物理辅助机器学习的深层地热换热器运行状态预测方法

本申请涉及深层地热能开发利用，尤其涉及一种物理辅助机器学习的深层地热换热器运行状态预测方法。

背景技术：

1、随着地热能开发利用技术的不断发展，深层地热换热器因能够利用地下较高且相对稳定的地温资源实现建筑供热、供冷及综合能源利用，已广泛应用于建筑能源系统、区域供能及工业余热利用等领域。深层地热换热器运行过程中，井筒流体与围岩之间持续发生热交换，其传热过程同时受到井筒结构、流体运行工况、岩土分层特征、地层热物性差异以及地温梯度分布等因素的共同影响。对于井深较大、地层非均质特征显著的深层地热换热器，地下传热过程通常表现出明显的多尺度、强耦合及长周期特征，因此，对深层地热换热器运行状态进行准确预测，是实现系统优化运行、性能评价及寿命管理的重要基础。

2、目前，深层地热换热器运行状态预测通常采用解析模型、等效热阻模型、三维数值模拟方法以及数据驱动预测方法。其中，深层地热换热器建模涉及地下岩土体、井筒流体、套管、中心管及回填材料等多介质耦合传热过程，其井深通常可达数千米，运行时间尺度往往跨越数年。传统高保真三维数值模拟方法虽然能够较为精确地描述地下复杂传热过程，但计算规模大、计算成本高、计算周期长，难以满足大量参数组合分析、方案优化设计及长期运行预测等应用需求；解析模型虽然具有计算速度快、易于工程应用等优点，但多数建立在均质地层、恒定热物性参数或理想边界条件等假设基础上，对于岩土分层、地温梯度变化及长期热累积等复杂传热过程考虑不足，难以准确反映深层复杂地质条件下的实际换热特性。比如公开号为cn119416596a的专利提供了深层地热井同轴套管式换热器取热能力的预估方法，公开号为cn120805781a的专利提供了一种用于地热开采的储层-井筒一体化预测方法，公开号为cn120951705a的专利提供了基于分数阶模型的井筒热力耦合模拟方法、装置及设备。

3、另一方面，近年来采用机器学习建立深层地热换热器运行状态预测模型的方法逐渐增多。该类方法利用历史运行数据训练预测模型，能够提高运行状态预测速度。然而，纯数据驱动模型通常依赖大量覆盖充分且分布均衡的实测运行数据，而深层地热换热器现场试验周期长、运行成本高，能够获取的实测运行数据数量有限，且难以覆盖不同井筒结构、不同地层条件及不同运行工况。因此，在小样本条件下，现有数据驱动模型容易出现泛化能力不足、外推能力弱以及对复杂地层条件适应性差等问题；同时，由于缺乏地下传热机理约束，其预测结果难以保持物理一致性，在长期运行预测及未知工况预测过程中容易产生较大的预测偏差，难以兼顾预测精度、计算效率及工程适用性。

技术实现思路

1、（一）要解决的技术问题

2、鉴于现有技术的上述缺点、不足，本申请提供一种物理辅助机器学习的深层地热换热器运行状态预测方法，其解决了现有技术中复杂分层地层条件下解析传热模型预测精度不足、传统数值模拟计算效率低、数据驱动模型对实测样本依赖程度高以及复杂工况下运行状态预测准确性和泛化能力不足的技术问题。

3、（二）技术方案

4、为了达到上述目的，本申请采用的主要技术方案包括：

5、本申请提供一种物理辅助机器学习的深层地热换热器运行状态预测方法，包括：s1、获取深层地热换热器的井筒结构参数、钻井勘探数据及运行工况参数；根据所述钻井勘探数据建立考虑岩土分层及地温梯度的解析传热模型，并依据各地层地温梯度确定所述解析传热模型的初始地温场；s2、基于所述解析传热模型，对有限线热源积分路径进行分层处理，并根据各地层的热物性参数计算对应的等效热物性参数，进而建立满足层间温度连续条件及热流连续条件的分层热响应关系；s3、基于所述分层热响应关系计算热响应矩阵，并结合所述初始地温场及历史热流增量求解井壁温度；依据所述井壁温度建立井筒流体与围岩之间的耦合传热关系，获得所述解析传热模型输出；s4、利用所述解析传热模型，在不同井筒结构参数、运行工况参数及钻井勘探数据条件下进行参数化计算，生成模拟运行数据，依据所述模拟运行数据进行自适应增强，构建模拟数据集；s5、利用所述模拟数据集及实测运行数据训练物理辅助机器学习模型，获取训练完成的物理辅助机器学习模型；s6、获取待预测工况对应的井筒结构参数、钻井勘探数据及运行工况参数，并依据待预测工况对应的井筒结构参数、钻井勘探数据及运行工况参数获得待预测工况对应的解析传热模型输出，并将所述井筒结构参数、钻井勘探数据、运行工况参数及所述解析传热模型输出输入训练完成的物理辅助机器学习模型，获得深层地热换热器的运行状态预测结果。

6、（三）有益效果

7、本申请提供的物理辅助机器学习的深层地热换热器运行状态预测方法，通过建立考虑岩土分层及地温梯度的解析传热模型，并结合有限线热源分层热响应关系及热响应矩阵计算，实现了复杂分层地层条件下井筒流体与围岩耦合传热过程的快速解析计算，提高了解析传热模型的计算精度；并通过利用解析传热模型生成模拟运行数据，对模拟数据进行自适应增强，并结合实测运行数据训练物理辅助机器学习模型，实现了物理机理与数据驱动的协同融合，在降低对大量实测样本依赖的同时，提高了模型在复杂地层条件及不同运行工况下的预测精度、泛化能力和计算效率，从而能够实现深层地热换热器运行状态的快速、准确和可靠预测。

1.一种物理辅助机器学习的深层地热换热器运行状态预测方法，其特征在于，包括：

2.根据权利要求1所述的物理辅助机器学习的深层地热换热器运行状态预测方法，其特征在于，所述方法还包括：

3.根据权利要求1所述的物理辅助机器学习的深层地热换热器运行状态预测方法，其特征在于，所述井筒结构参数至少包括井深、井径、井壁半径、井筒换热段长度、中心管内径、中心管外径、环空内径、环空外径、套管内径、套管外径、中心管壁厚及套管壁厚；

4.根据权利要求3所述的物理辅助机器学习的深层地热换热器运行状态预测方法，其特征在于，所述s2具体包括：

5.根据权利要求4所述的物理辅助机器学习的深层地热换热器运行状态预测方法，其特征在于，步骤s3具体包括：

6.根据权利要求5所述的物理辅助机器学习的深层地热换热器运行状态预测方法，其特征在于，所述s31具体包括：

7.根据权利要求6所述的物理辅助机器学习的深层地热换热器运行状态预测方法，其特征在于，所述s32具体包括：

8.根据权利要求7所述的物理辅助机器学习的深层地热换热器运行状态预测方法，其特征在于，所述s4具体包括：

9.根据权利要求8所述的物理辅助机器学习的深层地热换热器运行状态预测方法，其特征在于，所述物理辅助机器学习模型包括静态编码器、时序编码器、物理先验编码器及多个解码器，其中：

10.根据权利要求9所述的物理辅助机器学习的深层地热换热器运行状态预测方法，其特征在于，所述物理辅助机器学习模型的训练目标函数表示为：；