近日，我校资源与环境工程学院钱家忠教授团队在增强型地热系统刻画及长期热预测方面取得新进展，相关研究成果以“Deep learning-based inversion framework by assimilating hydrogeological and geophysical data for an enhanced geothermal system characterization and thermal performance prediction”为题在国际著名能源期刊《Energy》上发表。

地热能作为一种无碳、可再生的能源，已被广泛应用于电力生产中。凭借干热岩分布广泛、储热含量高，增强型地热系统（Enhanced geothermal systems, EGS）逐渐成为一种热门的地热开采方式。单裂隙作为EGS中导水、传热的通道，对其进行精细刻画在能源开采规划、储层风险评估等方面都具有重要意义。钱家忠教授团队采用基于深度学习方法的联合反演框架（Convolutional variational autoencoder – ensemble smoother with multiple data assimilation, CVAE-ESMDA），融合多源观测数据（压力、流速、温度、自然电位），对非高斯单裂隙储层进行精细刻画并基于刻画结果对储层的产热性能进行预测。

论文取得以下主要认识：（1）深度学习方法能够使用低维、高斯分布的潜变量来表征高维、非高斯分布的裂隙开度场，以满足反演算法只能对高斯参数场进行反演的前提；（2）随着多源数据的融合，反演精度和长期热预测的准确性都大体上得到了提升。同时，融合数据时需尽量使用变化幅度较大的数据。

图2 CVAE-ESMDA联合反演框架

图4 EGS单裂隙储层长期热性能预测

该论文第一作者为陈赐海，通讯作者为邓亚平讲师及钱家忠教授。合肥工业大学为论文的第一和通讯作者单位，南京大学为论文合作单位。

论文链接：https://doi.org/10.1016/j.energy.2024.131713