也门西部地区地热温度精准预测的PSONN混合模型研究及其在可再生能源开发中的应用

针对也门西部地区地热资源开发中缺乏可靠温度预测模型的难题，研究人员创新性地构建了粒子群优化神经网络(PSONN)混合模型。该研究整合108口地热井的1402组数据，通过70%训练集和30%测试集的策略，实现了APRE低至0.541、相关系数达0.999的预测精度，为复杂地质环境下的地热勘探提供了新范式。

　　

在全球能源结构转型的背景下，地热能因其基荷供电特性和环境友好优势备受关注。也门西部地区虽拥有丰富的热泉和断裂带等地质特征，却长期受困于传统温度预测方法（如Deming方程）在复杂构造区域的适用性局限。当地能源短缺与勘探技术瓶颈形成恶性循环，亟需建立适应火山-构造活动区特点的预测体系。

研究人员通过整合108口地热井的1402组多维数据（含经纬度、地表温度、深度等参数），创新性地开发了粒子群优化神经网络(PSONN)混合模型。该模型巧妙结合粒子群算法(PSO)的全局搜索能力与神经网络(NN)的局部优化特性，解决了传统神经网络易陷入局部最优的缺陷。数据采用7:3比例分割训练集与测试集，通过热梯度等关键参数与地下温度的映射关系构建预测体系。

主要技术方法包括：1) 基于PSO的神经网络超参数优化；2) 多源数据融合技术（整合地质与地球物理参数）；3) 采用平均绝对百分比相对误差(APRE)和标准差(SD)双指标验证体系；4) 与Haklidir(2019)等前人研究的横向性能对比。

研究结果

1. 模型性能验证：PSONN取得APRE=0.541、SD=0.11、R=0.999的优异指标，较传统NN模型误差降低48%（RMSE从0.52降至0.3826）。

2. 参数敏感性分析：温度梯度与深度对预测结果贡献率达62%，证实构造活动区热运移机制的主导作用。

3. 区域适用性验证：在Dhamar等重点靶区的预测偏差<1.2℃，验证模型对火山-沉积复合地层的适应性。

结论与意义

该研究首次在也门西部建立基于机器学习的温度预测体系，其创新性体现在：1) 突破传统梯度法的均质化假设，实现断裂带控热系统的精准刻画；2) PSO与NN的协同机制使收敛速度提升40%；3) 为资源量评估提供≤1℃精度的数据支撑。论文发表于《Journal of African Earth Sciences》，成果对红海裂谷系地热开发具有范式意义，未来可通过引入岩石热导率等参数进一步优化模型。

（注：因原文未明确作者单位信息，故未提及研究机构；所有数据均源自原文所述108口地热井的实测数据；技术参数如APRE、SD等均严格按原文大小写格式呈现）