编辑推荐：
推荐
为解决裂隙网络及 CO?-CH?竞争吸附、热 - 水 - 力耦合等多物理作用带来的计算挑战，研究人员开展 CO?-ECBM 预测与优化研究。提出 tSEDFM-ATHM-LSTM-BO 框架，LSTM 预测 R2 超 96%，获沁水盆地井组最优注入方案，为相关模拟评估提供方法。
论文解读
在全球清洁能源需求攀升与碳中和目标推动下，煤层气（CBM）作为重要非常规能源备受关注。CO?强化煤层气开采（CO?-ECBM）技术通过向煤层注入 CO?置换甲烷（CH?），既能提高 CH?采收率，又能实现 CO?地质封存，是实现清洁能源开发与碳减排的双赢路径。然而，该过程面临复杂挑战：煤层中裂隙网络的多尺度分布、CO?与 CH?的竞争吸附效应、热 - 水 - 力（THM）耦合作用等多物理过程相互交织，导致传统数值模拟计算效率低下，难以精准预测长期生产动态。此外，现有模型多采用双孔隙假设，忽略裂隙系统对流体运移和 CO?封存的关键作用，且纯数据驱动的深度学习方法缺乏物理约束，预测结果可能违背实际物理规律。因此，开发兼具物理可解释性与计算高效性的模型，成为突破 CO?-ECBM 工程化应用瓶颈的关键。
中国研究人员针对上述难题，在《Fuel》发表研究成果，提出一种融合物理机制与数据驱动的混合框架 ——tSEDFM-ATHM-LSTM-BO，旨在实现 CO?-ECBM 过程中 CH?产量与 CO?封存量的快速预测与优化。
关键技术方法
研究主要采用以下技术：①基于瞬态源函数的嵌入式离散裂隙模型（tSEDFM），用于刻画裂隙网络的瞬态物质与热量传递，引入相对渗透率函数描述多相流动力学；②吸附 - 热 - 水 - 力耦合模型（ATHM），整合 CO?/CH?竞争吸附、温度场变化、煤体变形及渗流过程的相互作用；③长短期记忆神经网络（LSTM），利用 tSEDFM-ATHM 生成的物理约束时间序列数据训练模型，实现动态预测；④贝叶斯优化（BO），用于优化 CO?注入参数（如速率、周期）。模型通过 MATLAB 油藏模拟工具箱（MRST）求解，并结合实验数据与经典 pEDFM 模型验证可靠性。
研究结果
改进的 tSEDFM 模型
针对裂隙煤层的物质与热量传递问题，研究在 tSEDFM 中引入相对渗透率函数，通过随机离散裂隙网络（DFN）表征裂隙空间分布，解决了传统稳态流假设导致的基质 - 裂隙间传质传热误差，更真实地模拟 CO?-ECBM 过程中的多相流动态。
模型验证
通过与 pEDFM 模型及实验数据对比，tSEDFM-ATHM 模型在不同场景下均表现出良好的鲁棒性。关键验证参数与文献 [17,20] 一致，模型基础参数见表 1（原文数据），证实了其对复杂多物理过程模拟的准确性。
混合深度学习框架
利用 tSEDFM-ATHM 生成的带物理约束的时间序列数据训练 LSTM 网络，结果显示，CH?产量与 CO?封存量的预测准确率（R2）超过 96%。结合贝叶斯优化（LSTM-BO），研究针对沁水盆地井组优化出 CO?注入方案：注入速率 500 m3/d、注入周期 20 天，实现了计算效率与预测精度的平衡。
讨论与应用
研究发现，裂隙分布、注入速率、时间及储层参数显著影响生产与封存的周期性规律。tSEDFM-ATHM 模型通过物理机制约束生成可靠训练数据，LSTM-BO 则实现快速预测与参数优化，该框架在保证物理可解释性的同时，大幅提升计算效率，为现场应用提供了兼具准确性与时效性的工具。
结论与意义
本研究构建的 tSEDFM-ATHM-LSTM-BO 混合框架，成功突破 CO?-ECBM 过程中多物理耦合与裂隙复杂性带来的计算瓶颈。通过整合物理模型与深度学习，实现了 CH?产量和 CO?封存量的高精度预测（R2>96%）及注入参数优化，为沁水盆地等煤层气田的工程设计提供了科学依据。该方法不仅增强了 CO?地质封存与非常规油气开发的协同效率，也为碳达峰、碳中和目标下的清洁能源供应与碳管理技术提供了新范式，展现了跨学科融合在能源与环境领域的重要应用潜力。
