综述：地热能源系统中的机器学习：预测、优化及物理信息混合方法

《Energies》：Machine Learning for Geothermal Energy Systems: Prediction, Optimization, and Physics-Informed Hybrid Methods

　　

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，机器学习逐步应用于地热系统的资源勘探、储层表征、钻井与运行优化、传热性能预测及地源热泵（GSHP）控制等环节，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，机器学习虽常能提供更高的效率与精度，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领域的核心应用，重点阐述代表性方法、数据来源、目标任务及研究特征，指出现有研究在数据规模与质量、模型泛化性、物理一致性、可解释性及部署可行性等方面的关键局限。综述进一步强调地热机器学习正从点式预测工具向支撑智能分析、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地热能源系统中可信赖、可部署的决策支持。

1. 引言

地热能源作为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、太阳能，地热系统可提供相对连续的能量输出，在区域供热、建筑冷热联供及发电等场景已实现广泛应用。但地下系统具有强非均质性、高度非线性及多尺度热-水-地质耦合特征，导致资源勘探、储层表征、产量预测及运行优化等关键环节面临高不确定性、反演成本高及实时决策支持不足等挑战。传统地热研究依赖地质调查、地球物理勘探、水地球化学分析、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、生产-回注优化及长期系统管理等任务中，普遍存在计算成本高、建模周期长及效率低等问题。随着机器学习技术的发展，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域任务。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，支撑更快捷的预测、分类、反演及决策。然而当前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。地热数据普遍样本量小、空间分布不均、标注成本高且异质性强，削弱了模型训练基础；多数高精度模型基于特定区域、小样本或数值模拟数据集构建，其跨场地泛化性与工程适用性仍需验证；纯数据驱动模型在物理一致性、可解释性及极端工况鲁棒性方面的局限显著，在高投入高风险的地热开发中，仅靠黑箱预测无法满足实际工程需求。现有综述多聚焦特定子领域或早期研究阶段，本综述的创新性在于构建了三维分析框架：一是打破深浅部系统界限，建立覆盖资源勘探、储层表征、运行优化及浅层热泵系统的全流程智能开发管线；二是开展方法-场景匹配分析，系统对比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；三是重点阐释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范式转变，针对性解决当前制约工程部署的核心瓶颈。

2. 研究方法

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。主检索在Elsevier数据库（含ScienceDirect与Scopus）中覆盖2021年1月至2026年的文献，在标题、摘要及关键词字段严格采用布尔逻辑（“machine learning” OR “deep learning”）AND（“geothermal reservoir” OR “geothermal energy” OR “ground source heat pump”）进行检索，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 eligibility 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无数据驱动模型、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，补充开展反向引文追踪与人工检索，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。

2.3 文献代表性与潜在偏倚分析

文献筛选虽遵循系统流程，但现有研究存在三类潜在偏倚。一是区域偏倚：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、土耳其西安纳托利亚等少数文档完善的地热场地数据，地理集中度限制了模型的跨场地迁移性，在不同地质与水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，普遍呈现高R2、低均方根误差等指标，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：现有研究过度集中于储层温度预测、钻井深度回归、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等研究匮乏。明确这些偏倚对客观评估研究现状、引导未来研究构建更均衡且具有全球代表性的框架至关重要。

3. 地热资源勘探中的机器学习应用

地热资源勘探是开发的首要环节，核心目标是圈定有利地热靶区并评估地热潜力。传统勘探依赖地质、地球物理、地球化学数据的综合解译，存在效率低、主观性强等问题。机器学习可通过构建多源数据的非线性关系，更高效地识别地热异常并划定勘探靶区。在控断裂型地热系统勘探中，研究人员采用无监督NMFk方法分析中国湘粤地区364组地热流体水化学、热流及距断裂距离数据，将地热流体划分为三类，其中B类流体循环深度大、储层温度高、封闭性好，主要受北西向断裂与高热产花岗岩控制，据此建立的控断裂型地热系统成因概念模型显著降低了勘探成本并提升了靶区筛选效率。另有研究验证了结合机器学习与浅层地下水化学识别美国大盆地地热远景区的有效性，为区域地热勘探提供了新方法。针对湖北咸宁地热勘探，研究人员开发基于堆叠集成（stacking ensemble）的地热潜力预测模型，融合随机森林与多层感知机，识别出地热梯度、储层温度、重力异常及氘指示的补给高程为核心预测因子，在GIS平台预处理12层地质要素后，并行训练线性回归、深度神经网络、多层感知机及随机森林模型，最终通过堆叠集成构建RF-MLP模型，明确了控制咸宁地热分布的关键地质因素并生成空间预测结果。对于增强型地热系统（EGS），已有研究开发深度学习模型预测动态注入速率下的出口温度与裂缝渗透率，为EGS储层动态参数监测提供高效工具，同时发现复杂机器学习策略未必能提升预测精度，过拟合可能导致可靠性下降，提示需平衡模型复杂度与泛化能力。研究人员系统综述了大数据与机器学习时代的地热远景填图进展，对比传统勘探路径分析（PFA）与机器学习增强的ePFA，通过美国德克萨斯州案例验证了ePFA在处理多源高维非线性地热数据、降低勘探时间与成本及钻井风险方面的优势。不同算法的适用性存在差异：无监督方法如NMFk适用于标记数据匮乏的早期勘探阶段，可无偏发现隐藏的水地球化学分组，但缺乏真值时定量验证困难；监督任务中，随机森林、XGBoost等树基算法对地质数据中的异常值与缺失值鲁棒性强，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，但对数据量需求大，易在小样本地热勘探中过拟合；堆叠集成方法可融合决策树的结构鲁棒性与神经网络的表征能力，但会降低可解释性并增加计算负荷；ePFA等空间框架专为多层GIS数据设计，可捕捉标准表格模型忽略的空间关联，但易受空间自相关影响，若未严格执行空间交叉验证会高估泛化能力。总体而言，机器学习为地热资源勘探提供了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、耦合控因处理及区域潜力快速评估，但仍存在三方面局限：多数研究基于单一区域数据，空间覆盖有限；空间变量强自相关导致随机划分训练测试集可能高估泛化能力；预测结果的地质解译仍不充分，未来需从高精度局部区划转向跨区域可迁移识别与可解释成因建模。

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。地热储层受岩性、构造、孔隙度与渗透率、裂缝网络、水地球化学条件及储层边界等多因素控制，传统参数获取依赖钻井试验、岩心实验、热响应测试及数值反演，成本高、耗时长且难以规模化。机器学习通过构建储层参数与可观测特征的映射关系，实现关键参数的快速估算。

4.1 储层温度预测

储层温度预测多采用水地球化学指标、井深、离子浓度及构造背景作为输入构建回归模型，相较于传统地球化学温标，机器学习模型可整合更多变量并学习更复杂的非线性关系，在特定数据集上精度更高。部分研究结合SHAP或敏感性分析识别关键控因，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组水地球化学样品开发NGB、ELM、GMDH、GRNN、BPNN五种机器学习模型，其中NGB模型性能最优，SHAP分析表明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组水地球化学样品与储层温度记录开发DTR、XGBoost、XRT、NGB、DNN五种模型，XGBoost表现最佳，SHAP分析再次验证SiO₂为核心变量，结合体积法与蒙特卡洛模拟评估了研究区地热发电潜力。针对松辽盆地南部160口井的水地球化学与深度数据，研究人员融合ALO算法与五种机器学习模型，其中ALO-GPR模型精度最高，储层深度、总钠钾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度。

4.2 热物性与参数反演

针对传统热脉冲法的理论模型理想化、拟合误差大、测试耗时等问题，研究人员提出基于机器学习的岩石土体热物性反演方法，首先通过蒙特卡洛数值模拟构建覆盖不同岩土类型及含水含冰率的温度响应曲线（TRC）数据集，对比BP、CNN、SVR的反演性能，最终采用加热探头前50秒TRC数据与BP算法，实现热导率与比热容的快速高精度同步估算，比热容平均绝对百分比误差（MAPE）低至0.3%，热导率MAPE低至0.87%，显著优于传统理论方法。针对储层参数反演，研究人员提出自动化机器学习方法估算地热储层模拟的输入参数，基于TOUGH2模拟器生成大规模训练数据集，经算法对比选择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2D、3D模拟案例及实际场地尺度模型中验证，在保持高精度的同时计算效率提升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，3D问题中LightGBM对源汇位置分类的准确率、F1分数及MCC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。为实现物理原理与数学反演的直接融合，研究人员开发面向天然状态水热系统的物理信息神经网络（PINN）框架，将质量与能量守恒方程嵌入神经网络损失函数，从稀疏井观测数据成功预测地下温度、压力及渗透率的空间分布，确保纯数据驱动预测符合地热基本原理。针对增强型地热系统的多源数据融合，研究人员建立基于深度学习的联合反演框架，融合水文学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的集合平滑器，表征复杂的非高斯裂缝开度场，显著降低参数不确定性并提升长期热性能预测的可靠性。

4.3 生产-回灌优化与系统调度

针对地热生产-回灌方案优化，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生产与回灌参数的快速优化，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，研究人员开发基于机器学习的能量调度优化方法，协调多能源供给并提升调度效率，拓展了机器学习在GSHP系统优化中的应用场景。

4.4 储层表征研究的总结与当前局限

现有储层表征研究已初步形成模拟样本生成、代理预测、特征解译的完整技术链，SHAP等方法提升了模型输出的可解释性，但仍存在三方面局限：多数研究依赖数值模拟数据或小样本实验数据，忽视储层表征中的尺度效应——实验室尺度训练的模型难以迁移至场地尺度地热系统，实验室岩心仅代表极小物理体积，实际储层包含大尺度裂缝网络与强空间异质性，需明确界定代表性体积单元（RVE）以衔接微观实验室物理与宏观工程尺度；数据多来自单一地热区，学习到的模式带有强烈区域特征，评估时需关注样本量、数据分布、验证策略及外部测试，而非仅依赖R2或RMSE；模型泛化能力与工程适用性所需的可解释性仍显不足。未来需摆脱简单算法堆叠，重点关注数据质量提升、外部验证、跨场地迁移及物理约束融合。

5. 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、降低成本的核心环节，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变，机器学习的作用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，普遍存在计算成本高、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。高保真数值模拟是生成物理一致数据集以训练机器学习代理模型的前提，离散裂缝网络模型可刻画非均匀开度、流动窜流及各类注入参数对长期取热性能的影响，为机器学习提供复杂多物理场场景的学习基础。

针对钻井优化，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两种浅层机器学习模型用于钻井深度预测，RF模型训练仅需4.981秒，测试集R2达0.9995，较BPNN计算效率提升91.82%、预测精度提升1.04%，通过对37.98万组钻井记录的异常值剔除、特征相关性分析及Min-Max归一化，基于RF特征重要性筛选核心输入，经超参数优化与7:3训练测试集划分，结合K折交叉验证，证实随机森林在大规模钻井数据集上的显著优势。针对高温地热钻井井底循环温度（BHCT）实时预测，传统数值模型计算效率低，研究人员开发基于LSTM的BHCT实时预测模型，采用经犹他FORGE场地数据验证的热-水耦合模型生成13.2万组数据，在六种机器学习模型中LSTM全测试条件下性能最优，MAE低于1.5°C，RMSE低于4.5°C，可在毫秒级完成预测，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。

针对储层生产优化，为突破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ALEMO，耦合裂隙介质水热模拟实现高效多目标设计，仅需500次模拟即可获得优于NSGAII与MOEAD经5000次模拟的结果，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CNN-LSTM混合代理模型，结合迭代集合平滑（IES）进行储层参数数据同化，采用差分进化算法开展生产优化，支撑地热储层的高效实时优化与数据同化，在降低参数不确定性的同时提升经济性能。CNN-LSTM模型提取渗透率场的空间信息并映射至生产动态，框架交替执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，研究人员耦合热-水-力学（THM）数值模拟与机器学习，建立EGS取热多目标优化框架，构建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（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储层管理中计算成本高、优化效率低的问题，开发通用物理信息机器学习框架，基于傅里叶神经算子（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快4564倍，设计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取热的高效优化，其中控制网络结合Adam优化器在精度与效率间取得最佳平衡。当前地热开发与运行优化中的机器学习应用主要在理想模拟环境中验证，仍存在两方面薄弱点：一是验证场景多局限于理想化数值模型，实际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，较少同时考虑长期经济性、井筒安全、储层衰减及环境风险，研究多停留在算法可行性验证阶段，与实际工程部署仍有较大差距。

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（GSHP）系统控制等任务。传统方法依赖数值模拟或解析模型，普遍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，实现传热性能的快速精准预测并支撑系统优化控制。

6.1 组件级性能预测

针对钻孔换热器性能预测，机器学习已用于出口温度预测、关键热参数估算及区域浅层地热潜力快速评估，当输入变量明确时，XGBoost、随机森林、支持向量回归等模型通常可实现较高预测精度，特征贡献分析可辅助识别主要影响因素。针对地-气换热器（GAHE）出口空气温度预测这一设计核心需求，研究人员基于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、K近邻五种机器学习模型，XGBoost性能最优，SHAP分析表明进口空气温度、地温及雷诺数为控制GAHE性能的关键因素，量化了各参数贡献度，为地热换热器设计与性能预测提供了高精度机器学习方法。针对热响应测试（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模型在场地与区域尺度预测关键地热参数，场地尺度下原始地温、有效热导率、钻孔热阻的MAE分别低至0.655°C、0.194 W/(m·K)、0.0164 m·K/W，接近现场TRT测量不确定度水平，进一步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

针对GSHP系统实时性能系数（COP）计算受冗余输入参数干扰的问题，研究人员基于天津某办公建筑GSHP系统案例，初始采集10项运行参数，采用LASSO与相关性分析进行严格特征筛选，将输入参数缩减至4-6项并保持高预测精度，随后开发ELM、BPNN、SVM模型预测热泵机组及系统COP，结果表明ELM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。针对现有优化研究多聚焦GSHP系统设计阶段、对投运系统运行策略关注不足的问题，研究人员提出基于机器学习代理模型的既有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%，引入过程分解方法适配可变数量输入参数，结合多目标 Bald Eagle搜索优化器优化常规与非常规运行模式，优化策略使日均运行时间缩短2%-9%，日节电0.6-6.0 kWh。

6.3 区域浅层地热潜力评估

针对区域浅层地热潜力评估中普遍忽略地下水流驱动的对流换热、直接数值模拟计算成本过高的问题，研究人员提出基于机器学习代理模型的新评估方法，构建考虑地下水流的三维无限线热源有限元模型，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1.25×10? 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%，进一步推导包含地下水对流效应的拟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，通过室内外综合试验获取热物性参数，利用钻孔测温界定浅层地温场，结合机器学习与ArcGIS构建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，实现研究区地热资源评估与开采潜力预测，同时分析多参数对取热性能的影响。

6.4 总结与当前局限

机器学习在地热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，模型在气候带差异或地热利用系统类型不同时迁移难度大；现有研究多关注短期性能预测，较少考虑连续运行中的热失衡、性能衰减等长期问题，限制了模型在长期优化中的应用，难以支撑地热系统全生命周期运行。

7. 地热能源中的物理信息机器学习与算子学习

纯数据驱动机器学习模型普遍存在泛化能力弱、物理一致性差等问题。物理信息机器学习（PIML）通过将控制方程、守恒律或边界条件显式嵌入模型架构或损失函数，在保持快速预测的同时满足严格物理约束。跨领域综述表明，尽管风能领域PIML应用已成为热点，地热、太阳能及生物质能系统中的PIML仍处于起步阶段，但这种早期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律，可有效弥补纯数据驱动方法的局限。除典型PIML方法如物理信息神经网络（PINN）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——仅基于数值模拟数据集训练的FNO虽能从高保真数据中隐式捕捉物理行为，但若未在训练过程中显式整合物理定律，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、优化效率低的问题，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取热的高效优化。另有研究针对裂隙地热储层数值模拟复杂耗时的问题，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个可训练参数即可实现高精度预测，单样本推理时间小于1分钟，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。当前地热物理信息机器学习已形成覆盖前向代理建模与优化控制求解的完整框架，涵盖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。但PIML仍存在五方面局限：难以量化地下数据的高不确定性；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；代理模型外推能力差，在训练分布外的新运行条件下易失效；混合模型训练计算成本极高，训练中求解复杂物理方程需海量算力；向场地尺度系统扩展存在壁垒，当前验证多基于小规模或简化模拟。此外，区域地热工程实践面临两个核心挑战：一是区域储层表征常受限于极稀缺的地下数据，克罗地亚萨格勒布地热田研究表明，即使在初始数据集极小的情况下，通过整合空间插值方法与严格统计验证，仍可实现可靠的储层表征，证明在部署复杂数据驱动模型前，合理的统计控制可有效补偿稀疏现场测量的不足；二是实际应用逐渐向热电联供方向发展，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. 结论与未来展望

8.1 研究现状

近年来地热机器学习已从早期探索性研究发展为覆盖资源勘探、储层表征、开发与运行优化、传热性能预测与控制全流程的多阶段深度应用。算法层面，监督学习仍占主导，在标记地热数据的精准结果需求任务（如储层参数预测、钻井优化）中较传统方法优势显著。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，多数研究已验证有效性；勘探、钻井及环境控制相关研究仍较少，有待深入探索。物理信息机器学习作为新兴方向，为解决纯数据驱动模型泛化能力有限的问题提供了新路径，正成为研究热点。

8.2 模型复杂度与适用性的关键对比

现有文献清晰呈现模型复杂度与实际适用性之间的权衡：深度神经网络等复杂算法在大规模均匀数据集上精度较高，但在小样本实地地热数据集中极易过拟合，且需大量计算资源，决策透明度低。许多地热任务中，简单模型反而表现更优：随机森林、XGBoost等树基算法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，非常适合区域远景填图与储层温度预测；浅层机器学习模型在计算效率上优势显著，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受困于冗长训练时间与超参数调优。因此算法选择需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；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。需摒弃对算法复杂度的盲目追求，转而优先关注数据质量、模型可解释性与场地部署可行性。

8.3 当前局限

地热机器学习研究已取得实质性进展，但从工程应用视角仍存在六方面亟待解决的问题：一是数据层面局限，高质量标记数据极度稀缺，多数研究依赖数值模拟数据或小样本实测数据，空间覆盖与多样性不足，导致模型泛化能力弱、跨场景应用困难；地热数据涵盖地质、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；过度依赖TOUGH2、COMSOL等模拟器生成的合成数据集，存在显著的领域鸿沟，实际场地条件远较理想模拟复杂，需通过迁移学习、数据同化缩小现实差距，且必须开展直接的现场验证以确保模型可靠性。二是模型可解释性不足，多数模型为黑箱模型，工程师难以理解决策机制，降低工程接受度；SHAP、LIME等可解释AI技术存在局限，可能引入数学偏差，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，需将统计解释与底层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，纯数据驱动模型未充分考虑地热系统物理定律，极端条件或复杂地质背景下预测可能违背物理原理；物理信息机器学习虽已起步，但当前多仅将物理定律作为简单约束，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模拟阶段，极少在真实地热项目中验证，缺乏标准化工作流程与评估体系，难以横向对比推广；地热工程师机器学习知识储备不足，进一步增加了部署难度。五是地热系统类型差异化研究不足，水热系统、干热岩系统、浅层地热系统等地质条件与开发模式差异显著，但多数研究未针对差异定制模型，通用模型导致性能不均，未能充分发挥机器学习优势。六是模型评估与验证缺陷，普遍存在数据泄露、验证协议薄弱、忽视空间交叉验证、缺乏未见场地外部验证、可复现性低、模型在运行不确定性下鲁棒性不足等问题，需建立标准化评估规范，公开代码与数据集，在高不确定性条件下测试模型以确保可靠性。

8.4 未来研究方向

针对上述问题，未来研究可从七方面推进：一是构建标准化地热数据集，加强行业数据共享，建立整合不同区域、不同地热系统类型的开放标准化数据集，开发数据融合与预处理方法解决数据异质性问题；采用迁移学习、域适应缩小模拟与现场数据差距，多保真建模融合低成本低分辨率模拟与高成本高分辨率现场数据，联邦学习实现多机构协同训练且保护数据隐私，严格执行空间交叉验证避免空间自相关导致的精度高估，提升模型泛化能力。二是提升模型可解释性，深化可解释AI方法在地热机器学习模型中的应用，开发适配地热应用的可解释性评估指标，构建系统的模型可解释性评估框架，支撑工程部署。三是深化物理机制与机器学习融合，进一步发展物理信息机器学习，将地热系统多物理场耦合、非均质性等复杂物理过程更直接地嵌入机器学习模型，针对不同地热系统类型开发定制化物理信息模型，提升模型可靠性与泛化性。四是推进工程部署，加强与真实地热项目的合作，开展更多现场验证研究，将机器学习模型应用于实际地热田开发与运行以检验真实性能；建立标准化工作流程与评估体系，促进方法标准化与推广应用；加强地热工程师培训，提升其对机器学习工具的认知与应用能力。五是开展差异化研究，针对水热系统、干热岩系统、浅层地热系统等不同类型地热系统的特征与需求，开发定制化机器学习模型与应用策略，开展跨系统对比研究，总结行业共性经验。六是审慎探索新兴技术，谨慎探索大语言模型（LLM）、图神经网络等新技术在地热领域的应用潜力——LLM可用于从历史钻井报告与非结构化科学文献中自动提取关键地质参数，图神经网络可专门建模地下复杂裂缝网络的空间拓扑结构；鼓励多技术融合，推进机器学习与数字孪生技术的耦合，构建可同化生产井与注入井实时传感器数据的地热数字孪生体，动态模拟热枯竭并优化运行策略，实现地热系统真正数字化智能运行；同时需正视主动学习、强化学习等先进方法的部署挑战，解决实时数据同化难、不确定性传播导致系统失效、忽略工程安全约束与长期储层衰减、热性能与复杂经济目标对齐等问题，实现真正的智能地热运营。七是采用先进策略缓解数据局限，通过迁移学习、域适应将富数据区预训练模型适配至目标新区，多保真建模融合丰富低成本模拟与稀缺现场测量以降低计算成本，联邦学习实现多机构协同训练且不共享敏感原始数据，以块交叉验证等严格空间验证技术替代传统随机划分，避免空间自相关导致的性能高估。