《Energies》：From Data to Decision-Making: A Review of Large Language Model Applications Across the Full Lifecycle of Geothermal Resource Development
地热资源开发涉及异质的地质与工程记录、不确定的储层参数，以及受物理过程和安全性要求约束的决策。本叙述性批判综述考察了大型语言模型（LLM），包括检索增强型和工具辅助型系统，如何支持地热勘探、开发与运营全过程中的知识密集型任务。本研究区分了直接的地热证据、相邻领域的经验性评估与概念性提议；来自石油工程、矿产勘探和更广泛能源系统的结果不被视为地热性能的证明。同行评审研究表明，LLM在技术文档提取、领域问答、知识图谱推理以及与科学软件交互方面具有实用能力，但直接的地热工程验证仍然有限。对于储层反演、钻井风险预警和设计优化，定量评估必须依赖实测数据和经过验证的物理或数值模型，LLM作为可审计的接口和信息集成工具发挥作用。本综述提出了一个任务特定的基准框架，并考察了跨领域迁移、多模态对齐、知识图谱与检索协作、不确定性量化以及LLM-物理模型耦合。这些框架是基于文献的提议，而非已实施的地热系统。关键优先事项包括独立的地热测试集、专家标注的参考答案、校准的不确定性、基于物理的验证以及模型失败的透明报告。综合结果识别了可信的当前应用以及未来可靠部署所需的证据要求。
论文主体内容总结
2. 地热开发生命周期与大型语言模型的核心技术及集成基础
2.1. 地热产业现状及其技术框架
2.1.1. 地热产业现状
地热能源是一种清洁、低碳、可调度的可再生能源，能够不受气候条件或昼夜循环影响而持续供应热能和电能。截至2024年，全球地热发电装机容量已达到约15.1吉瓦（GW），其中美国（约3.97吉瓦）、印度尼西亚（约2.1吉瓦）和菲律宾（约1.9吉瓦）位居前列。相比之下，地热能的直接利用规模更大，年能源利用量约为245太瓦时（TWh），支持区域供热、温室农业和工业热供应等多种应用。
地热资源可大致分为浅层、中深层和深层系统。浅层地热系统是最成熟的利用途径，地源热泵（GSHP）是主导技术，并日益与地下热能储存技术集成。中深层地热资源是直接供热和区域能源供应的主要热源，已在德国和法国等国实现商业化部署。深层高温地热资源主要用于发电，闪蒸电厂和双工质循环电厂是最成熟的技术，发电效率通常为10-17%。其中，增强型地热系统（EGS）通过人工储层刺激克服天然渗透性储层的限制，大幅扩展了可开发的地热资源基础。
2.1.2. 地热开发核心技术框架
浅层地热系统主要分为闭式循环和开式循环两种配置，在传热机制、井场布局和运行策略上存在显著差异。主要技术挑战在于准确表征地下热物理性质的异质性，长期运行可能导致地下热失衡。
中深层地热系统通常采用生产-回灌成对井进行热提取。主要技术瓶颈源于地质异质性导致的储层参数表征不确定性，以及多物理场数值模拟的高计算成本。
深层地热开发以增强型地热系统（EGS）为核心，依赖超深钻探和水力刺激创造人工裂缝网络，需要克服超高温高压条件下的钻井完井、裂缝网络优化、热-水-力-化学（THMC）耦合模拟和微地震监测等一系列技术挑战。
三类地热开发共享三个共同的技术瓶颈：多源异构数据利用有限、储层地质不确定性难以精确量化、关键工程决策过度依赖专家经验而缺乏系统化的知识复用和智能决策支持机制。
2.2. 大型语言模型的核心技术及其在地热应用中的适配
2.2.1. LLM的技术定位与架构框架
大型语言模型（LLM）的底层架构主要基于Transformer框架，已演化为三种主流架构范式：仅编码器、编码器-解码器和仅解码器模型。其中，以GPT、LLaMA和Qwen模型家族为代表的仅解码器自回归架构已成为主导技术范式。
文章明确区分了人工智能（AI）、机器学习（ML）、深度学习（DL）、Transformer架构、基础模型和LLM的不同层级。LLM与知识图谱（KG）具有显著差异和互补性：LLM在自然语言理解和人机交互方面能力突出，而KG在结构化知识表示、逻辑推理和可解释性方面具有独特优势。
LLM基于学习到的统计规律生成文本，而非直接求解物理控制方程，因此其输出本身不能建立物理有效性。地热储层演化由复杂的热-流体-力学（TFM）和热-流体-力学-化学（TFMC）耦合过程控制，必须使用TOUGH2和COMSOL Multiphysics等专用模拟器进行数值求解。通用LLM不包含基于物理的求解引擎，无法独立求解复杂偏微分方程或保证质量守恒和能量守恒等基本物理约束的满足。因此，LLM不能替代专用数值模拟工具执行储层参数反演、温度场预测和耦合储层过程模拟等定量密集型任务。
LLM应被视为知识集成和决策支持工具，而非基于物理的模型、数值模拟器或专家判断的替代品。
2.2.2. LLM的核心能力及其在地热产业中的适用性
LLM在地热产业中的应用价值体现在三个方面：第一，处理非结构化信息的强大能力，可辅助文献筛选、信息提取、综合和文档摘要；第二，跨领域知识集成和决策支持能力，可同时整合地质条件、工程参数、经济指标和安全约束；第三，多模态基础模型方法为连接地质文本与地震图像、测井序列、岩心照片和数值模拟场提供了途径。
LLM在地热工程中的应用边界应明确界定：储层参数反演、资源评估和耦合热-水储层模拟等定量任务应继续主要依赖传统ML模型和专用数值模拟器。LLM更适合被视为连接工程数据、领域知识和专用计算模型的智能交互层，其输出在工程实施前必须经过专家验证。
3. 大型语言模型在地热领域的应用
3.1. 地热应用的智能问答与知识管理
3.1.1. 智能问答系统
领域特定问答（QA）为地热工程提供了重要的知识访问应用。文章讨论了四种类型的系统：基于证据的问答系统需要将文档标识符、空间或地层背景、观测日期和参数单位与检索段落相关联，在来源冲突或上下文不足时应暴露冲突或明确将决策推迟给专家审查；领域适配的地质检索与信息组织需要处理专业术语和不一致的命名约定；可配置的地学知识与推理管线需在保留井和项目上进行验证并由独立领域专家评估；基础模型适配相关能源任务方面，EnergyGPT通过全参数监督微调和参数高效LoRA训练适配能源领域，在476个能源领域问题上，基础模型在多项选择题上达到73%的准确率，而EnergyGPT-SFT为86%，EnergyGPT-LoRA为89%，但判断题上基础模型达到95%而两个适配变体均为94%，表明领域适配支持某些形式的能源问答，但不构成普遍的性能提升或地热特定准确性。
3.1.2. 地质文献与工程文档的智能处理
LLM通过三种递进能力支持地热文档的自动化处理：自动化文献筛选用于语料库构建、工程文档信息提取用于知识获取、技术标准和工程案例的语义解释以支持法规合规和工程实践。Ma等人使用Llama 2从160份历史废弃油气井文档中提取位置和深度信息，在清洁PDF记录上实现100%的准确率，而在非结构化图像型井记录上准确率降至70%，凸显了文档格式和预处理对提取性能的影响。
3.1.3. 地热知识图谱的自动化构建与应用
知识图谱（KG）以显式结构表示领域实体、属性和关系，而LLM支持文档解释和自然语言交互。文章提出地热KG-检索增强生成（RAG）协作工作流包含四个交互操作：KG增强检索解析用户查询中的实体并约束段落检索；RAG辅助KG补全检索候选缺失关系的支持源片段；联合推理结合图路径与检索的技术段落生成带引用的答案；增量更新在新钻井或监测报告到达时重新执行实体对齐和冲突检查。
文章提出紧凑的证据处理表示：断言事实f=(s, p, o, τ, π, c)，其中s和o为主语和宾语，p为本体定义的关系，τ为有效时间或观测区间，π标识来源文档和段落，c为证据支持分数。冲突传播应区分证据支持与模型自置信度，多跳推理路径的支持度不能超过其最弱事实链的支持度。最小地热本体可包括地热井、储层、岩石地层单元、断层、测量、运行事件和来源文档等类别。
3.1.4. 增强数据基础设施与语义检索
可靠的地热AI依赖于一致的元数据、来源溯源、质量评估和可互操作的领域数据集。Neumann等人报告了全球热流数据库的综合更新，包括标准化元数据、测量质量控制和可溯源的地热热流观测报告。
3.2. 开发参数预测与优化决策支持
3.2.1. 关键地热储层参数预测
定量地热储层建模依赖于实测温度、渗透率和热流约束。传统机器学习已用于估计地热模拟器输入参数，但传统机器学习研究的报告预测指标不能证明LLM派生的语义特征能改进地热储层参数预测。文章提出概念工作流，将文本派生的地质信息、实测储层属性、物理约束和独立验证相结合。文本派生的裂缝指标与渗透率、热导率或温度异常之间不存在普遍的正相关关系。
不确定性感知的储层反演应区分推断参数的不确定性与预测储层响应的不确定性。贝叶斯反演可报告参数后验可信区间，频率学派程序可在明确定义的抽样模型下产生置信区间。LLM可以检索观测数据、组织假设和传达这些区间，但不能以其自我报告的置信度替代校准的参数或输出不确定性。
3.2.2. 钻井工程优化与风险预警
钻井是地热开发中成本最高、风险最大的阶段之一。钻井风险方法因输入数据和模型类别而异：传统自然语言处理（NLP）方法从叙述性钻井报告中提取或分类信息，而传统机器学习（ML）方法从结构化传感器和钻井遥测时间序列中预测异常事件。LLM可潜在地连接非结构化钻井描述中的上下文信息，但其对提取或预警准确性的贡献应使用独立标注的地热记录与传统NLP和ML基线进行评估。安全关键预警性能应分别报告漏报危险和误报，而非依赖总体分类准确率。
3.3. AI辅助工程设计动态优化
3.3.1. 自动化数值模拟与代码生成
数值模拟是地热储层分析和工程设计的基础工具。LLM在物理模拟中的同行评审工作证明了将自然语言任务转化为模拟器交互并使用迭代反馈纠正中间结果的可行性，但该证据来自地热储层工程之外的物理模拟。涉及地热数值代码的应用仍需独立验证求解器接口、可重复性、单位转换、数值收敛性和热或水力守恒。
3.3.2. 工程设计辅助与概念方案开发
在概念设计阶段，LLM可作为创意构思工具和知识集成助手。LLM在概念阶段的作用是结构化知识接口而非经过验证的储层优化器。井间距、热干扰、钻井成本、生产率和生命周期经济性仍须由专用模型和独立验证的证据确定。LLM生成的比较应用于构建候选配置框架以供后续技术经济、热力学和专家评估，而非作为已验证的设计。
3.3.3. 系统架构选择与成本效益权衡
Sabbagh等人比较了油气井建设问题和文本到SQL任务的单智能体与多智能体LLM系统，报告多智能体配置将问答真实性提高28%，但成本约为单智能体的3.7倍，而单智能体配置在文本到SQL任务上得分高15%。这些结果涉及不同任务，不能确定某一架构普遍优越。地热应用的选择应基于独立地热基准、成本约束和对任务特定错误类型的敏感性。
3.3.4. 多源信息融合与空间语义增强
Liang等人提出了GeoAgentic-RAG，一种结合语义-空间检索、可执行地理分析和多模态信息的多智能体框架，在南京和广州的地理空间推理任务上进行了评估。地热适配将连接映射断层、钻孔位置、地球物理调查和受保护地块，空间查询逻辑、数据质量和工程适用性需独立验证。
3.4. 章节总结
本章回顾了地热知识管理、文档处理、储层分析支持和工程规划相关的LLM方法。最有力的同行评审应用证据涉及在地质学、石油工程和更广泛能源系统中评估的特定任务。地质检索、信息提取和知识图谱推理为地热文档工作流提供了潜在有用的组件，但需针对地热术语、记录和专家评审的参考答案进行测试。传统机器学习用于储层预测和数值模拟的研究不应被视为LLM赋能的地热参数估计或风险预警的经验验证。
4. 讨论
4.1. 挑战与局限性
大型语言模型已应用于地热知识服务并在相邻工程和地学领域得到研究，但在地热高风险决策中的可靠证据仍然有限。六项选定的同行评审期刊研究均在相邻领域而非独立验证的地热任务上进行测试。
当前地热应用面临三个递进关联的技术挑战：高质量领域特定数据稀缺是最根本的局限；模型可靠性和幻觉是工程部署的主要障碍之一，LLM基于统计相关性而非显式物理原理生成输出，可能产生事实不准确、虚构工程参数或逻辑不一致的结论；任务特定不确定性量化不足，语言模型的言语置信度既不是校准的危险概率也不是储层参数的区间估计。此外，多模态地热数据在空间尺度、深度参考、时间戳、文件格式和测量不确定性方面存在对齐和验证困难。
文章提出任务导向的地热LLM基准框架，涵盖知识问答、信息提取、LLM辅助储层参数预测、钻井风险识别和数值模型代码生成，并规定了候选数据输入、参考标注要求和任务特定指标。基准构建应结合权限许可的地热数据、可溯源元数据和固定标注手册，由独立地热专家标注代表性基准项目，采用项目不相交和场地不相交的训练/开发/测试划分。
4.2. 技术集成与工程适用性
跨领域迁移适用性评估应区分四个互补维度：数据分布方面，石油和地热数据集在岩性、温度和压力分布、裂缝特征、文档格式、标签流行度和测量或报告频率上存在差异；术语系统方面，相似外观的描述可能表示不同的运行现象，需要地热术语和事件本体来映射岩性单元、裂缝和馈水带、漏失事件、钻井液性质、井配置和测量单位；物理过程方面，高温地热井和工程储层涉及热应力、裂缝岩石流动、流体-岩石反应和耦合热-水-力-化学过程，转移的建议必须对照适当的控制方程、边界条件、材料和数值或实验室证据进行检查；工程约束方面，地热应用必须遵守井特定运行限制、高温设备规格、流体化学和腐蚀风险、回灌和诱发地震控制以及辖区特定的环境、许可和安全要求。
文章提出四层技术路线图：数据层组装权限许可的地震数据、深度索引测井、岩心图像、模拟场和地质或运行文本，每个观测需具有公共井/场地标识符和显式空间坐标、深度基准、采集时间、测量单位、质量标志和溯源；表示层应用模态特定编码器并保留原始文件引用；融合层结合多模态检索增强生成（RAG），检索链接的文本段落、测井区间、图像块和模拟输出，同时保留证据溯源；决策层提供溯源链接的地质问答、储层解释支持、异常筛查和候选工程行动，定量储层响应委托给经过验证的数值求解器。
4.3. 不确定性、工程风险与未来研究方向
不确定性量化（UQ）必须与LLM辅助地热工作流的具体输出相关联。主要目标包括：提取事实和检索文档的正确性与来源支持、从稀疏地质和监测数据推断的储层参数不确定性、热-水储层响应的预测不确定性以及钻井危险的校准概率。贝叶斯推断、集成和区间产生回归器依赖不同的建模假设。保形预测在适当校准条件下提供无分布覆盖，概率校准评估预测事件概率的可靠性。
储层参数反演应陈述反演数据、参数边界和先验假设、观测误差模型、物理求解器和目标不确定性量。推断储层参数的可信区间或置信区间不能作为未来生产温度的预测区间呈现。钻井风险预警中，校准的事件概率p可支持基于误报成本C_FP和漏报事件成本C_FN选择的警报阈值，在简化双行动设置下，当p超过C_FP/(C_FP+C_FN)时偏好警报。
LLM-物理模型耦合范式中，LLM可以指定建模目标、将技术文本转化为求解器输入、选择或调用建模工具、解释中间结果和推荐候选配置；数值求解器、物理信息神经网络（PINN）和神经算子执行定量逼近或模拟。DeepONet是神经算子而非语言模型。文章提出示例性地热储层模拟工作流：LLM将自然语言问题转化为版本控制的储层模型规格，经过验证的TOUGH2类模拟器执行高保真基线计算，PINN从监测和守恒约束提供独立检查的参数反演结果，预训练神经算子在其验证参数域内快速筛选替代井控方案，模拟器在环控制器提出候选速率变化并重新运行模拟器评估收敛性和质量/能量平衡。在该提议工作流中，LLM管理信息和工具编排，定量预测和工程验收仍受校准物理模型和人类授权约束。
