一种结合时空特征融合的混合深度学习模型，用于地热能生产预测

《Applied Sciences》：A Hybrid Deep Learning Model with Spatial-Temporal Feature Fusion for Geothermal Production Prediction

　　

摘要

地热能是一种清洁且可靠的可再生资源，正吸引着全球越来越多的关注。预测地热能的产量对于地热系统的可持续管理至关重要，但在传统的抽水测试中，水位与水库的物理条件之间存在高度非线性的关系，传统的数值模拟方法无法捕捉到这种内在联系。本研究提出了一种新颖的混合深度学习模型，结合了图卷积网络（GCN）和Transformer，用于地热抽水测试，该模型能够在非线性物理约束条件下高效预测水位：GCN学习水位深度与物理条件之间的非线性映射关系，而Transformer则通过自注意力机制保留了生产数据的时间序列相关性。使用测试数据进行验证表明，该模型在各种地质条件下的生产井预测中取得了0.97的R²值和0.1635米的RMSE值，在回灌井预测中取得了0.94的R²值和3.9057米的RMSE值。与LSTM、Transformer和GCN–LSTM模型相比，该模型的R²值分别提高了13.82%、7.83%和5.95%。这项研究为地热能产量预测提供了一种准确且高效的技术方法，有助于优化抽水测试方案和初步地热资源开发中的生产能力评估。