综述：一种基于改进SSD的绝缘子缺陷检测视觉检测方法

《Energies》：An Improved SSD-Based Visual Inspection Method for Insulator Defect Detection

　　

地热能源是一种清洁、稳定且低碳的可再生资源，在可持续能源转型中的战略重要性日益凸显。近年来，机器学习（Machine Learning, ML）逐步应用于地热系统，涵盖资源勘探、储层表征、钻井与运行优化、传热性能预测及地源热泵（Ground Source Heat Pump, GSHP）控制等领域。机器学习可实现高维数据挖掘、复杂映射及代理建模，与传统方法相比常能实现更高的效率与精度，但这些优势并非绝对，而是高度依赖于数据集的质量与规模、验证方法的严谨性及所选算法的适用性。本综述系统梳理了机器学习在地热能源领域的主要应用，重点阐述代表性方法、数据来源、目标任务及研究特征，识别了当前研究在数据规模与质量、模型泛化能力、物理一致性、可解释性及部署可行性方面的关键局限。综述进一步强调地热机器学习正从点式预测工具向支持智能分析、优化与决策的框架演进。未来研究方向包括多源异构数据融合、物理机制嵌入、可解释建模及与数字孪生系统集成，旨在推动机器学习从高精度预测转向面向地热能源系统的可信赖、可部署的决策支持。

1. 1.
   引言
   地热能源作为一种稳定可调度的可再生能源，在低能耗供热、制冷及发电领域的重要性持续提升。相较于风能和太阳能，地热系统可提供相对连续的能量输出，在低碳能源转型中潜力显著，已广泛应用于区域供热、建筑冷热联供及发电场景。然而，地热开发面临地下系统强非均质性、高度非线性及多尺度热-水-地质耦合作用的挑战，导致资源勘探、储层表征、产量预测及运行优化等关键任务存在高不确定性、高反演成本及实时决策支持不足等问题。传统地热研究依赖地质调查、地球物理勘探、水文地球化学分析、统计回归及数值模拟，虽对机理解析不可或缺，但在处理高维异质数据、刻画复杂非线性关系及支撑快速决策方面存在局限，尤其在地热靶区识别、储层参数反演、实时钻井控制、采注优化及长期系统管理等任务中常面临计算成本高、建模周期长及效率低等问题。随着机器学习快速发展，地热研究已从孤立的参数预测拓展至资源远景评估、动态储层管理、多目标运行优化及物理信息建模等更广范畴。机器学习模型可从地质、地球物理、测井、水化学、运行及模拟数据中学习有效模式，支撑更快的预测、分类、反演及决策过程。但现有研究仍存在样本量有限、数据分布不均、跨场地泛化能力弱、物理一致性不足及极端工况下工程可靠性不确定等问题，推动地热机器学习从精度导向预测向可靠性导向智能转变，物理一致性、不确定性感知、可迁移性及部署就绪度成为同等重要的考量维度。相较于已有综述，本研究的创新性体现在三方面：一是构建覆盖资源勘探、储层表征、运行优化及浅层热泵系统的全流程统一智能开发框架，而非割裂深、浅层系统；二是开展方法-场景匹配分析，系统比较不同机器学习算法在特定地热数据结构、样本量及工程约束下的鲁棒性；三是明确当前研究正从纯数据驱动黑箱模型向物理信息、不确定性感知及数字孪生日向的地热智能转型，针对性解决制约工程部署的核心瓶颈。
2. 2.
   方法论
   2.1 检索策略与文献筛选
   本研究遵循PRISMA 2020指南开展系统性文献检索，采用数据库主检索与引文滚雪球法补充的双重路径策略。主检索在Elsevier数据库（含ScienceDirect和Scopus）中进行，时间范围为2021年1月至2026年，检索词限定于标题、摘要及关键词字段，布尔逻辑式为（“machine learning” OR “deep learning”）AND（“geothermal reservoir” OR “geothermal energy” OR “ground source heat pump”），初步获得223条记录。
   2.2 纳入/排除标准与滚雪球法
   对223条记录进行标题与摘要相关性初筛后，依据严格标准对103篇全文进行评估，排除未明确将机器学习与地热应用耦合、仅基于传统数值模拟而无数据驱动模型及数据不完整的文献，主检索路径最终纳入38篇核心文献。为确保全面性，补充采用严格的引文滚雪球法（后向参考文献追踪）及手动检索，纳入其他出版商的高质量文献、关键区域研究及基础背景报告，新增28篇文献，最终合成66篇合格参考文献用于综述分析。
   2.3 文献代表性与潜在偏倚分析
   文献选择遵循系统性原则，但现有研究存在潜在偏倚。一是明显的区域偏倚：多数高精度机器学习模型依赖美国FORGE场地、中国特定沉积盆地及土耳其西安纳托利亚等少数典型地热场地的数据集，地理集中性限制了模型的跨场地可迁移性，在不同地质与水文地球化学背景下适用性存疑。二是发表偏倚：现有文献多报道成功且高度优化的模型，通常呈现优异的预测指标如高R²和低均方根误差，而阴性结果、算法失效案例及复杂噪声现场条件下表现不佳的模型极少被发表，导致对地热工程中机器学习应用的认知过于乐观。三是研究主题偏倚：现有研究多聚焦于储层温度预测、钻井深度回归及地源热泵短期性能优化等高产出局部任务，而长期环境风险评估、全生命周期经济分析及设备结垢腐蚀预测研究稀缺。明确这些偏倚对批判性评估当前研究现状至关重要，也为未来构建更均衡、全球代表性的研究框架提供指引。
3. 3.
   地热资源勘探中的机器学习应用
   地热资源勘探是地热开发的初始环节，核心目标为圈定有利地热靶区及预测地热潜力。传统勘探依赖地质、地球物理及地球化学数据的综合解译，存在效率低、主观性强等问题。机器学习可基于多源数据构建非线性关系，更高效识别地热异常及勘探靶区。在控断裂地热系统勘探中，研究人员采用无监督NMFk方法分析中国东南郴州-惠州地区364组地热流体水化学、热流及距断层距离数据，将地热流体划分为三类，其中B类流体具有最高勘探潜力，其特征为深循环、高储层温度及强封闭性，主要受北西向断裂及高热产花岗岩控制，据此建立的控断裂地热系统概念成因模型显著降低了勘探成本并提升了靶区筛选效率。另有研究结合机器学习与浅层地下水化学数据识别美国大盆地地热远景，为区域地热勘探提供了新方法范式。针对湖北咸宁地热勘探，研究人员开发基于堆叠集成（stacking ensemble）方法的地热潜力预测模型，通过融合随机森林（Random Forest, RF）与多层感知机（Multilayer Perceptron, MLP），明确地热梯度、储层温度、重力异常及氘推断补给高程为核心预测因子，在GIS平台预处理12个地质特征图层后，并行训练线性回归、深度神经网络、多层感知机及随机森林四类模型，进而通过堆叠集成构建RF-MLP模型，阐明控制咸宁地热分布的关键地质因素并生成最终空间预测结果。针对增强型地热系统（Enhanced Geothermal Systems, EGSs），相关研究开发了深度学习模型以预测动态注入速率下的出口温度及裂缝渗透率，为EGS储层动态参数监测提供高效工具。值得注意的是，部分研究表明更复杂的机器学习策略未必带来更高预测精度，过度复杂模型可能因过拟合等问题降低预测可靠性，提示需平衡模型复杂度与泛化能力。在地热远景制图领域，研究人员系统综述了大数据与机器学习时代的研究进展，对比传统勘探要素分析法（Play Fairway Analysis, PFA）与机器学习增强的勘探要素分析法（enhanced PFA, ePFA），并通过美国德克萨斯州案例验证了ePFA的优势，证实机器学习可有效处理多源、高维、非线性地热数据集，在缩短勘探周期、降低成本及减少钻井风险方面潜力显著。从算法适用性来看，无监督方法如NMFk适用于标注数据稀缺的早期勘探阶段，可实现隐蔽水文地球化学分组的无偏识别，但缺乏地面真值时定量验证难度较大；树基算法如随机森林与XGBoost对地质数据常见的异常值与缺失值鲁棒性强，同时可提供特征重要性指标；多层感知机擅长捕捉深层高维非线性映射，但对数据量需求高，在小样本地热勘探场景中易过拟合；堆叠集成方法如RF-MLP可有效结合决策树的结构鲁棒性与神经网络的表征能力，但代价是可解释性降低及计算需求提升；ePFA等空间框架专为多层GIS数据设计，可显式处理标准表格模型忽略的空间关联，但受空间自相关性影响，若未严格执行空间交叉验证易导致模型泛化能力高估。总体而言，机器学习为地热资源勘探提供了更高效的数据处理与模式识别途径，尤其适用于多源信息融合、耦合控制因子处理及区域潜力快速评估，但仍存在三方面主要问题：一是多数研究基于单一区域数据，空间覆盖有限；二是空间变量常表现出强自相关性，随机划分训练集与测试集可能高估模型泛化能力；三是预测结果的地质解译仍不充分。未来研究需超越高精度局部分区，更多关注跨区域可迁移识别及可解释成因建模。
4. 4.
   地热储层表征与参数预测中的机器学习应用
   储层表征与参数预测是地热开发的核心环节，直接影响资源评估、开发规划及长期生产管理。地热储层通常受岩性、构造、孔隙度与渗透率、裂缝网络、水文地球化学条件及储层边界控制，传统参数获取方法依赖钻井试验、岩心实验、热响应测试及数值反演，成本高、耗时长且难以快速规模化。机器学习通过构建储层参数与可观测特征间的映射关系，可实现关键参数的快速估算。
   4.1 储层温度预测
   储层温度预测研究中，多数研究以水化学指标、井深、离子浓度及构造背景为输入构建回归模型。与传统地球化学温度计相比，机器学习模型可整合更多变量并学习更复杂非线性关系，在特定数据集上常表现出更高精度，部分研究还采用SHAP或敏感性分析识别关键控制变量，提升模型可解释性。针对土耳其西安纳托利亚地热系统，研究人员基于84组水文地球化学样品开发自然梯度提升（Natural Gradient Boosting, NGB）、极限学习机（Extreme Learning Machine, ELM）、群方法数据处理（Group Method of Data Handling, GMDH）、广义回归神经网络（Generalized Regression Neural Network, GRNN）及反向传播神经网络（Back Propagation Neural Network, BPNN）五类模型，其中NGB模型性能最优，SHAP分析显示SiO₂是储层温度预测的最重要变量，其浓度与储层温度呈正相关，且NGB模型的决策机制与地热领域知识高度一致，支撑了模型在储层温度估算中的可靠性。针对摩洛哥北部地区，研究人员基于99组水文地球化学样品与储层温度记录开发决策树回归（Decision Tree Regression, DTR）、XGBoost、极限随机树（Extra Randomized Trees, XRT）、NGB及深度神经网络（Deep Neural Network, DNN）五类模型，XGBoost表现最优，SHAP分析再次证实SiO₂为核心变量，基于预测储层温度结合体积法与蒙特卡洛模拟评估研究区地热发电潜力，进一步验证了机器学习在储层温度预测与勘探中的应用价值。针对松辽盆地南部160口井的水化学与深度数据，研究人员结合蚁狮优化（Ant Lion Optimizer, ALO）算法与五类机器学习模型开发储层温度预测模型，其中ALO-高斯过程回归（Gaussian Process Regression, GPR）模型精度最高，储层深度、钠钾总浓度及硼含量为三大关键预测因子，SHAP分析量化了各输入特征对温度预测的贡献与影响。
   4.2 热物性与参数反演
   在储层热物性预测方面，研究人员针对传统热脉冲法的理论模型理想化、拟合误差大及测试耗时的局限，提出基于机器学习的岩石土壤热物性反演方法，首先通过蒙特卡洛数值模拟构建覆盖不同岩土类型及不同含水率、含冰率的温度响应曲线（Temperature Response Curve, TRC）数据集，对比BP、卷积神经网络（Convolutional Neural Network, CNN）与支持向量回归（Support Vector Regression, SVR）的反演性能，最终模型采用加热探头前50秒TRC数据与BP算法，实现热导率与比热容的同时快速高精度估算，比热容平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）低至0.3%，热导率MAPE低至0.87%，显著优于传统理论方法。在储层参数反演方面，研究人员提出自动化机器学习方法用于地热储层建模输入参数估算，基于TOUGH2模拟器生成大规模训练数据集，经算法对比后选择轻量梯度提升机（Light Gradient Boosting Machine, LightGBM）作为最终模型，实现渗透率分布与源汇条件的同步估算，在二维、三维仿真案例及实际场地尺度模型中验证有效，在保持高精度的同时将计算效率提升1-2个数量级。该两阶段框架中，模型1通过分类与回归从温度压力分布估算源汇条件，模型2结合源汇条件与温压分布估算渗透率分布，三维问题中LightGBM对源汇位置分类的准确率、F1分数及马修斯相关系数均达1.0，源汇焓与流量回归的R²分别为0.929与0.968，渗透率分布估算R²达0.868。为将物理原理直接嵌入数学反演，研究人员开发物理信息神经网络（Physics-Informed Neural Networks, PINNs）框架用于天然状态水热系统，通过将质量与能量守恒方程嵌入神经网络损失函数，成功从稀疏井观测数据预测地下温度、压力及渗透率的空间分布，确保纯数据驱动预测与基础地热原理一致。针对EGS多源数据融合需求，研究人员建立基于深度学习的联合反演框架，融合水文地质与地球物理观测数据，结合卷积变分自编码器与多数据同化下的集合平滑器，表征复杂非高斯裂缝开度场，显著降低参数不确定性并提升长期热性能预测可靠性。
   4.3 采注优化与系统调度
   针对地热采注方案优化，研究人员提出基于机器学习的优化方法，通过构建代理模型实现采注参数的快速优化，提升开发效率与经济性能。针对含地源热泵的综合能源系统，相关研究开发了基于机器学习的能量调度优化方法，可协调多能源供给并提升调度效率，拓展了机器学习在GSHP系统优化中的应用范畴。
   4.4 储层表征研究总结与现存局限
   当前地热储层表征与参数预测的机器学习应用仍存在多方面局限：多数研究依赖数值模拟数据或小样本实验数据集，且常忽略储层表征中的尺度效应——基于实验室尺度数据训练的模型难以迁移至场地尺度地热系统，因实验室岩心样本仅代表极小物理体积，而真实储层包含大尺度裂缝网络与强空间异质性，需明确界定合适的代表性体积单元（Representative Volume Element, RVE）以衔接微观实验室物理与宏观工程尺度。此外，数据多来自单一地热区，学习模式可能包含强区域特征，评估时需超越R²或RMSE指标，综合考虑样本量、数据分布、验证策略及外部测试情况。模型泛化能力不足与可解释性欠缺仍是工程应用的短板，例如部分研究样本量仅84组，限制模型泛化能力且无法支撑复杂模型训练；部分数据集仅来自松辽盆地南部，样本量有限且模型需在其他地质背景下验证。除储层温度外，热导率、比热容、地热梯度、浅层岩土热物性及区域热参数分布等也是重要预测目标，机器学习已应用于热脉冲实验反演、钻孔热响应测试参数估算及区域热参数快速成图，展现出良好潜力。总体而言，该领域研究基础相对成熟，但未来需摆脱简单算法堆叠，更多关注数据质量提升、外部验证、跨场地迁移及物理约束融合。
5. 5.
   地热系统开发与运行优化中的机器学习应用
   开发与运行优化是提升地热效率与降低成本的关键，涵盖钻井优化、储层生产优化及井控优化等任务。随着地热开发从资源识别向精细化运行管理转型，机器学习角色已从参数预测拓展至决策支持工具。传统优化方法依赖数值模拟，常面临计算成本高、收敛慢等问题，机器学习可通过构建代理模型大幅提升优化效率。在高保真数值模拟方面，离散裂缝网络模型被用于捕捉非均匀开度、窜流及各类注入参数对长期取热性能的影响，为机器学习代理模型训练提供复杂多物理场场景下的物理一致数据集，衔接基础热-水-力机制与先进机器学习决策支持。
   在钻井优化领域，研究人员基于美国FORGE场地58-32井的钻井诊断数据，构建BPNN与RF两类浅层机器学习模型用于钻井深度预测，其中RF模型训练仅需4.981秒，测试集R²达0.9995，较BPNN提升计算效率91.82%、预测精度1.04%，验证了浅层机器学习在大规模地热钻井数据集上的有效性。针对高温地热钻井井底循环温度（Bottom-Hole Circulating Temperature, BHCT）实时预测需求，传统数值模型计算效率低，研究人员开发基于长短期记忆网络（Long Short-Term Memory, LSTM）的BHCT实时预测模型，首先采用经犹他州FORGE场地数据验证的热-水耦合模型生成含132000个数据点的数据集，在六类测试模型中LSTM在所有测试条件下表现最优，平均绝对误差低于1.5°C，均方根误差低于4.5°C，可在毫秒级完成BHCT预测，满足现场实时决策需求，且能捕捉静态与动态钻井条件下的瞬态BHCT行为，为钻井主动温度管理提供技术支撑。
   在储层生产优化方面，针对EGS多目标优化中模拟计算密集、收敛慢的瓶颈，研究人员提出主动学习增强的进化多目标优化算法（Active-Learning-Enhanced Evolutionary Multi-Objective Optimization, ALEMO），与裂隙介质水热模拟耦合实现高效多目标设计，仅需500次模拟运行即可获得优于NSGAII与MOEAD经5000次运行的结果，计算效率提升10-100倍。该方法引入概率神经网络预测帕累托支配关系，结合主动学习与超体积驱动的注意力子空间搜索，基准测试与工程案例表明可将数值模拟次数减少1-2个数量级。针对渗透率不确定条件下的地热储层开发优化，研究人员提出基于深度学习代理模型的闭环优化框架，构建混合CNN-LSTM代理模型，结合迭代集合平滑（Iterative Ensemble Smoother, IES）进行储层参数数据同化，再采用差分进化算法开展生产优化，可支撑地热储层高效实时优化与数据同化，在降低储层参数不确定性的同时提升经济性能。CNN-LSTM模型从渗透率场提取空间信息并映射至生产动态，框架交替进行数据同化与生产优化，实现实时井控优化与动态储层参数估算。
   针对EGS开发优化，研究人员结合热-水-力数值模拟与机器学习建立EGS取热多目标优化框架，构建牛顿-拉夫逊优化-反向传播（Newton-Raphson Based Optimizer-Back Propagation, NRBO-BP）神经网络模型同步预测多项性能指标，结合多目标海鸥优化算法（Multi-Objective Seagull Optimization Algorithm, MOSOA）与熵权TOPSIS优化工程参数，优化后系统寿命延长10年以上，注采压差降低76.4%，取热效率与系统稳定性显著提升。另有研究针对EGS储层管理计算成本高、优化效率低的局限，开发通用物理信息机器学习框架，基于傅里叶神经算子（Fourier Neural Operator, FNO）构建前向代理模型，相对误差低至1.27±0.89%，预测速度较数值模拟器快4564倍，设计的控制网络端到端映射与深度学习优化器直接求解两种方案均实现EGS取热高效优化，其中控制网络与Adam优化器组合在精度与效率间取得最佳平衡。当前地热开发与运行优化的机器学习应用主要在理想仿真环境中验证，仍存在两方面明显短板：一是验证场景多局限于理想化数值模型，真实储层的复杂地质条件、强非均质性、多物理场耦合、参数漂移及观测噪声未被充分表征；二是优化目标多聚焦于取热效率或出口温度，鲜少同时考虑长期经济性、井筒安全性、储层衰减及环境风险，现有研究主要论证算法可行性，与实际工程部署仍有明显距离。
6. 6.
   地热系统传热性能预测与控制中的机器学习应用
   传热性能预测与控制是提升地热利用效率的关键，涵盖钻孔换热器性能预测与地源热泵系统控制等任务。传统方法依赖数值模拟或解析模型，常存在计算效率低或精度有限的问题，机器学习可直接基于运行数据建模，实现传热性能快速精准预测并支撑系统优化控制。
   6.1 组件级性能预测
   在钻孔换热器性能预测方面，机器学习已应用于出口温度预测、关键热参数估算及区域浅层地热潜力快速评估。现有研究表明，当输入变量明确时，XGBoost、随机森林与支持向量回归等模型通常可实现高精度预测，特征贡献分析可辅助识别主要影响因素。针对地-气换热器（Ground-Air Heat Exchangers, GAHE）出口空气温度这一系统设计关键需求，研究人员采用CFD模拟生成354组GAHE运行数据，构建XGBoost、随机森林、决策树、支持向量回归及K近邻五类模型，XGBoost性能最优，SHAP分析表明进口空气温度、地温与雷诺数为控制GAHE性能的关键因素，量化了各参数贡献，为地热换热器设计优化与性能预测提供了高精度机器学习方法。针对热响应测试（Thermal Response Tests, TRT）成本高、耗时长限制区域浅层地热潜力快速评估的问题，研究人员基于瑞士中西部174个钻孔的实测TRT数据开发XGBoost模型，在场地尺度上，原始地温、有效热导率及钻孔热阻的MAE分别低至0.655°C、0.194 W/(m·K)与0.0164 m·K/W，接近现场TRT测量不确定度水平，进一步利用最优模型生成地热参数空间分布图并与官方地质模型对比，实现了区域浅层地热潜力的快速筛查。
   6.2 系统控制与运行优化
   在地源热泵系统控制与优化方面，实时性能系数（Coefficient of Performance, COP）计算常受冗余模型输入困扰。针对天津某办公建筑GSHP系统案例，研究人员初始采集10项运行参数，采用LASSO与相关分析进行严格特征筛选，将输入需求缩减至4-6项参数同时保持高预测精度，随后开发ELM、BPNN与SVM模型预测热泵机组及系统整体COP，结果表明ELM模型在精度与计算效率上均优于其他模型，为GSHP系统COP预测提供了高效解决方案。另有研究指出当前优化研究多聚焦GSHP系统设计阶段，针对已投运系统运行策略的研究较少，为此提出基于机器学习代理模型的已建GSHP系统优化框架：首先采用闭环数值模型复现GSHP系统实际运行，通过拉丁超立方采样生成训练数据集；为克服计算负担，采用XGBoost代理模型替代数值模型，温度预测绝对误差低于0.1 K，取热量绝对百分比误差低于2.0%；引入过程分解方法以适应可变数量的输入参数；最终应用多目标秃鹰搜索优化器，优化常规与非规则运行模式，优化策略使日运行时长减少2%-9%，日均节电0.6-6.0 kWh。
   6.3 区域浅层地热潜力评估
   在区域浅层地热潜力评估方面，研究人员指出多数区域研究忽略地下水流驱动的对流换热影响，且直接数值模拟计算成本过高难以大规模应用，因此提出基于机器学习代理模型的区域尺度评估新方法：构建考虑地下水流的三维无限线热源有限元模型，进而开发人工神经网络代理模型，实现地下水流条件下地热潜力的快速计算，在意大利波河平原12500 km²区域生成区域地热潜力图，结果表明地下水流可使GSHP换热潜力提升高达250%，同时推导包含地下水对流的伪g函数，结合ASHRAE设计方法计算不同条件下岩土热阻与地热换热潜力。另有研究评估长春市区浅层地热潜力，通过综合室内外试验获取热物性参数，利用钻孔测温定义浅层地温场，结合机器学习与ArcGIS开发100 m深度处岩土热导率与地温的空间预测模型，建立浅层同轴钻孔地热系统水热耦合数值模型并训练RF-SVR等代理模型，最终实现研究区地热资源评估与开采潜力预测，同步分析多参数对取热性能的影响。
   6.4 总结与现存局限
   机器学习在传热性能预测与控制中已展现高效性，但多数研究聚焦单一系统或特定区域，模型难以跨气候带或跨地热利用系统类型迁移。此外，当前研究多关注短期性能预测，鲜少考虑连续运行过程中的热失衡或性能衰减等长期问题，限制了模型在长期优化中的应用价值，难以支撑地热系统全生命周期运行。
7. 7.
   地热能源中的物理信息机器学习与算子学习
   纯数据驱动的机器学习模型常存在泛化能力弱、物理一致性差等问题。物理信息机器学习（Physics-Informed Machine Learning, PIML）指将控制方程、守恒定律或边界条件显式嵌入模型架构或损失函数的方法，旨在保留快速预测能力的同时满足严格物理约束。尽管PIML在风能等领域的应用已成为焦点，其在地热、太阳能及生物质系统中的 adoption仍处于起步阶段，但这种跨学科融合为地热工程提供了变革性路径，通过显式嵌入物理守恒定律，可有效解决纯数据驱动方法的局限。除典型的PINNs外，傅里叶神经算子（FNO）等神经算子也逐渐兴起，需注意文献中对“物理信息”的界定有时过于宽泛：仅基于数值模拟器生成数据集训练的FNO虽从高保真数据中隐式学习物理行为，但若未将物理定律显式融入训练过程，本质上仍属于数据驱动代理模型。
   在算子学习领域，研究人员针对EGS储层管理计算成本高、优化效率低的局限，开发基于FNO的前向代理模型，通过拉丁超立方采样从热-水耦合模型生成4141组模拟样本训练FNO，学习储层参数与温度场及生产温度间的映射关系，代理模型相对误差低至1.27±0.89%，预测速度较数值模拟器快4564倍，设计的控制网络端到端映射与深度学习优化器两种方案均实现EGS取热高效优化。另有研究针对裂隙性地热储层数值模拟复杂耗时的特点，提出数据集构建框架与基于FNO的预测模型，考虑裂缝形态与注采参数间的动态耦合，通过1100次随机裂缝网络数值模拟生成多场景数据集，建立温度场时序演化预测模型，FNO模型显著优于传统CNN模型，仅需8641个可训练参数即实现高精度，单样本推理耗时在1分钟以内，通过最大池化下采样、固定间隔采样、循环平移数据增强及分层时序聚合策略提升泛化能力。物理信息机器学习在地热能源中已形成涵盖前向代理建模与优化控制解决方案的完整框架，包括裂隙储层温度场预测与EGS管理控制网络设计，相较于传统纯数据驱动模型，更强调物理约束嵌入与长序列多物理场耦合问题求解。
   物理信息机器学习为解决纯数据驱动模型的泛化问题提供了新途径，但当前研究对其局限性缺乏批判性评估：一是模型在不确定性量化方面存在困难，难以评估地下数据的高不确定性；二是复杂裂缝非均质性建模难度大，嵌入的物理约束常过度简化真实地质结构；三是代理模型外推能力弱，在训练分布外的新运行条件下易失效；四是混合模型训练计算成本极高，训练过程中求解复杂物理方程需海量算力；五是模型向场地尺度系统扩展存在壁垒，当前验证多限于小规模或简化模拟。此外，区域地热工程的现实挑战不容忽视：一是区域储层表征常面临地下数据极度稀缺的问题，但克罗地亚萨格勒布地热田研究表明，即使初始数据集极小，通过整合空间插值方法与严格统计验证仍可实现可靠储层表征，证明在部署复杂数据驱动模型前，适当的统计控制可有效弥补稀疏现场测量的不足；二是实际应用日益趋向热电联产，针对哈萨克斯坦扎尔肯特坳陷等低焓资源，最大化热能提取需结合二元地热技术与梯级区域供热管网，提示未来智能框架需适配数据稀疏环境与复杂多联产系统。
8. 8.
   结论与未来展望
   8.1 研究现状
   近年来，地热能源领域的机器学习已从早期探索性研究发展为覆盖地热资源勘探、储层表征、开发与运行优化及传热性能预测与控制全流程的多阶段深度应用。算法类型上，监督学习仍占主导地位，在标注地热数据的相关任务中表现良好，尤其在储层参数预测与钻井优化等需高精度结果的任务中较传统方法优势显著。出版趋势上，2021年以来相关研究成果数量显著增长，反映地热领域对机器学习的关注度持续提升。但不同阶段的应用成熟度存在差异：储层表征与生产运行管理应用相对成熟，多数研究已验证其有效性；而勘探、钻井及环境控制相关研究仍较少，留有较大探索空间。物理信息机器学习作为新兴研究方向，为解决纯数据驱动模型泛化能力有限的问题提供了可行路径，正成为该领域新的研究热点。
   8.2 模型复杂度与适用性对比
   现有文献清晰呈现了模型复杂度与实际适用性间的权衡关系：深度神经网络等复杂算法在大规模均匀数据集上常实现高精度，但应用于现场采集的小规模地热数据集时极易过拟合，且需大量计算资源，决策透明度低。相比之下，简单模型在许多地热任务中表现更优：树基算法如随机森林与XGBoost对地质数据中的缺失值与异常值鲁棒性强，可自然提供清晰的特征重要性排序，非常适用于区域远景制图与储层温度预测；浅层机器学习模型在计算效率上也具明显优势，例如简单回归模型可在数秒内处理海量钻井数据流，而深度网络在相同条件下常面临训练耗时长、超参数调优困难等问题。因此，算法选择应严格匹配数据规模与具体任务需求：深度学习架构与神经算子更适用于动态储层模拟与多物理场代理建模等可提供充足合成数据训练深度网络的任务；而简单集成模型应作为早期勘探与场地尺度参数反演的首选，需摒弃盲目追求算法复杂度的倾向，优先关注数据质量、模型可解释性与场地部署可行性。
   8.3 现存局限
   机器学习在地热研究中已取得实质性进展，但从工程应用视角看，仍需解决诸多紧迫问题：一是数据层面局限：高质量标注数据极度稀缺，是当前制约机器学习应用的最根本因素，多数研究依赖数值模拟数据或小样本实测数据集，空间覆盖与多样性明显不足，导致模型泛化能力弱、跨场景应用困难；同时地热数据多源自地质、地球物理、地球化学等多领域，异质性强，缺乏有效的数据融合方法，限制性能提升；现有研究对合成数据集依赖度高，TOUGH2、COMSOL等模拟器生成的理想化数据与真实现场条件存在显著领域差距，可能导致训练模型在实际工程中失效，需通过迁移学习适配仿真模型、数据同化融合稀疏现场数据与大规模仿真数据集及直接现场验证等策略弥合现实差距。二是模型可解释性不足：当前多数机器学习模型为黑箱模型，工程师难以理解决策机制，极大降低工程实践接受度；SHAP、LIME等可解释AI技术存在局限，可能引入自身数学偏差，仅展示统计相关性而非真实物理因果，部分解释在地热应用中缺乏物理意义，需将统计解释与基础物理机制直接关联以构建可信模型。三是物理机制融合不足：多数纯数据驱动模型未充分考虑地热系统物理规律，导致极端条件或复杂地质背景下预测可能违背物理原理，削弱模型可靠性；物理信息机器学习虽已开始应对此问题，但当前应用仍有限，物理定律多仅作为简单约束加入，尚未实现物理机制与机器学习的深度融合。四是工程部署壁垒：多数研究停留在理论或仿真阶段，极少在真实地热项目中验证，同时缺乏标准化工作流程与评价体系，难以横向