引言
近年来，随着工业和经济的快速发展，全球对碳基能源的消耗不断增加。在全球气候变化和能源转型的背景下，实现碳达峰和碳中和已成为全球共识。中国致力于优化能源结构，提高清洁能源占比以实现这一目标（Du, 2025; Wang et al., 2024）。地热能是一种可持续的清洁能源，具有储量大、分布广、应用多样、稳定性强、可靠性高且环境影响小等优点。其开发和利用有助于减少化石燃料的消耗和二氧化碳排放，从而助力实现“双碳”目标（Yu et al., 2022; Pang et al., 2020; Cao et al., 2022; Olsthoorn et al., 2016）。中国地热能的年利用量多年来一直位居世界前列。陕西省的地热资源开发利用历史悠久，近年来发展迅速（Shen et al., 2021; Li, 2022; Song, 2020）。关中盆地的总资源量为1.35 × 1022焦耳，相当于4.61 × 1012吨煤，是陕西省现有已探明煤炭储量的3.34倍。该地区的中深部地热储层地质条件优越，水含量高、注水能力好且温度高（Meng, 2017）。这类地热资源不仅为当地经济发展提供重要的能源支持，也是实现“双碳”目标的优质清洁能源解决方案。双井系统是地热能开发的主要方式，它通过生产井抽取热水，通过地表换热器传递热量，再通过注水井将冷却后的流体回注，最终通过对流换热恢复高温状态（图1）。双井系统能够有效维持储层压力，但若井距、注采比或注水温度不当，可能会导致热突破、地下水位下降和地面沉降（Wang et al., 2022; Wang, 2021; Zhu and Cai, 1995; Zou et al., 2023）。
为解决这些问题，现有研究大多采用“数值模拟+敏感性分析”的主流技术路径来分析和优化地热系统。数值模拟可以准确描述储层的非均质性以及注采过程中热-水-力-化学场的演变规律。通过分析关键参数对系统性能的敏感度，可找出影响开采效率的核心因素（Zhao et al., 2020; Zhang et al., 2022; O'Sullivan et al., 2001; Zhao et al., 2008; Bl?cher et al., 2015; Zhao et al., 2023）。随后根据分析结果制定注采方案，通过大量数值模拟最终得到相对最优的注采参数组合。例如，Zhao等人（Zhao et al., 2020）通过数值模拟揭示了深部地热储层中热-水-力耦合机制的长期演化特征。他们对井距的分析表明，为防止生产井出现快速热突破，井距需超过400米。此外，他们还进一步研究了地热系统的群井效应及注采方案的最优设计。Wei等人（Wei et al., 2019）通过数值模拟深入分析了地热水的形成机制、补给条件及流动动力学，经优化确定生产率应降低15%。Feng等人（Feng et al., 2020）评估了单井闭环地热系统的可持续发展潜力，通过将现场测量数据与模拟数据进行校准以确保模型精度，发现将注水温度从25°C提高到31°C可使产热量降低10.5%，而将注水速率从8 kg/s提高到20 kg/s则可使产热量增加2.67%。Zou等人（Zou et al., 2023）从现场注采试验中提取关键参数，进而对奥陶纪石灰岩储层的产量进行了模拟预测，最后对注采方案进行了模拟优化，得出的最优注采方案为注采速率为1000 m3/d，注水温度为40°C。Han等人（Han et al., 2024）基于数值模拟研究探讨了储层地质条件和注水参数对产出温度的影响，最终确定青峰地区该特定场景下的最优注水参数组合为：注水温度20°C，注水速率50 kg/s，注采井距835米。Liu等人（Liu et al., 2025）进行了敏感性分析，以探究关键参数对地热田开发性能的影响，确定了合理的参数值，例如建议该区域的井距为500 - 600米。尽管数值模拟结合敏感性分析能够有效识别影响地热系统性能的关键参数，但它无法精确确定最优的注采数值（Saeed et al., 2022; Guo et al., 2020）。由于该方法计算时间长且对计算资源要求高，其在面对复杂问题时的效率和可行性存在局限（Samin et al., 2019; Zhang et al., 2021）。
相比之下，机器学习与地热系统相结合的方式可以避免对所有模拟情况进行全面的数值分析，从而有效提高计算效率，在处理复杂数据时更具灵活性和高效性，这已成为地热开发优化领域的新趋势（Li et al., 2024）。例如，Gudala等人（Gudala and Govindarajan, 2021）开发了一种整合了机器学习、响应面模型和自回归积分滑动平均模型的数值模拟方法，该方法能够更准确地预测地热井的温度变化，置信区间为±95%。Wang等人（Wang et al., 2022）以中国德州的地热田为工程案例，构建了一个结合随机森林技术和遗传算法的替代模型用于优化分析，在给定生产井位置的情况下找到了注水井的最佳位置。与传统数值模拟优化相比，其所需计算时间缩短了92%。Chen等人（Chen et al., 2023）基于三维非均质模型构建了高效网络，并用神经网络替代数值模型进行重复的正向模拟，最后将神经网络与Harris-Hawks算法相结合来优化注采方案。结果表明，在注水温度为60°C、注水速率为39 kg/s、井距为380米的条件下，可保证50年内最大发电功率为5.2兆瓦。Wang等人（Wang et al., 2022）比较了决策回归树、随机森林、Light GBM和多层感知器等多种机器学习方法的性能，通过遗传算法优化后得出最优解：当注采速率为120 m3/h，注水温度为25°C时，目标函数值可达6.722 × 107美元。Asadabadi等人（Asadabadi et al., 2025）通过人工神经网络优化了多代地热太阳能混合系统，提高了系统的输出性能，最终由遗传算法确定最优解。
为进一步提升计算效率和分析精度——这也是上文提到的亟待改进的主要研究方向——本研究提出了一种整合数值模拟、替代模型、深度神经网络和优化算法的新型框架。该研究的创新点主要体现在三个方面：首先，基于实际地热项目构建了三维热-水-力耦合数值模型；其次，利用深度神经网络构建了高精度的替代模型，以替代计算量较大的数值模型；第三，将替代模型与优化算法相结合，可实现注采参数的快速优化。所提出的方法有助于在特定的工程约束条件下获得最优解，且在不牺牲预测精度的前提下显著提升了优化效率，为关中盆地地热资源的绿色可持续发展提供了重要的理论和实践意义。虽然该方法是为通用目的而建立的，但其在大非均质储层中的应用尚未得到验证，未来还需进一步论证。
