近日，宁波东方理工大学讲席教授、中国工程院外籍院士陈掌星团队在国际期刊《自然-通讯》(Nature Communications)上发表研究成果。研究团队面向地热资源高效开发与低碳能源转型需求，提出了一种物理约束神经算子框架 PCNO (Physics-Constrained Neural Operator)，实现了复杂地热储层长期开发过程的快速、高精度预测，并进一步构建了面向地热资源评估、开发方案优化和经济性分析的智能化技术路径。
该方法可应用于常规水热型地热系统开发、增强型地热系统开发、区域地热资源评价、供热与发电一体化设计，以及面向低碳能源系统的快速决策支持。
地热能是推动能源低碳转型的重要可再生能源之一。与风能、太阳能相比，地热能具有稳定、连续、受天气影响小等优势，可用于供热、发电以及工业用能等多种场景。然而，地热资源往往埋藏于地下深部，储层结构复杂，温度、压力、渗透率、岩石热物性和注采条件之间存在强耦合关系。如何准确预测地下热流体运移规律、评估长期热能产出能力，并快速筛选最优开发方案，是地热资源规模化开发必须跨过的一道坎。
传统数值模拟虽然能够较精细地刻画地热储层中的渗流传热等复杂的耦合过程，但计算成本高、模拟周期长。当研究人员需要同时考虑大量地质参数、工程参数和运行方案时，传统模拟往往难以支撑大规模不确定性分析和快速优化决策。尤其对于增强型地热系统的深层地热开发等复杂场景而言，开发前期需要快速判断“资源潜力有多大”“哪种方案更优”“经济性是否可行”，这对模型的预测效率和可靠性提出了更高要求。
针对这一难题，研究团队提出了 PCNO 物理约束神经算子模型。该框架将人工智能的高效学习能力与地热储层控制方程相结合，使模型不仅能够从大量高保真模拟数据中学习复杂输入与输出之间的映射关系，还能够在训练过程中受到质量守恒、能量守恒、流体流动和热传递等物理规律约束。换言之，PCNO 不只是追求预测速度，更强调预测结果的精度、稳定性和物理一致性。
核心创新点
突破单一储层和固定工况的适用局限
地热储层的地质条件和开发方案往往差异显著。传统代理模型通常依赖特定储层或固定工况训练，面对新的储层参数、井控条件和运行制度时，预测能力容易受限。PCNO 通过神经算子框架学习储层参数、工程条件与开发响应之间的通用映射关系，使模型能够适用于不同地热储层和多种开发条件。该方法突破了传统数据驱动模型“一套模型对应一个场景”的局限，为跨储层、跨方案的地热资源快速评价提供了新的技术基础。
构建复杂地热系统的高效预测模型
面对复杂三维储层、多参数组合和长周期开发预测，传统数值模拟往往需要较高计算成本。PCNO 在学习高保真模拟数据的基础上，能够快速预测不同储层条件和开发方案下的储层温度和压力及地面能量产出响应，为地热资源评价和方案筛选提供了高效代理模型。
提升人工智能预测的物理一致性
区别于单纯依赖数据拟合的人工智能模型，PCNO 将质量守恒、能量守恒、流体流动和热传递等控制方程引入训练过程，使模型预测不只追求误差最小，也强调物理一致性。这样的设计有助于提高模型在复杂地热系统中的可靠性，避免“看似准确、实则违背物理”的预测结果。
打通“储层响应—工程指标”的预测链条
PCNO 不仅能够刻画地下温度场和压力场演化，还进一步连接生产温度、注入井井底压力、装机热容量、总热能产出和发电潜力等关键开发指标。也就是说，模型不仅能回答地下温度和压力如何变化，还能进一步评估这些变化对地热项目开发效果和工程可行性的影响。
支撑大规模情景分析与方案优化
借助 PCNO 的高效预测能力，该模型可以在较短时间内评估大量地质参数、井控条件和运行方案组合，从而识别影响热能产出和经济性的关键因素。这使地热开发方案设计从传统的“逐个试算” 转向更系统的 “快速筛选” ，为项目早期决策、风险评估和经济性分析提供量化依据。
该研究的核心价值在于，将传统地热储层数值模拟与先进人工智能模型深度融合，提出了一种兼具计算效率、预测精度和物理一致性的地热智能开发方法。PCNO 的发展意义不仅在于加速地热资源潜力评估，更在于为复杂地下能源系统提供了一种可推广的智能建模与优化思路。
地热能开发的关键，不只是找到地下热源，更是要知道如何高效、经济、可持续地将地下热能转化为可利用能源。PCNO 为这一过程提供了新的技术路径：它能够在复杂地下环境中快速预测储层响应，帮助研究人员和工程师在大量候选方案中筛选更优解，为地热能源的高效开发和低碳能源转型提供重要支撑。
宁波东方理工大学为论文第一完成单位，陈掌星为论文通讯作者，卡尔加里大学博士后薛振乾为第一作者。
相关论文信息：
https://doi.org/10.1038/s41467-026-73183-0
