/1996). Per altres utilitzacions es requereix l'autorització prèvia i expressa de la persona autora. En qualsevol cas, en la utilització dels seus continguts caldrà indicar de forma clara el nom i cognoms de la persona autora i el títol de la tesi doctoral. No s'autoritza la seva reproducció o altres formes d'explotació efectuades amb finalitats de lucre ni la seva comunicació pública des d'un lloc aliè al servei TDX. Tampoc s'autoritza la presentació del seu contingut en una finestra o marc aliè a TDX (framing). Aquesta reserva de drets afecta tant als continguts de la tesi com als seus resums i índexs. |
| Αριθμός Καταχώρησης: | edstdx.10803.697653 |
| Βάση Δεδομένων: | TDX |
| DOI: | 10.5821/dissertation-2117-463473 |
|---|