Sürdürülebilir Kaynak Kullanımı için Jeotermal Sistemlerin Entegre Jeokimyasal ve Termal Değerlendirmesi: Dikili-Bergama Bölgesi, Batı Anadolu

Abstract

Batı Anadolu'daki Dikili-Bergama bölgesi, geniş faylanma, yüksek ısı akışı (200 mW/m²) ve Kozak plütonundan radyojenik ısı üretiminden (7,4 μWm-3) etkilenen yüksek potansiyelli bir jeotermal sisteme ev sahipliği yapmaktadır. Bu tez, termal iletkenlik, ısı akışı ve kritik hammadde (CRM) potansiyelini değerlendirmek için jeokimyasal, mineralojik ve makine öğrenimi tabanlı yaklaşımları entegre eden kapsamlı bir analiz sunmaktadır. Makine öğrenimi modelleri, özellikle rastgele orman algoritmaları (R² = 0,79), termal iletkenliği tahmin etmek için kullanılmış ve ısı akışının tahmininde doğruluğun artmasını sağlamıştır. Sondaj kuyularındaki ısı akışı değerleri 119-200 mW/m² arasında değişmekte ve bölgedeki yüksek jeotermal gradyanı (66,28-121,68 °C/km) doğrulamaktadır. Jeokimyasal analizler, jeotermal akışkanların Li (1,2 ppm), B (4,6 ppm) ve Sr (2,8 ppm) bakımından zengin olduğunu ve bu elementlerin su-kaya etkileşimleriyle mobilize edildiğini ortaya koymuştur. Monte Carlo simülasyonları yaklaşık 712 ton lityum ve 5000 ton borun ekonomik olarak geri kazanılabilir olduğunu ve toplam piyasa değerinin 15 milyon doları aşabileceğini göstermektedir. Doğrudan Lityum Ekstraksiyonu (DLE) ve iyon değişim yöntemleri gibi gelişmiş CRM çıkarım teknikleri, verimliliği ve sürdürülebilirliği artırma potansiyeline sahiptir. Elde edilen bulgular, jeotermal enerji üretimi ile kritik mineral çıkarımı arasındaki ikili potansiyele dikkat çekerek Dikili-Bergama bölgesini sürdürülebilir kaynak kullanımı açısından stratejik bir alan olarak öne çıkarmaktadır. Öneriler arasında, politika teşvikleri, yapay zeka destekli jeotermal keşif yöntemleri ve ekonomik uygulanabilirliği artırmaya yönelik hibrit yenilenebilir enerji sistemleri yer almaktadır. Bu tez, jeotermal kaynak değerlendirmesi ile kritik mineral geri kazanım süreçlerini bir arada ele alan ve jeokimya ile makine öğrenimi algoritmalarını bütünleştiren yeni bir çerçeve sunarak yenilenebilir enerji ve mineral bağımsızlığı hedeflerine katkı sağlamaktadır.The Dikili-Bergama region in western Anatolia hosts a high potential geothermal system influenced by extensive faulting, high heat flow (200 mW/m²) and radiogenic heat production (7.4 μWm-3) from the Kozak pluton. This dissertation presents a comprehensive analysis that integrates geochemical, mineralogical and machine learning-based approaches to evaluate the thermal conductivity, heat flow and critical raw material (CRM) potential. Machine learning models, in particular random forest algorithms (R² = 0.79), were used to predict thermal conductivity and led to improved accuracy in the estimation of heat flow. The values for heat flow in the boreholes range between 119–200 mW/m² and confirm the high geothermal gradient (66.28–121.68 °C/km) in the region. Geochemical analyzes show that the geothermal fluids are enriched in Li (1.2 ppm), B (4.6 ppm) and Sr (2.8 ppm), which are mobilized by water-rock interactions. Monte Carlo simulations estimate ~712 tons of lithium and ~5000 tons of boron as economically recoverable. Advanced CRM extraction techniques, including direct lithium extraction (DLE) and ion exchange methods, improve efficiency and sustainability. The findings highlight the dual potential of geothermal power generation and CRM extraction and position the Dikili-Bergama region as a strategic site for sustainable resource utilization. Recommendations include policy incentives, AI-driven geothermal exploration, and hybrid renewable systems to optimize efficiency and economic viability. This dissertation provides a novel framework for integrating geochemistry and machine learning algorithms to improve geothermal resource assessment and critical resource recovery to contribute to the future of renewable energy and critical mineral independence. the geothermal potential of the Dikili-Bergama region by integrating geochemical, mineralogical, and machine learning-based analyzes to assess heat flow, thermal conductivity, and critical raw material (CRM) potential. The study applies geological and geochemical methods coupled with machine learning algorithms to estimate heat flow and enhance geothermal systems (EGS).