基于电磁测深数据和钻孔温度记录的大深度高温精度温度预测

《International Communications in Heat and Mass Transfer》：High-accuracy temperature prediction at large depth based on electromagnetic sounding data and borehole temperature records

　　

摘要

我们提出了一种利用电磁测深数据和钻孔温度测量数据准确估算地下温度的方法。这是对我们之前提出的“电磁地热温度计”的更新版本，该版本利用人工神经网络（ANN）基于现有温度数据直接预测目标深度的温度。在新算法的框架内，预报是逐步进行的，因此在每个后续步骤中，预报是由 ANN 完成的，该 ANN 不仅基于初始温度数据和从磁测深（MT）测深数据确定的电阻率值进行训练，还基于所有较浅深度的先前预报结果进行训练。通过将预报的温度数据与位于法国苏尔茨松福雷斯地热区的 GPK2 深钻孔的实际测量值进行比较，对所提出的递归算法进行了验证。计算机建模结果表明，与直接 ANN 算法不同，递归方法允许进行温度预报，其精度水平在很大程度上不受目标深度的影响。通过所提出的方法，基于在废弃油井附近收集的 MT 测深数据，对 5 公里深处的温度进行了预报。利用之前建立的该区域电阻率模型，创建了研究区域的二维温度模型。其分析揭示了废弃油井下方约 2 公里深处存在 200 °C 的等温线，这可以为在相对较浅的深度开发增强型地热资源进行具有经济效益的勘探钻井提供依据。

引言

地球内部温度影响岩石性质以及正在进行的物理化学过程的参数，并且是地球内部状态的关键指标。温度知识通常基于钻孔测量，如有必要，随后在钻孔之间进行内插或外推到超过钻孔深度的深度。另一种方法可能基于在给定区域内求解热传导方程，假设热传递过程平稳，采用关于该区域下边界和侧边界热流行为的假设，以及其中热导率和放射性生热的分布（例如，[1]）。

另一种方法可能涉及根据在地表测量的地球物理数据来估算地球内部温度。利用电磁地热温度计，基于电磁测深数据的结果，建立了世界上许多已知地热区的二维和三维温度模型 [2]。在贝叶斯反演方案的框架内，Ishitsuka 等人 [3] 利用电阻率数据估算了日本卡康达地热田的温度。

地震数据对温度的敏感性 [4], [5], [6], [7] 允许对地幔深处的温度进行粗略估算 [8], [9], [10], [11], [12]。Spichak 和 Zakharova [13], [14] 提出了一种基于人工神经网络（ANN）的地震地热温度计，用于在钻孔和上地壳深度尺度上从地震波速数据预报温度。

然而，电磁和地震地热温度计中使用的神经网络算法的一个缺点是，温度预报精度随深度降低，这是由于预报精度依赖于用于训练神经网络和后续预报的数据量之比。特别是，它严重依赖于钻孔深度和目标深度之间的比率，当后者超过钻孔深度两倍多时，精度急剧下降。

在本文中，提出了一种新的神经网络预报算法，该算法可以基本上消除这一问题。它使用位于法国苏尔茨松福雷斯地热区的 GPK2 深钻孔的磁测深（MT）测深数据和温度井温日志进行了验证。最后，它被应用于利用之前从磁测深数据和相邻废弃佩歇尔布龙油田钻井的温度记录构建的二维电阻率模型，来构建研究区域的二维温度模型。

章节片段

研究区域

苏尔茨松福雷斯地热区位于上莱茵裂谷内（图 1），这是从地中海海岸延伸至阿尔卑斯山麓的欧洲新生代裂谷系统的一部分。

位于上莱茵裂谷内的地热井局部穿透了所谓的苏尔茨地垒（图 1，插图），该地垒由新生代的沉积物和中生代地层（从三叠纪到中侏罗纪）组成，位于古生代结晶基底之上。

数据

我们使用了 Geiermann [16] 在 2007–2008 年沿西北 - 东南剖面 AB 进行的地磁测深结果，该剖面穿越了苏尔茨松福雷斯地区（见图 1 中的位置）。对 MT 数据的分析显示，地质结构在 8–10 公里深度内具有二维性，这得到了局部裂谷边界方向以及其他地球物理数据的支持。相应地，MT 数据的二维反演产生了一个电阻率模型，该模型用于 [17]

直接预报

温度以及岩石的岩石学和热物理性质是通过直接神经网络算法 [2], [19] 在深度处预测的，该算法基于使用监督式 ANN（反向传播技术）[20]。在这一方法的框架内，ANN 使用一方面钻孔中 0 < z < D₁ 深度的温度记录与另一方面相邻剖面的电阻率值的对数（Log₁₀ ρ)）之间的对应关系进行训练。经过训练的 ANN

温度剖面构建

基于磁测深结果和苏尔茨地区的钻孔温度日志，沿剖面 AB（见图 1 中的位置）构建温度剖面的工作首次由 Spichak 等人 [17] 报道。下文，我们使用相同的钻孔温度记录，但通过上述递归算法将其初步电磁外推到 5 公里深度，沿 MT 剖面构建温度剖面。

讨论

在开发的递归算法框架内，选择参数 r 的最佳值很重要（注意我们采用了基于经验确定的值 r = 2）。通过降低该比率以有利于训练数据量的优势，每次迭代的预报误差可能会略有降低。这也可以通过减少用于此目的的电阻率不确定性的负面影响来提高预测的准确性（见

结论

提出并测试了一种新的递归神经网络预报算法，用于预报法国苏尔茨松福雷斯地热区最深钻孔 GPK2 中深达 5 公里的温度。结果表明，其使用能够虚拟消除直接预测算法所特有的预报精度的显式深度依赖性。这可以显著降低深度数倍大于钻孔

CRediT 作者贡献声明

维亚切斯拉夫·V·斯皮查克：写作 – 初稿，监督，方法论，调查，资金获取，概念化。奥尔加·K·扎哈罗娃：可视化，验证，调查，形式化分析，数据管理。

利益冲突声明

作者声明他们没有已知的竞争性经济利益或个人关系，这些可能影响本论文报告的工作。

致谢

作者深深感谢匿名审稿人的意见和有用评论，这有助于我们改进稿件。

维亚切斯拉夫·V·斯皮查克 | 奥尔加·K·扎哈罗娃