La Universidad Estatal de Portland lidera una iniciativa para la ubicación de proyectos de sistemas geotérmicos mejorados mediante inteligencia artificial
Ejemplo de clasificación de la Gran Cuenca en regiones geológicamente similares mediante el algoritmo ARID. Los modelos de IA entrenados dentro de estas regiones pueden presentar menor incertidumbre en las predicciones de temperatura, lo que permite comprender mejor el costo del desarrollo de la energía geotérmica. (Fuente: John Lipor / Universidad Estatal de Portland)
Oscar Llamosa Ardila
20 Aug 2026
Una iniciativa de investigación conjunta liderada por la Universidad Estatal de Portland tiene como objetivo utilizar la IA para reducir los costos de identificación de sitios para sistemas geotérmicos mejorados.
La Universidad Estatal de Portland (Portland State University – PSU) ha sido seleccionada para liderar un equipo de investigación colaborativa que busca utilizar inteligencia artificial (IA) para reducir el costo de identificar sitios potenciales para Sistemas Geotérmicos Mejorados (EGS) en Estados Unidos.
El proyecto ARISE (Regionalización con IA y Ubicación Informada para Sistemas Geotérmicos Mejorados) es uno de los primeros seleccionados en el marco de la Misión Génesis del Departamento de Energía de Estados Unidos. Junto con PSU, el proyecto se lleva a cabo en colaboración con la Universidad de Stanford, el Servicio Geológico de Estados Unidos y 400C Energy. El equipo multidisciplinario cuenta con experiencia en geociencias, energía, economía y aprendizaje automático.
El equipo combina tres herramientas desarrolladas por sus miembros. Un modelo de Stanford predice la temperatura subterránea en todo el país. Un segundo modelo de Stanford transforma un rango de temperaturas posibles en un rango de precios de electricidad posibles, de modo que la incertidumbre se expresa en dólares en lugar de grados. La contribución de PSU es un algoritmo llamado ARID, que clasifica el país en zonas geológicamente similares. El modelo ARID divide Estados Unidos en regiones con geologías similares, discretizando así el trabajo de modelado para una mayor precisión.
Entre los resultados del proyecto se incluye un nuevo mapa de temperatura subterránea para Oregón. El equipo probará el sistema con registros de mediciones reales del sitio de investigación FORGE de Utah, financiado por el Departamento de Energía de EE. UU., reproduciendo el historial del sitio y comparando las recomendaciones de la IA con las decisiones tomadas por los ingenieros. El objetivo es reducir el rango de costos estimados para la ubicación del proyecto EGS en al menos un 10 % en comparación con el método actual.
«Decidir dónde realizar nuevas mediciones valiosas siempre ha dependido en gran medida del criterio de los expertos», afirmó Erick Burns, hidrólogo investigador del Servicio Geológico de EE. UU. (USGS), quien ha codirigido el equipo de aprendizaje automático geotérmico del USGS con Lipor desde 2021. «La novedad reside en una forma de probar si el aprendizaje automático puede mejorar las estrategias de recopilación de datos, optimizando tanto el contenido de la información como el ahorro de costos».
«La energía geotérmica tiene un enorme potencial, pero el costo de descubrir qué hay bajo tierra la ha frenado», añadió Roland Horne, profesor de ciencias e ingeniería energética en la Universidad de Stanford y director del Programa Geotérmico de Stanford. “Esperamos dar el siguiente paso para que la energía geotérmica esté más disponible.”
Fuente: ThinkGeoEnergy / Portland State University via EurekAlert
