基于长短期记忆网络的压缩空气储能盐穴位移预测模型研究

这篇研究创新性地采用长短期记忆网络（LSTM）模型预测压缩空气储能（CAES）盐穴的长期位移演变。通过时间序列数据分析，模型以首年位移数据为输入，预测第2至30年的变形趋势，评估指标R2>0.83、RMSE<0.15 m、MAPE<17%，精度满足工程需求。研究首次将深度学习引入盐穴变形预测，显著提升计算效率，为储能安全运维提供新范式。

　　

Highlight

本研究首次将长短期记忆网络（LSTM）与时间序列分析结合，开创了深度学习预测压缩空气储能（CAES）盐穴位移的新方法。模型以首年运营数据为训练集，成功预测30年跨度内的盐穴变形，R²值突破0.83，误差率低于17%，为地下储能设施的安全评估提供了高效工具。

LSTM

长短期记忆网络（LSTM）作为循环神经网络（RNN）的变体，通过门控机制解决传统RNN的梯度消失问题。其独特的记忆单元结构（见图1a）能捕捉时间序列中的长期依赖关系，特别适用于盐穴蠕变这类非线性动态过程建模。

Model establishment and training

数据经[0,1]归一化后，按8:1:1划分训练集、验证集和测试集。超参数优化显示，5年历史数据序列长度可最大化预测30年最大位移的精度，而迭代步数对结果影响呈阈值效应。

Discussion

盐穴在偏应力持续作用下的蠕变行为是CAES系统设计的关键挑战。与传统数值模拟（耗时超1个月）相比，LSTM模型将计算时间缩短至分钟级，同时保持工程级精度。参数分析表明，延长输入序列可显著提升长期位移预测稳定性。

Conclusions

本研究证实LSTM模型能高效预测CAES盐穴的30年位移演变，精度满足工程需求。该方法为地下储能设施的蠕变控制、事故预防和压力设计提供了创新解决方案，推动人工智能在能源地质领域的应用边界。

（注：翻译严格保留专业术语如CAES/R²/LSTM等，采用"蠕变""偏应力"等地质力学表述，并通过"门控机制""梯度消失"等生动比喻解释技术原理。）