综述：地热能源中人工智能应用的关键性综述：从储层勘探到发电

《RENEWABLE & SUSTAINABLE ENERGY REVIEWS》：A critical review of AI applications in geothermal energy: From reservoir exploration to power generation

　　

摘要

地热能是一种可再生能源，在推动世界向清洁、可持续能源转型方面具有巨大潜力。传统的地热能开发方法面临着地热能环境复杂、非线性和不确定性带来的挑战。人工智能（AI）能够从高复杂度的多源数据集中提取有意义的模式，因此在热能领域的应用日益广泛。本文系统地分析了机器学习（ML）、深度学习（DL）和模糊推理系统的集成应用，这些技术能够提高热能系统在勘探、储层工程和利用方面的效率、准确性和可持续性。在能源勘探方面，随机森林和卷积神经网络（CNNs）增强了地下表征和地热能潜力评估能力，实现了地热资源靶区的高精度预测。在储层工程方面，AI优化了钻井过程、反演了裂缝网络并表征了应力场。在能源利用方面，AI驱动的实时监测和数字孪生技术提高了发电厂的运行效率和区域供热系统的管理效果。尽管温度预测的最小误差为12%，故障检测准确率达85%，标志着取得了显著成果，但当前仍面临数据依赖性强、盲地热能系统效果不佳以及2D裂缝模型局限性等挑战。本研究突出了新兴机遇，特别是物理信息神经网络（PINNs）和图神经网络（GNNs），它们分别能够强制施加物理定律约束并实现真正的3D地下表征。本综述为AI在热能开发中的应用集成提供了关键见解，有助于推动高效、可持续的低碳能源解决方案的实现。

引言

向可再生能源的全球转型，受控减缓气候变化的紧迫需求和减少对化石燃料依赖的推动而驱动[1, 2, 3, 4]。在各类可再生能源中，地热能正因其提供基荷电力且环境影响极小的潜力，成为全球向低碳能源系统转型中的重要考量[2, 5]。与太阳能和风能相比，地热能具有显著优势，主要在于其可靠性和可扩展性。然而，能源勘探、储层工程和能源利用方面面临的挑战依然严峻[6]。地热能系统的推广应用历来受到高昂初始成本和资源可用性不确定性等因素的制约。为克服这些挑战并充分发挥地热能的潜力，亟需现代技术方案[7]。AI是能够增强地热能系统稳定性、可持续性和效率的有用工具之一[8]。

AI在众多领域的快速增长，反映了其解决复杂数据密集型问题的日益增强的能力[9]。在热能领域，AI实现了精确的地下表征、优化了井位部署策略、提升了电厂效率并预判了维护需求，这些均有助于降低运营成本并提升系统整体性能[10]。利用来自地球物理勘探、运行参数和测井数据的大型数据集，AI系统能够分析传统建模方法无法捕捉的复杂多维关系。这种处理海量数据并生成预测性洞察的能力，对于热能资源的成功勘探、开发和利用至关重要[11, 12]。

地热能勘探是一个至关重要且AI能够产生重大影响的领域[13]。地热储层深埋于地壳内部，精确预测其位置、规模和特征对于项目的可行性至关重要[8]。传统的勘探方法，如磁测法和地震勘探，由于其依赖假设和理想化模型，难以充分捕捉地热储层异质性和复杂性的本质，因此在提供深层地下条件的全面理解方面存在局限。相比之下，AI能够整合来自地质学、地球物理学和地球化学等多种数据源的数据，构建更为精确的深层地下环境模型[14, 15]。ML和DL算法可以通过训练识别历史数据中的模式，从而发现潜在的地热田并降低勘探风险[16]。

在识别出地热资源后，研究重点转向储层工程领域[17]。地热储层是复杂且动态的系统，其行为受多种地质、物理和化学过程的控制[18, 19]。确保地热资源的长期可持续性需要进行主动的储层管理，特别是严格控制流体注入和提取速率，以防止资源枯竭并降低诱发地震风险[20, 21]。AI方法能够对广泛操作条件下的储层行为进行建模，使操作人员能够优化流体管理策略并促进资源的可持续利用[22, 23, 24]。结合传统储层模拟框架，AI通过预测运行参数的改进对储层压力、温度和产量产生的影响，增强了地热项目的长期可行性[25]。

除地热勘探和储层工程外，能源利用是AI能够提供显著价值的另一个关键领域。在这一阶段，AI能够通过实时监测和控制改进电厂运行。地热发电厂是动态系统，其中温度、压力和流量持续波动，直接影响能量转换效率和设备耐久性[26]。AI驱动的系统可以持续监测这些运行特征，并利用实时数据优化发电、热提取和流体流量控制[27]。AI能够通过动态适应储层条件的变化，确保电厂以最优效率运行，减少能量损失并延长关键设施的使用寿命[28]。本文旨在通过综述应用于从勘探到发电各阶段的现代AI方法，深入了解AI如何提升地热能开发的效率、可持续性和经济可行性。

本综述按照逻辑递进的方式组织，以阐述AI在地热能开发中的集成应用（图1）。第2节提出了文献选择和分析的方法学框架，随后第3节概述了包括机器学习、深度学习和模糊推理系统在内的基本AI算法。第4节讨论了AI在地热能勘探中的应用，包括地球物理数据解释和地下温度及温度梯度估算。第5节探讨了AI在地热储层工程中的应用，涵盖钻井和井设计、储层表征和储层岩石力学。第6节呈现了AI在能源利用中的应用，包括发电和区域供热供冷系统。第7节提供了基于AI与传统地热方法的全面比较分析，评估了各种AI方法的成熟度、技术就绪度（TRL）和可转移性，总结了文献中报告的关键性能指标，并识别了AI在地热能行业进一步整合的挑战和未来发展机遇。本综述提供了AI在地热能开发中角色的关键见解，促进高效、可持续的低碳能源解决方案的实现。

各节概要

方法学框架

本研究采用系统性文献综述以提高可靠性和透明度。通过Web of Science、Scopus和Google Scholar进行了多阶段筛选和广泛检索，确定了174篇期刊文章。应用预定义的检索式和关键词从各数据库检索相关论文。排除了重复文章、与地热能无关的文章以及无法获取全文的文章。第二阶段为……

AI技术与算法概述

智能技术在热能系统中的引入提高了运营效率和可持续性[29]。机器学习、深度学习和模糊逻辑方法有助于条件的实时监测、预测分析和自动控制，共同提升了能源管理和系统使用寿命[12, 30, 31]。表1总结了机器学习和深度学习类型的优缺点。

AI在地热储层勘探中的应用

地热能勘探是AI能够产生重大影响的最重要领域之一[13]。地热储层深埋于地壳内部，精确预测其位置、规模和特征对于项目可行性至关重要[8]。Moraga等人[102]强调了基于遥感数据的人工智能在地热能研究中的重要性，利用机器学习算法模型确定资源的潜力，包括断层……

AI在地热储层开发中的应用

地热储层是动态且复杂的系统，其行为受不同地质、物理和化学过程的控制[18, 19]。为确保地热资源的长期可持续性，需要对储层进行主动管理，特别是确保流体注入和提取速率得到控制，以避免资源枯竭并降低诱发地震风险[20, 21]。AI方法能够对储层在……

AI在地热能利用中的应用

地热能利用是AI能够提供显著价值的另一个重要领域。AI能够支持电厂运行控制和实时监测。地热发电厂是动态系统，其中温度、压力和流量持续变化，直接影响能量转换效率和设备使用寿命[26]。基于AI的系统能够持续监测这些运行参数并利用实时数据优化流体流量控制、热……

AI与传统地热方法的比较分析

如表5所总结的，在有足够训练数据的情况下，AI算法通常优于传统方法。比较评估突出了AI与传统方法在关键地热任务中的优势和局限性，为理解AI在哪些方面提供真正优势、哪些方面传统方法可能仍然更优提供了依据。值得注意的是，AI在将地震解释时间从数周缩短至数小时方面表现出显著提升，……

结论

本综述系统地总结了AI在热能开发中的进展，包括地球物理数据解释、地下温度和梯度估算、钻井、储层建模、储层岩石力学、发电以及区域供热供冷系统。通过在热能勘探、储层工程和能源利用中集成机器学习、深度学习和模糊逻辑系统，AI显著减少了技术挑战……

生成式AI及AI辅助技术在写作过程中的声明

在本文准备过程中，作者使用了ChatGPT以改善语言表达。在使用该工具后，作者审查并编辑了内容，并对出版物内容承担全部责任。

利益冲突声明

作者声明不存在可能影响本文工作的已知竞争性经济利益或个人关系。

致谢

本研究获得了国家自然科学基金（编号：52374131）和深圳市科技计划项目（编号：JCYJ20220531102012028）的资助。作者还感谢匿名同事在改进本研究方面的辛勤努力和宝贵意见。

Osama Baig | Wang Jun | Xie Heping | Yu Jiangfeng | Li Cunbao | Long Xiting | Liao Yijian | Zhang Qunhui | Chen Yan | Tian Denghao | Qin Wenjie

深圳大学土木与交通工程学院，深地工程智能建造与健康运维国家重点实验室，中国深圳，518060