0 引言
以智能化为主要特征的第四次工业革命快速推动着各行各业实现数字化转型和智能化发展。地热资源是中国未来能源体系的重要组成部分，但目前仍存在热储表征、生产动态预测、开发方案优化调整等技术制约，地热开发利用成本较高、收益较低。为应对地热资源开发难题，地热行业需顺应全球科技数字化、信息化和智能化的发展趋势，构建智慧地热田，为地热产业发展赋能，从而实现低成本高效开发。
智慧地热田是地热开发工程与人工智能等先进技术的有机融合，基于地热田数据监测与生产调控等设备，充分结合大数据和人工智能算法等信息技术，实时监测采集生产数据、分析解译生产数据、精细表征热储地质属性、模拟预测地热田生产动态、动态优化调控生产方案。智慧地热田具备自主观察、思考、建模、决策以及执行能力。
针对地热开发中智能化技术应用面临的关键难题，笔者构建了地热开发智能化应用场景，总结并分析了各场景下相关智能化技术研究现状和存在的挑战，在此基础上展望了智慧地热田技术的发展前景，提出智慧地热田系统构建方案，并详细介绍了该系统主要构成模块和技术发展层次，以期为中国智慧地热田技术的发展和推广应用提供参考。
1 地热开发中智能化技术应用场景
地热开发中的智能化技术应用场景包括热储智能表征、热储动态智能仿真、地热开发方案智能优化和地热开发智慧管理等应用场景（见图1 ）。各场景的融合方式、技术需求是构建智慧地热田的关键。
1.1 热储智能表征
热储准确表征是地热生产动态模拟与生产优化的基础与前提[3]，但热储特征与状态的影响因素众多，包括地下构造、岩性特征和地下水活动等。随着人工智能技术的发展，热储的智能表征受到了广泛关注：利用机器学习和数据挖掘等技术分析和解译热储的静态数据和生产数据，进而认识热储地质条件，可更快更准确地完成三维地质模型的构建与分析。一方面，传统的数据处理方式通常依赖人工经验，效率较低且容易受到主观因素的影响；而应用人工智能技术可有效融合并快速准确处理测井、地震等多源数据，实现井震数据融合的智能地质建模。另一方面，将地质静态数据和生产动态数据与智能技术结合，可以对热储进行实时分析和解读，智能反演获得热储物理属性，为热储高效精细建模进行物性参数赋值。
1.2 热储动态智能仿真
对流体在热储内的取热过程进行数值模拟，可揭示流体与热储间的渗流-传热-应力-化学多场耦合机理，确定地热开发效果的关键影响因素，是开发方案设计与优化的重要依据。但热储尺度数值模拟计算效率低、时效性差，因此在精确表征热储的前提下，热储智能仿真需采用工程环节中获取的海量数据对融合了热储内部多场耦合机理的神经网络进行训练，建立机理-数据驱动的动态取热仿真方法，实时反映热储生产情况并预测未来生产动态。为提高热储动态智能仿真精度，需对热储智能表征场景中反演获得的热储物性参数进行持续修正与更新，利用自动历史拟合方法即可不断修正热储模型孔隙度、压缩系数、有效厚度和相对渗透率等参数，拟合地层温度、压力分布和含水饱和度等储层特征，从而进行准确的参数更新和模拟预测。
1.3 地热开发方案智能优化
1.4 地热开发智慧管理
地热开发智慧管理旨在实时采集地热生产、利用数据，融合地热勘探-开发-利用数据，快速筛选解译关键信息，为热储智能表征提供数据基础，同时协同各智能应用场景动态获取最优生产方案，实时调整系统运行参数，从而提高地热开发利用效率，延长系统寿命。需要通过智能监测-传输-解译技术获取解释地热开发利用过程中温度、压力、流量、用户负荷等数据；采用多环节多过程大数据深度融合方法将地质、钻采、用户负荷等多源数据处理融合为智慧地热田应用场景需要的全量数据库；利用多智能体协同技术将热储智能表征、热储动态仿真与开发方案智能优化等场景整合[6]，持续优化更新开发方案，并通过智能调控设备控制注采井生产制度参数、分层注采参数、用户端供给参数等，实现地热开发全生命周期闭环调控。
2 地热开发中智能化技术研究现状
2.1 热储智能表征
2.1.1 基于井震数据融合的智能地质建模方法
基于井震数据融合的智能地质建模方法通过综合分辨率更高的测井数据和探测范围更大的地震数据，利用人工智能技术实现高效、精准的地质模型构建。通过将机器学习算法和深度学习算法引入数据融合过程的方式，一是可以通过训练模型来预测和补充未测区域的地质特征；二是提取地质参数的非线性相关特征，并同时引入空间相关性；三是将传统的数据预处理、后处理和参数校准等程序自动化。研究表明这种智能构建方法在某些方面存在一定优势，比如Allo等[7]研究发现利用深度神经网络（DNN）生成大量伪测井数据，可以缓解测井数据有限且稀疏，缺少结构信息约束的问题。Zhao等[8]通过考虑特征构建、数据平衡和空间约束，绘制出更准确的流体和岩相分布图。Li等[9]利用智能算法显著提高了数据处理和模型构建的效率和自动化程度。综上，利用人工智能方法进行井震数据的融合，可以提取更多的地质信息，使地热储层的刻画更加高效和准确。
2.1.2 基于生产数据的热储物性智能反演方法
人工神经网络算法、遗传算法、粒子群优化方法等智能算法均具有良好的反演性能。对实时监测的动态数据进行智能反演，可以建立生产数据与地质特征之间的关系模型，从而实现对储层参数的高效估计。人工智能方法提供了改进随机反演方法的手段，比如贝叶斯神经网络等方法通过分析模型预测的概率分布，可以有效地降低地质模型的不确定性。另外，通过智能方法优化随机反演模型的超参数，也可以提高预测和反演的准确性。目前已有学者利用模糊推理、准线性贝叶斯反演和集成卡尔曼滤波等智能方法，通过逆问题建模，提出数据驱动的地热储层构建思路[10-11]。将热流固多物理场模型与基于深度学习的反演方法相结合，可以降低模型对初始假设区域位置和性质的依赖，重建地热温度场，并根据井筒温压数据得到储层孔隙度和渗透率的分布特征。
2.2 热储动态智能仿真
2.2.1 井筒-储层多物理场耦合数值模拟
地热开发数值模拟需合理描述热储与流体间渗流、传热、应力演变、矿物溶解和沉淀等物理化学过程的耦合作用机制，及其对储层孔缝形态的影响机制，从而实现地热开发的多尺度多物理场耦合[12-13]。国内外研究人员围绕多场之间的作用机制和演化规律[14]、裂缝形态和渗透率变化机制[15]、储层参数[16]、运行参数[17-18]、井网布局[19]以及流体工质类型[20]等对流体迁移分布特征和地热开发性能的影响开展了系统研究，并已从宏观系统的参数敏感性分析阶段发展到小尺度单裂缝内多场耦合机理的系统分析[13,21]。Xu等[22]基于所建立的热-流-固耦合模型，分析了高温地热资源长期生产过程中裂缝的应力变化和潜在损伤区域，为同类型研究提供了损伤判别准则；Ji等[23]基于热-流-化耦合模型比较了裂缝中由反应流引起的石英与长石变形行为，探究了增强型地热系统取热过程中由反应流引起的裂缝变形机理。除此之外，在热-流-固-化耦合机制方面，初步探索了压力溶解、自由溶解和机械闭合对孔隙和裂缝的影响规律等[24-25]，这些研究是小尺度多场耦合机理方面重要的尝试。这些围绕多场耦合机理取得的研究成果为后续机理-数据驱动的取热智能仿真提供了理论基础和数据基础。融合多场耦合机理后智能仿真模型的可解释性与可迁移性有望得到显著提升。
2.2.2 机理-数据驱动的取热智能仿真方法
目前地热领域的机理-数据驱动方法研究还处于起步阶段，融入的机理包括流动传热方程、质量守恒方程、动量守恒方程、达西定律等，以实现对温度场、压力场的无网格化计算。机理的融入方法主要基于Raissi等[31]提出的深度学习算法框架——物理信息神经网络（PINNs），将专家知识和物理方程转换为表达式添加到神经网络损失项（表达式中的导数通过自动微分得到），反向传播后进行训练。通过添加额外的损失项，对原本损失函数实现正则化，显著减小可行解的范围，达到加速收敛的目的。该框架具有灵活、直接且无需网格特性的优势，但同时Chuang等[32]也指出PINNs在计算效率、收敛性方面存在不足。针对存在的问题及为了拓展应用场景，目前已经出现多种PINNs的变体，包括B-PINNs（内置不确定性量化）、fPINNs（针对分数阶偏微分方程）、nPINNs（非局部通用拉普拉斯算子）、PPINNs（时间并行化）、sPINNs（针对随机偏微分方程）、XPINNs（时间域、空间域分解）等[33]。
上述PINNs及其变体，只是在损失函数中添加了物理约束实现机理驱动，并未改变神经网络的架构。而部分学者把跳跃连接方式与循环神经网络（RNN）合并，将有限差分思路引入到RNN及门控循环单元（GRU）的内部结构中，搭建新的神经网络架构，以此近似热储的集总参数模型差分过程，实现机理驱动[34]。由于其网络本身适合用于时序数据预测的特性，可以实现对生产的动态预测计算。但整体而言，现有机理-数据驱动的取热生产动态仿真模型在预测精度、可迁移性方面距现场应用仍有一定差距，因此亟待从理论层面对机理-数据驱动方法进行更加深入的研究，以更好地服务工程应用。
2.2.3 热储生产动态自动历史拟合方法
优化算法是自动历史拟合方法的重要组成，油气领域拟合时常采用的主流算法包括梯度类方法[35]、进化算法[36]、集合卡尔曼滤波（EnKF）[37]及两种或两种以上优化算法形成的混合算法[38-39]。由于计算速度和计算精度的限制，目前在大型复杂的油气储层模型中通常采用EnKF方法。EnKF方法被引入石油工程领域的时间较短，但已成功应用于多个案例，可快速同化含水率、气油比、井底压力和产油速率/产水速率等不同类型的数据，优化孔隙度和渗透率等模型变量从而提供多个历史拟合模型，多核并行预测多个模型的生产数据，进而提高计算效率[40-41]。目前面临的最大挑战是形成一种兼顾计算速度和计算精度的自动历史拟合方法。
近年来，国内外研究人员针对储层特征描述和动态预测需求不断改进自动历史拟合方法，使其能够应用于多维多相模型中[42⇓-44]。Jansen等[6]在智慧油田领域基于自动历史拟合原理提出了“闭合回路油气藏管理”理念。2018年，美国Emerson公司[45-46]提出了利用机器学习自动化“Big Loop”工作流程解决油藏自动历史拟合过程存在的不确定性问题，例如构造不确定性，即地震数据无法唯一地定义一个油藏的构造模型。Emerson公司通过收集用户在使用“Big Loop”过程中的地震数据分析过程、实际操作流程等情况建立真实案例库，以此帮助作业公司在建模时紧密结合测井、地震等静态数据反演和生产动态数据反演过程，从而涵盖所有的不确定性并将其引入到不确定性预测模型中，以更准确地估算储量并做出对应决策。
上述油田智能化自动历史拟合方法为地热领域自动历史拟合奠定了基础，因为油气工业中常用的岩石物性参数，如孔隙度、渗透率等，也是热储模型的关键参数。油气领域中采用的数据同化方法可用于地热系统的模型更新，以更好地匹配实际数据[47]。但在油气开发领域，油气储层的渗透率和油气产能呈正相关关系；但在地热储层中，优势渗流区可能会造成热突破等现象，降低产热量，地层参数与地热产能之间的关系更加复杂和多变。因此从全局来看，适用于地热开发的快速、稳定的自动历史拟合方法仍然是实现热储动态智能仿真的迫切要求。
2.3 地热开发方案智能优化
2.3.1 地热田注采井网部署智能优化技术
随着人工智能技术的快速发展，智能优化算法不断完善，并且已应用到井位优化部署中，通常可分为梯度类优化算法（牛顿法、最速下降法等）和无梯度类优化算法（粒子群算法、遗传算法等）。井位优化是一个典型高维优化问题，加之热补偿、井间干扰等众多因素影响，求解复杂且所需计算量巨大。现有井位优化研究主要集中于简单井间距的优化分析[51-52]，以及最佳井位确定[4]，使用的算法包括模拟退火算法（SA）和粒子群算法（PSO）等。上述方法所得优化方案客观准确，但依旧受限于计算资源不足的问题。近年来，智能代理模型的出现大幅减少了计算成本，将其与优化算法结合，可在复杂地层中快速高效找到最佳布井位置，目前所涉及的方法包括人工神经网络方法[4]、多元自适应神经样条方法[53]和随机森林方法[54]等。研究表明，相较于数值模拟方法，代理模型大幅提升了计算效率，结合优化算法形成的地热井网布局智能优化技术，具备准确、高效和客观等特点，有望为地热田布井设计提供工程指导。
2.3.2 地热田注采井生产制度智能优化技术
多目标优化过程较为复杂，待求解变量和约束条件更为苛刻。随着人工智能技术的快速发展，各类智能化方法已在国内外地热资源开采优化中发挥作用[57]。目前，通常将多目标进化算法（MOEA）、多目标粒子群算法（MOPSO）、参考向量引导进化算法（RVEA）和非支配排序遗传算法（NSGA-II）与多物理场有限元模型相结合[58-59]。得益于智能方法的低成本、高效率，优化目标和变量范围得到大幅扩充，优化目标包含净现值、取热功率、流阻、取热量和热储寿命等多个指标，而优化对象则是涵盖了泵功率、生产压力、注入流量、注入温度和工质等多个变量[58⇓-60]。除上述模式外，智能代理模型与优化算法的结合也得到快速发展，该模式可大幅减少计算负担。代理模型是指采用多元自适应回归样条、多元回归、快速推进等方法建立变量与生产指标间的对应关系，且其计算结果误差需满足工程需求[61]。目前，生产代理模型构建主要基于机器学习开展，如长短期记忆网络（LSTM）和多层感知器（MLP）叠加的神经网络模型[62]，BP人工神经网络模型[63]和基于树的机器学习模型[61]等。
综上可知，地热田井网布局智能优化技术和注采井生产制度智能优化技术在模型搭建、函数确定和算法优选等方面已取得阶段性成果，通过对井位部署和生产制度进行优化设计，可大幅提升地热田开发的综合效果。
2.4 地热开发智慧管理
2.4.1 多数据智能监测-传输-解译技术
在地热开发过程中，流量、地下水位、水质、温度和压力等特征演化可有效反映热储的变化情况，相关数据的监测、传输和解译对地热开发方案调整、综合效益提升具有重要指导意义。目前井筒监测为生产动态监测的主要手段，即通过井下传感器实现对地层和生产系统的数据记录。近年来，地震采集技术快速发展。法国SERCEL公司推出业内首款分布式声学传感（DAS）地震解决方案Sigma Wave，其井下地震采集系统可进行实时地震测量，实现对地下储层特征的可视化监控[64]。中国矿业大学联合中国科学院地质与地球物理研究所提出了地热与煤炭协同开发智能监测技术，对矿井水资源特征、管道内流体特征、地层运动特征和地热水流量/温度等进行监测，期望实现智能化调控和远程高速通信，以确保地热-煤炭开采的安全稳定运行[65]。
目前，采用的井下数据传输技术包括声波传输技术、电磁传输技术和钻井液脉冲传输技术等。上述技术的可行性在油田开发过程中已得到广泛验证，尤其是随钻数据传输，已在多个油区推广应用[66-67]，而其在地热领域报道较为少见。此外，地热解译技术重点研究方向为勘探阶段的遥感影像解译[68]，常用的方法主要包括目视解译、数字图像处理和机器学习等，涉及影像预处理、特征提取、地物分类与判读和精度评价等过程，该技术有力地支撑了地热田资源评价工作。近年来，地热储层评价阶段的示踪技术也得到快速发展[69]，该技术通过分析储层示踪测试中各类示踪剂（天然示踪剂和人工示踪剂）的数据变化，进而评估井间连通性、估算热储体积、换热面积和预测热突破时间，实现对压裂效果的综合评价。对于生产阶段而言，数据解译主要服务于储层物性实时反演，即通过对热储进行智能表征，指导下一步开发方案设计，目前反演对象主要包括储层温压特征、孔渗物性、热物性和裂缝特征等。
总体而言，地热领域多数据智能监测-传输-解译技术仍处于起步阶段，相关技术所用硬件、软件均亟待研制和研发。
2.4.2 多环节多过程大数据深度融合方法
按照数据融合算法机制，目前的数据融合方法可以分为基于随机统计的方法（卡尔曼滤波、中位值滤波和贝叶斯等）和基于逻辑推理的方法（深度学习、聚类分析和模糊逻辑理论等）[73]。随机统计方法方面，Emerick等[74]提出了基于多源数据融合的集合平滑器（ES-MDA），该方法可以实现不同时序数据的一次性同化，提高数据融合速度；杨兆发[75]提出了一种基于时间改进卡尔曼滤波的单传感器数据融合算法，该方法通过对监测时间序列分段预处理从而减少误差干扰并减少数据冗余，为碳捕集与利用、封存中的CO2泄漏监测提供重要检测方法；基于随机统计的方法是目前数据融合的重要手段，但模型精度仍有待提高。逻辑推理方法方面，深度学习模型具有良好的数据兼容性，可以处理点、序列、图像等多种数据类型[76]，在数据融合方面具有独特优势。湛传俊[77]综合随机模型和深度学习模型的特点，提出了一种基于深度学习的阶段式随机反演算法，用于识别含水层岩性结构。
2.4.3 地热开发全生命周期闭环调控技术
全生命周期智慧油气田正推动石油行业数字化转型[45]。全生命周期闭环调控技术是全生命周期数字孪生油气藏建设的关键，能够实时获取热储信息和生产数据，实时迭代热储动态参数模型并准确表征热储变化，实现“闭合回路管理”[12]。该技术主要涵盖两方面：①地热开发全生命周期动态量化表征。全生命周期一般涵盖地热开发的建设期、运营期和退役期[78]，动态量化表征主要包括储层地质建模智能化和智慧地热田模拟智能化。采用地震、测井、钻井等数据进行地质建模，利用机器学习和深度学习等方法划分地层层系和预测物性参数。基于地质模型对地热开发进行全局追踪，进行智慧地热田模拟。目前智慧地热田模拟研究处于起步阶段，前期地热开发模拟多采用数值模型，学者们也在重点探索地热机理-数据驱动的智能代理模型。②地热开发闭环调控及云端管理。基于上述动态地质模型，利用开发过程中获取的新生产数据和地质信息来实时动态更新模型，然后在云端及时诊断发现开发矛盾和生产问题，进行开发方案的优化设计，及时调整生产措施，从而实现地热开发全生命周期的闭环调控。闭环调控涵盖动态迭代更新模型、动态智能监测、动态实时优化。
目前地热领域中闭环调控应用尚为空白，油气领域中则对闭环调控中的部分关键技术进行了应用。例如通过智能分层注采实现油田精细化开发，提高原油采收率[79]。但在实际应用中，多数油气井只采用了智能分层注采中的一个或几个关键技术[80]。例如，俄罗斯所有油田施工过程均配备了泵控制系统[81]；辽河油田开发了具有自主知识产权的智能优化系统，实现了油田数据的记录、存储、分析及开发优化，雷632井的产油量依靠该系统提高了约10.5%[82]。由于油田注水的温压条件要求可以满足地热开发的温压需求，因此油田智能注水技术能够直接应用于地热开采，而智能注采优化决策则需要在油田原有动态模型的基础上，考虑热传导机制、地下温度场变化、地热系统耦合效应、地下水系统影响、地热井运行特性等额外因素，形成适用于地热开发的模型，进而实现针对地热开采的方案动态优化和模型动态迭代。总体来说，完整的多智能体协同闭环调控尚未实现，目前仅提出了相应概念并处于理论研究阶段。
3 面临的挑战及展望
3.1 热储模型智能表征面临的挑战
智能方法可以有效挖掘井震数据的自身特征，但是两种数据的高效融合仍面临巨大的挑战。在先验分布中加入测井条件约束，比如通过引入正则化项的融合，会使目标函数非线性特征更强，从而导致奇异多解问题。为了获得合理的反演结果，需寻找一种适用的智能方法，准确提取出储层的关键特征。除了储层物性参数（如渗透率、孔隙度等），复杂缝网形成的优势渗流区也会影响地热系统的运行寿命和开采效率。因此，热储模型的构建需要根据测点的温压信息反演出主要流动区域，对基质非均质性和渗透裂缝的影响效果加以区分，从而精细刻画热储的构造和属性特征。
3.2 热储动态智能仿真面临的挑战
现有数值模拟研究中，对多场耦合过程做了较多简化，需建立更为完善的多场耦合模型表征应力、损伤和化学作用等对取热过程的作用机制，整合孔缝尺度和储层尺度的机理研究，从而指导后续动态智能仿真模型的搭建。而要实现机理与数据融合驱动的热储动态智能仿真，仍面临两大主要挑战。一是计算需求与有限算力之间的矛盾，前文提到的计算效率低、收敛难的问题，在实际工程的复杂条件下将会更加严峻。面对该挑战，需对现有神经网络架构进行面向地热开发领域的针对性调整；优化机理与数据的融合方法，将工程中的海量数据蕴含的内在规律与专家知识进行有机结合。二是缺少一种集成方法来协同处理地热开发中数据或信息的复杂表现形式（图像、文本、音频等）。因此，仿真模型难以接受复杂信息输入并产生相应的有效输出。最后，为实现智能仿真模型在线更新这一目的，需借鉴油气领域自动历史拟合经验，提高自动历史拟合的计算速度和计算精度，充分考虑热突破作用对地层参数和生产数据之间拟合关系的复杂影响，从而形成适用于地热开发的自动历史拟合方法，为后续智能优化模型的搭建奠定基础。
3.3 地热开发方案智能优化面临的挑战
井网布局优化对地质模型具有较强依赖性，目前地质建模受储层孔渗条件、断层分布、盖储特征等地质不确定性作用的影响显著。在后续研究中应充分考虑上述情况，探究具备普适性的布井方法。其次，现有井位优化目标单一，考虑约束条件较少，布井范围通常认定为正方形或长方形，在后续研究中需充分考虑布井避让区及各地质、物性参数，探索适用于复杂地质场景的优化布井方法。对于生产制度优化而言，长期注采下多个优化目标、约束条件和优化对象可能随时间发生变化，引起各指标主次关系和权重占比改变，最终导致方案难以及时调控。为此，需结合智能算法，强化对智能优化所需数据的特征提取能力，以提升优化决策流程的时效性和产能预测效果，进而实现高效精准分析。针对地热田开发，需结合具体储层特点和工程实际，形成针对地热能开发过程的权衡模型，建立地热布井和生产智能设计与优化一体化方法，以提升整体综合性能。
3.4 地热开发智慧管理面临的挑战
地热开发智慧管理目前面临着数据获取传输、数据融合存储与数据动态处理等技术难题。数据获取和传输的关键是开发用于高温地热井的电子设备和传感器。为此，需设计研制高温电子元件、隔热罩等，研发传感器冷却技术和高温传感技术等。此外，相较于数据获取，数据分析受多因素多过程影响，目前仍缺乏可靠的解译手段。在后续研究中，需结合地热田数据特征，有针对性地研发配套方法，实现数据高效、准确解译。优质完善的全量数据库是实现地热开发智慧管理的前提。目前的大数据融合方法主要基于随机统计的方法或基于逻辑推理的方法，然而基于随机统计的方法具有不确定性，模型精度有待提高；基于逻辑推理的方法通常依赖大量可靠的数据样本，具有局限性。因此，需加强对随机统计方法和逻辑推理方法的认识，探索可以有效结合两种方法特点的新型数据融合方法，解决数据融合面临的数据来源多样、数据结构类型不统一、专业间数据融合难等问题[13]。热储动态智能仿真模型的实时动态调整更新是实现协同调控的基础。实时模型更新需要考虑如何搭建快速、稳定的数据传输通道，当前采用的数据传输通道主要为光纤通信，需要提高光纤材料的物理耐受性来减少地热田环境影响，并确保偏远地区稳定电源供应。其次，优化模型实时更新计算资源消耗太大的问题尚未解决，地热开采过程中的优化目标及决策方向有待明确。同时，不同智能体间协同交互可能存在数据丢失等问题。为此，需要加强模型适应性，优化模型更新算法，建立统一数据交换接口和协议标准，实现多智能体的数据交互和信息共享，以更好地响应注采参数的优化决策。
3.5 智慧地热田系统发展展望
智慧地热田系统是真实物理地热系统的数字映射，有机融合了地热勘探开发与利用大数据、地热地质体智能建模、热储动态智能仿真、地热开发方案智能优化和开发利用智能调控等智能技术。在详细归纳、总结和分析地热开发中各智能化技术研究现状与挑战的基础上，提出了智慧地热田系统的构建方案。智慧地热田系统由全量数据库、智能表征、智能仿真和智能优化调控等模块构成，不同模块之间通过数据传递、模型交互建立联系，如图2 所示。
智慧地热田系统构建依赖所有智能模块的协同运行，各模块的关键技术发展层次如下：①基于物联网与云边计算的数据智能监测与传输技术，监测、采集地球物理勘探与测井数据、井筒与热储全生命周期生产动态数据和用户端负荷数据等，从而对海量数据进行数据融合，形成完整的全量数据库，统一管理与分配；②结合数据库中的地球物理勘探与测井数据，利用智能模型进行精确解译获得热储地质构造、层系与岩性等地质特征；根据数据库中的生产动态数据进行智能反演获得热储孔隙度、渗透率、热物理性质等属性参数，为地质模型构建提供物理属性赋值；③根据热储物性参数的智能反演与地质结构精细解译结果，采用智能方法构建地热田尺度的地质体模型；④将上述智能地质体模型作为热储动态仿真的模拟对象，结合质量守恒方程、动量方程、能量守恒方程、固体力学平衡方程、水岩反应动力学方程等，建立井筒-储层多物理场耦合的数值模型，并以此作为动态仿真的机理模型；⑤以大数据深度融合技术处理后的全量数据库作为训练数据集，结合井筒-储层多物理场耦合的机理模型，构建机理-数据融合的取热智能仿真模型；⑥生产过程中，利用实际的生产动态数据、取热智能仿真模型预测的生产数据，对热储进行生产动态自动历史拟合，不断更新修正热储物性参数，为取热智能仿真模型提供准确参数、更新训练模型，提高模型准确性；⑦取热智能仿真模型持续预测未来生产动态，同时根据预测的生产数据建立各注采作业参数、井网布置参数与取热效果的函数关系式，以此构建地热系统井网与生产制度的多目标智能优化模型，不断调整优化生产方案；⑧全生命周期闭环调控技术协同所有智能模块，根据开发方案智能优化模型提供的动态最优生产方案，通过智能调控设备实时控制注采井生产制度参数、分层注采参数、用户端供给参数等，同时将监测的生产动态数据上传至全量数据库存储利用。最终全量数据库、智能表征、智能仿真和智能优化调控共同形成了智慧地热田系统，实现地热系统的数字表征、智能预测、自动优化、智能调控，促进地热资源智能、稳定、长效、最优、安全生产。
4 结语
智慧地热田是地热开发工程与人工智能等先进技术的有机融合，可实时更新并预测生产动态，节约人力成本和物力资源并增加最终收益，从而实现地热系统的低成本、稳定、高效和最优生产。目前智慧地热田技术尚处在探索阶段，在生产环节数据治理、热储表征、生产动态仿真预测和开发方案优化等方面仍面临计算成本高、实时响应困难、结果多解且模型依赖性强、动态多约束实时优化难度大以及多源数据深度融合难等问题。下一阶段需着力于智慧地热田系统各模块基础理论和关键技术攻关，加快地热开发利用全生命周期智能转型，形成针对地热系统的智能开发模式，为中国智慧地热田技术的探索、发展和推广应用奠定基础。