人工智能赋能地学水热耦合模拟研究取得进展

地下水流动与热量传输是地学研究中的重要物理过程，准确模拟其时空演化规律，对揭示地下水热循环机制、评估地热资源开发潜力及优化地热采灌方案具有重要意义。传统数值模拟方法在处理复杂水热耦合问题时，通常面临网格构建复杂、计算成本较高等挑战，而数据驱动的深度学习模型则依赖大量高质量训练数据，且难以保证预测结果符合物理规律。近年来，物理信息神经网络（Physics-Informed Neural Network，PINN）通过将物理控制方程融入深度学习过程，为地学多物理场耦合模拟提供了新思路。然而，PINN在地热采灌循环等瞬态水热耦合过程中的应用仍相对有限，其模拟精度、物理一致性及对不同工况的适应能力仍有待深入研究。

针对上述问题，中国科学院南京土壤研究所张佳宝院士团队祁翠婷、李晓鹏等人，联合中国地质科学院水文地质环境地质研究所等单位，构建了基于PINN的地热水热耦合模拟框架，将地下流体流动和热量传输控制方程引入神经网络训练过程，并分别建立水头和温度预测网络，实现对地下储层水热状态的联合模拟。研究通过一维瞬态热传导和径向地下水流动等典型问题验证模型的可靠性，并以河北献县地热田对井系统为研究对象开展水热耦合模拟。结果表明，PINN能够较好地再现地热采灌过程中地下水位变化、低温回灌水迁移及温度场演化等典型水热响应特征；在训练数据有限的情况下，PINN相比数据驱动深度神经网络具有较低的预测误差和较好的物理一致性。进一步结合分阶段训练和局部采样策略后，模型对整体水动力过程和回灌井附近局部热响应的模拟能力得到提升。研究表明，PINN能够有效融合物理机理与深度学习的优势，为地下水热耦合模拟提供一种具有物理约束的代理建模方法，并可作为传统数值模拟的补充，为地热储层水热过程预测、运行情景分析以及优化和反演等研究提供新的思路。

上述成果以“Physics-informed neural network for modeling coupled fluid flow and heat transport in a geothermal doublet system”为题发表在Case Studies in Thermal Engineering期刊。南京土壤研究所助理研究员祁翠婷为论文第一作者，研究员李晓鹏为通讯作者。该研究结果得到了国家自然科学基金的资助。

论文链接

流体流动与传热问题的物理信息神经网络（PINN）方法示意图