Temporal Fusion Transformer（TFT）用于热干岩水力压裂裂缝演化预测

《Processes》：Temporal Fusion Transformer for Fracture Evolution Prediction in Hot Dry Rock Hydraulic Fracturing

　　

热干岩（HDR）是一种极具前景的未来可持续清洁能源，水力压裂诱导的裂缝网络是热能提取效率的基石。然而，传统数值模拟工具计算成本高，无法满足实时动态现场预测的需求。而机器学习模型，如传统人工神经网络（ANN）和长短期记忆网络（LSTM），存在严重的“黑箱”限制，且缺乏捕捉复杂时间序列动态演化特征的能力。为解决这些限制，研究人员提出了一种基于时间融合变换器（Temporal Fusion Transformer, TFT）的深度学习框架，用于动态预测裂缝形态的时间演化。研究数据集使用GOHFER软件（版本9.5.6）自动批量生成，随后通过参数敏感性分析完成特征选择。TFT模型与传统基线模型（ANN和LSTM）的对比分析表明，TFT模型在捕捉随时间动态演化的非线性特征方面具有更高的准确性，有效克服了传统模型在复杂时间约束下表现出的严重欠拟合问题。此外，利用TFT固有的注意力机制，研究人员阐明了注入速率、支撑剂浓度和携砂液体积在不同压裂阶段对裂缝扩展的影响权重，从而增强了深度学习模型的可解释性。本研究为高效可持续的热干岩开发提供了一种兼顾高效性与可解释性的新型决策工具。

在全球能源结构向低碳零碳转型的背景下，深层地热能特别是热干岩（HDR）被视为可持续能源的关键组成部分。然而，HDR储层通常位于深层致密基岩中，渗透率极低，需通过水力压裂技术人工创建高导流裂缝网络。裂缝几何形态的时间演化决定了改造储层体积和长期热交换性能，但传统数值模拟工具计算成本高、执行时间长，无法满足多级多簇压裂场景的快速现场评估和近实时决策需求。此外，传统机器学习模型（如人工神经网络ANN、支持向量机、随机森林）大多只关注稳态参数，忽略裂缝扩展的动态演化特征，且存在“黑箱”限制，难以解耦静态地质与动态工程序列的耦合作用。为解决上述问题，研究人员提出基于Temporal Fusion Transformer（TFT，时间融合变换器）的深度学习框架，用于动态预测裂缝形态演化。该研究利用GOHFER软件自动生成大规模压裂演化数据集，通过参数敏感性分析筛选特征，并比较TFT与传统滑动窗口ANN和长短期记忆网络（LSTM）的性能。结果表明，TFT模型在捕捉非线性动态演化特征方面精度更高，克服了传统模型的欠拟合问题。此外，通过TFT的自注意力机制，研究人员揭示了注入速率、支撑剂浓度和携砂液体积在不同压裂阶段的影响权重，增强了模型可解释性。该研究为高效可持续的HDR压裂设计提供了兼顾高效性与可解释性的新型决策工具，论文发表在《Processes》期刊。

主要关键技术方法：研究人员首先基于GOHFER数值模拟软件（版本9.5.6）结合Python宏脚本自动批量生成全三维水力压裂演化数据集，模拟了1525种不同地质和工程参数组合（参数范围源自新疆油田典型区块的实际地质勘探与现场工程约束）。采用Spearman秩相关系数进行全局敏感性分析，消除冗余特征，最终选取11个核心变量（包括渗透率、孔隙度、杨氏模量、泊松比、注入速率、支撑剂浓度等）作为输入。构建了三种代理模型：基于滑动窗口机制的ANN（用于捕捉时序依赖）、LSTM（作为序列基线模型）和TFT（集成门控残差网络GRN、变量选择网络VSN、静态参数编码和因果多头注意力机制）。使用Adam优化器、均方误差（MSE）损失函数，并通过Optuna框架进行超参数贝叶斯优化，以决定系数R²、归一化均方根误差（NRMSE）和平均绝对百分比误差（MAPE）评估模型性能。数据集按8:1:1比例划分为训练、验证和测试集。

**3.1 数据集建立与主指标分析**
通过GOHFER自动生成包含1525种操作条件的综合数据集，参数范围基于新疆油田实际地质和工程数据。利用Spearman秩相关系数进行全局敏感性分析，发现裂缝长度和高度主要受储层属性和流体参数控制（如渗透率与裂缝长度呈强负相关，压裂液密度抑制裂缝高度），而裂缝宽度高度依赖工程参数（如支撑剂质量与宽度强正相关）。最终剔除弱相关变量（如水饱和度），保留11个核心变量作为模型输入，确保了物理充分性。

**3.2 代理模型性能对比**
在独立测试集上，TFT模型在裂缝长度、宽度和高度的动态预测中均优于ANN和LSTM。具体而言，裂缝长度预测中TFT的R²达到0.89（ANN为0.76，LSTM为0.79）；裂缝宽度R²为0.90（ANN为0.71，LSTM为0.83）；裂缝高度R²为0.99（ANN为0.11，LSTM为0.47）。TFT的预测曲线与GOHFER模拟值高度吻合，尤其在裂缝高度快速上升阶段和稳定阶段，而ANN和LSTM存在明显滞后和偏差。散点图显示TFT预测值紧密围绕参考线，无系统性偏差。进一步，裂缝形态剖面和三维空间分布对比表明，TFT预测的裂缝几何形状与GOHFER软件结果一致，而ANN存在明显偏差。

**3.3 动态变量注意力权重分析**
通过提取TFT变量选择网络（VSN）的注意力权重热图，发现不同裂缝维度的传播过程受不同工程参数主导。在裂缝长度扩展中，初期注入速率占主导，中后期支撑剂浓度权重增加，后期携砂液体积起关键作用。裂缝宽度初期由支撑剂浓度控制，中后期注入速率和支撑剂浓度共同主导。裂缝高度在早期达到最大值，注入速率是主要驱动力。这些注意力权重模式与经典岩石力学机制（如裂缝起裂压力、净压力维持、支撑剂铺置）一致，验证了模型学习到的物理规律。

**讨论部分总结**
讨论指出，TFT模型优于ANN和LSTM的根本原因在于其自注意力机制和变量选择网络能有效处理时序依赖和噪声，而标准LSTM将静态地质与动态工程参数统一处理，缺乏动态筛选机制。注意力权重与经典岩石力学原理的吻合增强了模型的可解释性，验证了模型从数据层学习了真实物理规律。工程意义方面，该模型可实时优化泵注方案，防止裂缝高度穿透非目标隔层，减少压裂液浪费和诱发地震风险，从而提高HDR热提取效率并延长储层寿命。局限性方面，当前框架主要针对表1参数范围优化，未考虑离散裂缝网络（DFN）和微观纹理交互，未来将结合DFN和迁移学习以弥合数值模拟与真实井下环境的差距。

**结论翻译**
研究人员首先利用GOHFER数值模拟软件结合全局参数敏感性分析，构建了动态HDR水力压裂数据集，并在此基础上提出了基于TFT的动态预测框架。评估结果表明，TFT模型在全局拟合精度和时间演化轨迹跟踪方面优于基线模型（传统ANN和LSTM），缓解了无记忆网络在处理复杂边界约束时的欠拟合缺陷。此外，内部变量选择机制中注意力权重捕捉到的运行参数主导交替模式与经典岩石物性和地质力学机制一致。所开发的框架在预测复杂地质条件下动态裂缝演化的同时，减轻了垂直高度穿透等环境风险，从而优化了改造储层体积。该方法可支持现场工程师实时调节泵注方案，为HDR资源的高效可持续开发提供了理论和技术框架。