地?zé)豳Y源是一種分布廣泛且豐富的可再生能源[1]。合理高效地利用地?zé)豳Y源對(duì)于推動(dòng)全球能源轉(zhuǎn)型至關(guān)重要。其中，熱干巖（HDR）是最常見的地?zé)豳Y源類型，其特點(diǎn)是硬度高、應(yīng)力大、密度高和溫度高[2]。增強(qiáng)型地?zé)嵯到y(tǒng)（EGS）是通過人工改造HDR結(jié)構(gòu)形成復(fù)雜裂縫網(wǎng)絡(luò)，連接注入井和生產(chǎn)井的主要方法。低溫工作流體被注入儲(chǔ)層，與高溫巖體進(jìn)行廣泛的熱交換，然后通過生產(chǎn)井提取出來用于發(fā)電和綜合利用[3]、[4]、[5]、[6]、[7]。
熱傳遞流體在HDR中的流動(dòng)受溫度、地質(zhì)應(yīng)力和孔隙壓力的變化影響，導(dǎo)致流體力學(xué)、固體力學(xué)和熱傳遞之間的多物理相互作用[4]、[8]。巖石因冷卻而收縮，同時(shí)由于孔隙壓力和應(yīng)力的變化導(dǎo)致巖體膨脹，從而在注入和生產(chǎn)過程中產(chǎn)生溫度、應(yīng)力和壓力的時(shí)空變化。這些變化導(dǎo)致儲(chǔ)層內(nèi)的孔隙度和滲透率發(fā)生不均勻變化。熱-水-力（THM）耦合模型能夠捕捉儲(chǔ)層變形、巖石損傷以及地?zé)崽崛∵^程中孔隙度和滲透率的變化，從而精確描述各種參數(shù)對(duì)熱提取性能的影響。水力刺激是生成裂縫的主要手段，而這些裂縫的非均勻分布顯著影響提取溫度[8]。當(dāng)考慮應(yīng)力變化時(shí)，EGS的生產(chǎn)溫度下降得更快[9]，并且由于垂直位移，提取井可能會(huì)超出其設(shè)計(jì)壽命[10]。因此，機(jī)械性質(zhì)的變化對(duì)地?zé)崽崛∮兄匾绊懀灰虼耍狙芯坎捎肨HM耦合模型來研究熱提取性能，并為優(yōu)化提取方案提供理論支持。
地?zé)嵯到y(tǒng)的生產(chǎn)能力由儲(chǔ)層特性、注入和生產(chǎn)參數(shù)以及井布局配置決定，這些因素之間存在復(fù)雜且高度非線性的相互關(guān)系。傳統(tǒng)的數(shù)值模擬方法往往耗時(shí)且效率低下。相比之下，機(jī)器學(xué)習(xí)在處理大型數(shù)據(jù)集的非線性問題上具有明顯優(yōu)勢(shì)。然而，目前關(guān)于機(jī)器學(xué)習(xí)在地?zé)嵯到y(tǒng)應(yīng)用的研究主要集中在單個(gè)因素的預(yù)測(cè)模型上，如生產(chǎn)溫度[11]、[12]、[13]、[14]、[15]、[16]、[17]、[18]、[19]、[20]、[21]、儲(chǔ)層參數(shù)評(píng)估[22]、[23]、[24]、[25]、[26]、[27]以及生產(chǎn)能力預(yù)測(cè)[28]、[29]、[30]、[31]、[32]、[33]、[34]。為了提高模型預(yù)測(cè)精度，采用了自然梯度提升（Natural Gradient Boosting）[35]、XGBoost[11]、多層感知器（MLP）[33]和雙向門控循環(huán)單元（BGRU）[36]等先進(jìn)技術(shù)，通過組合預(yù)測(cè)模型來增強(qiáng)模型的魯棒性和精度。然而，這些模型在處理多個(gè)設(shè)計(jì)參數(shù)時(shí)存在顯著局限性，尤其是在計(jì)算密集型、物理驅(qū)動(dòng)的場(chǎng)景中。它們無法同時(shí)預(yù)測(cè)多個(gè)輸出參數(shù)，這限制了其在復(fù)雜工程中的應(yīng)用。為了解決以往研究僅關(guān)注EGS開發(fā)過程中單個(gè)元素預(yù)測(cè)的局限性，本研究提出了一個(gè)多輸入、多輸出的熱提取性能預(yù)測(cè)模型。該模型能夠同時(shí)精確預(yù)測(cè)多個(gè)性能指標(biāo)，并作為多目標(biāo)優(yōu)化的灰箱替代模型，為優(yōu)化熱提取性能提供可靠的數(shù)據(jù)支持。
EGS提取過程涉及眾多相互關(guān)聯(lián)的參數(shù)、多個(gè)優(yōu)化目標(biāo)和各種約束條件，因此單一極端解不太可能滿足所有目標(biāo)函數(shù)。因此，建立一個(gè)有效的優(yōu)化決策框架對(duì)于提高EGS熱提取性能至關(guān)重要。鑒于現(xiàn)場(chǎng)測(cè)試的成本較高，獲得特定熱提取性能函數(shù)的解析解通常是不切實(shí)際的。因此，以往的研究通常依賴數(shù)值解作為優(yōu)化目標(biāo)函數(shù)，使得結(jié)果高度依賴于模擬精度。Reza等人[37]將快速搜索法與粒子群優(yōu)化相結(jié)合，減少了垂直注入井位置優(yōu)化過程中的函數(shù)評(píng)估次數(shù)。Song等人[31]通過將非支配排序遺傳算法與熵加權(quán)方法結(jié)合，改進(jìn)了地?zé)崽崛⌒Чamin等人[38]應(yīng)用遺傳算法優(yōu)化機(jī)器學(xué)習(xí)模型，選擇了EGS設(shè)計(jì)的最佳參數(shù)，如最大儲(chǔ)層深度、井間距和注入壓力。Schulte等人[27]基于實(shí)驗(yàn)數(shù)據(jù)開發(fā)了一個(gè)替代模型，并使用多目標(biāo)粒子群優(yōu)化算法優(yōu)化了雙井系統(tǒng)，從而確定了最佳井間距和注入溫度范圍。Martínez-Gomez等人[39]優(yōu)化了有機(jī)朗肯循環(huán)發(fā)電系統(tǒng)的工作流體，同時(shí)考慮了經(jīng)濟(jì)和環(huán)境效益。這些研究表明，多目標(biāo)優(yōu)化策略可以實(shí)現(xiàn)多個(gè)目標(biāo)之間的全局優(yōu)化。
本研究采用了與傳統(tǒng)方法不同的方式，沒有使用傳統(tǒng)的數(shù)值解作為優(yōu)化目標(biāo)的替代模型。相反，它直接采用了一個(gè)多輸入、多輸出的預(yù)測(cè)模型，該模型具有更高的預(yù)測(cè)精度和更廣泛的預(yù)測(cè)參數(shù)范圍，可作為灰箱替代模型。通過將多目標(biāo)優(yōu)化與目標(biāo)加權(quán)相結(jié)合，該方法在優(yōu)化熱提取性能的同時(shí)評(píng)估了多個(gè)工程參數(shù)的重要性。結(jié)果提高了優(yōu)化精度和效率，為EGS的可持續(xù)和高效發(fā)展提供了創(chuàng)新的方法和見解。
總之，本研究開發(fā)了一個(gè)新的多輸入、多輸出的熱提取性能預(yù)測(cè)模型，并引入了一種混合優(yōu)化方法。該方法能夠同時(shí)精確預(yù)測(cè)多個(gè)性能指標(biāo)，作為多目標(biāo)優(yōu)化的灰箱替代模型，為優(yōu)化熱提取性能提供了可靠的數(shù)據(jù)支持。
EGS提取過程涉及眾多相互關(guān)聯(lián)的參數(shù)、多個(gè)優(yōu)化目標(biāo)和各種約束條件，因此單一極端解不太可能滿足所有目標(biāo)函數(shù)。因此，建立一個(gè)有效的優(yōu)化決策框架對(duì)于提高EGS熱提取性能至關(guān)重要。鑒于現(xiàn)場(chǎng)測(cè)試的成本較高，獲得特定熱提取性能函數(shù)的解析解通常是不切實(shí)際的。因此，以往的研究通常依賴數(shù)值解作為優(yōu)化目標(biāo)函數(shù)，使得結(jié)果高度依賴于模擬精度。Reza等人[37]將快速搜索法與粒子群優(yōu)化相結(jié)合，減少了垂直注入井位置優(yōu)化過程中的函數(shù)評(píng)估次數(shù)。Song等人[31]通過將非支配排序遺傳算法與熵加權(quán)方法結(jié)合，改進(jìn)了地?zé)崽崛⌒Чamin等人[38]應(yīng)用遺傳算法優(yōu)化機(jī)器學(xué)習(xí)模型，選擇了EGS設(shè)計(jì)的最佳參數(shù)，如最大儲(chǔ)層深度、井間距和注入壓力。Schulte等人[27]基于實(shí)驗(yàn)數(shù)據(jù)開發(fā)了一個(gè)替代模型，并使用多目標(biāo)粒子群優(yōu)化算法優(yōu)化了雙井系統(tǒng)，從而確定了最佳井間距和注入溫度范圍。Martínez-Gomez等人[39]優(yōu)化了有機(jī)朗肯循環(huán)發(fā)電系統(tǒng)的工作流體，同時(shí)考慮了經(jīng)濟(jì)和環(huán)境效益。這些研究表明，多目標(biāo)優(yōu)化策略可以實(shí)現(xiàn)多個(gè)目標(biāo)之間的全局優(yōu)化。
本研究采用了與傳統(tǒng)方法不同的方式，沒有使用傳統(tǒng)的數(shù)值解作為優(yōu)化目標(biāo)的替代模型。相反，它直接采用了一個(gè)多輸入、多輸出的預(yù)測(cè)模型，該模型具有更高的預(yù)測(cè)精度和更廣泛的預(yù)測(cè)參數(shù)范圍，可作為灰箱替代模型。通過將多目標(biāo)優(yōu)化與目標(biāo)加權(quán)相結(jié)合，該方法在優(yōu)化熱提取性能的同時(shí)評(píng)估了多個(gè)工程參數(shù)的重要性。結(jié)果提高了優(yōu)化精度和效率，為EGS的可持續(xù)和高效發(fā)展提供了創(chuàng)新的方法和見解。
總結(jié)來說，本研究開發(fā)了一個(gè)新的多輸入、多輸出的熱提取性能預(yù)測(cè)模型，并引入了一種混合優(yōu)化方法。該方法能夠同時(shí)精確預(yù)測(cè)多個(gè)性能指標(biāo)，并作為多目標(biāo)優(yōu)化的灰箱替代模型，為優(yōu)化熱提取性能提供了可靠的數(shù)據(jù)支持。
