📝 摘要
优化地热发电厂的输出需要基于注入井的输入、生产质量流量以及油田历史来预测生产井的产出温度和压力。本研究为Brady Hot Springs地热田建立了一个三维数值热-水力（TH）双重孔隙模型（使用CMG STARS），并使用历史数据进行了验证。随后，针对各种注入和生产流量情景，模拟了未来的温度和压力剖面。共生成了37个模拟情景（1个基准情景 + 36个变化情景）。基于这些模拟数据，训练了多层感知器（MLP）人工神经网络，以预测长达20年（2020-2040年）的未来生产温度。结果表明，最佳MLP模型的平均绝对百分比误差（MAPE）在1.8%至6.5%之间，最大误差在3%至16%之间。误差随着预测时间跨度的缩短而减小。未来工作将包括训练多头网络以预测多个量、模拟火用和能量，以及在额外约束下进行模拟学习。

🖥️ CMG软件应用情况总结

文中明确指出：

“3D numerical thermo-hydraulic (TH) dual-porosity reservoir model developed for Brady Hot Springs in CMG STARS Model validated using historical data.” （第2张幻灯片）

🧪 研究方案与主要结果

1. 数值模拟

• 使用CMG STARS建立了Brady Hot Springs的三维热-水力双重孔隙模型，并用历史数据验证。

• 针对不同的注入和生产流量情景，模拟了2020-2040年的未来生产温度和压力。

2. 机器学习预测

• 基于37个CMG STARS模拟情景生成的数据，训练了多层感知器（MLP）人工神经网络。

• 预测目标：未来生产温度（长达20年）。

• 模型性能（最佳MLP模型）：

  • 平均绝对百分比误差（MAPE）：1.8% – 6.5%

  • 最大绝对百分比误差：3% – 16%

  • 预测时间跨度越短，误差越小。

✅ 主要结论

1. 模型可行性：CMG STARS能够有效建立地热系统的三维热-水力双重孔隙模型，并可用于预测未来生产表现。

2. 机器学习有效性：基于CMG STARS模拟数据训练的MLP模型能够以较高的精度（平均误差1.8-6.5%）预测长达20年的地热井产出温度。

3. 误差趋势：预测误差随预测时间跨度的增加而增大。

4. 未来方向：将训练多头网络、引入火用/能量分析、并在更多约束条件下进行模拟学习。

🏛️ 作者及单位信息

• 作者: Dmitry Duplayakin, Drew L. Siler, Henry Johnston, Koenraad Beckers, Michael Martin

• 单位:

  1. 美国国家可再生能源实验室（National Renewable Energy Laboratory, NREL）

  2. 美国地质调查局（U.S. Geological Survey）

  3. Heateon（比利时）

• 会议: GRC 2020虚拟年会暨博览会（Geothermal Resources Council Annual Meeting）

• 日期: 2020年10月18-23日

致谢：

• 感谢Ormat Technologies Inc.的John Akerley和John Murphy的合作与重要贡献。

• 感谢美国能源部（DOE）能源效率与可再生能源办公室地热技术办公室提供资金。

💡 补充说明
该研究是地热系统数值模拟与机器学习相结合的典型应用案例。研究创新点在于：

1. 数据驱动方法：利用高精度的物理模型（CMG STARS）生成大量模拟数据，作为机器学习模型的训练集。

2. 预测地热产出：使用多层感知器（MLP）神经网络，基于注入和生产参数预测未来长达20年的地热井产出温度。

3. 误差量化：对MLP模型的预测精度（MAPE）进行了定量评估，并分析了误差与预测时间的关系。

这种物理模拟 + 机器学习的方法为地热系统性能预测和优化提供了高效、智能的解决方案。