基于机器学习的时移地球物理干热岩储层监测与预测

Hot dry rock (HDR) geothermal which is taken as clean renewable energy source great development value. Geophysical methods such as low-frequency electromagnetic, gravity and seismic are important technical means in the exploration, development and monitoring HDR reservoirs based on the difference of reservoir physics parameters. The conventional geothermal-geophysical methods focus on the reservoir interpretation and evaluation of HDR target site. It does not provide details about the formation mechanism of HDR thermal storage and the temporal and spatial variation of the geothermal heat flux, especially for the monitoring reservoir intrinsic parameters before and after artificial fracturing, such as the extension of fractures in the reservoir, the distribution of fluid migration and reservoir permeability. Based on the gravitational anomaly, electrical parameters (resistivity, impedance phase) and reservoir velocity changes, we combine different time-lapse geophysical method to monitor the reservoir parameter variations and build dynamic reservoir model from different-scales and different parameters. On this basis, the machine learning (ML) method is used to organize and classify the time-lapse geophysical data, and to correct and calculate the reservoir dynamic model to predict the variation of reservoir intrinsic parameters. Through the research on this project, we can provide efficient and reliable monitoring and prediction methods for the evaluation of the development of the HDR geothermal resources.

干热岩型地热作为一种清洁可再生能源具有巨大的开发利用价值。低频电磁、重力、地震等以储层物性参数特征为基础的地球物理方法是干热岩储层勘探、开发和监测过程中重要的技术手段。常规地球物理方法应用研究主要着重于储层描述和干热岩靶区评价。对于干热岩热储形成机理及大地热流时空变化规律，特别是在开采过程中人工压裂前后储层裂缝延伸、注入流体运移分布、储层渗透率等储层本征参数监测研究甚少。本课题结合不同时移地球物理方法，根据储层重力异常、电性参数（电阻率、阻抗相位）和速度变化，从不同尺度、不同物性参数对干热岩储层关键参数实施时移监测，建立储层参数动态模型。在此基础上，利用机器学习方法组织分类已有的干热岩储层时移数据，修正计算储层动态模型，预测储层本征参数变化规律，为下一步干热岩开发提供指导。通过本课题的研究，可为干热岩地热资源开发评价提供高效、可靠的地球物理方法技术和预测依据。

电磁、重力、地震等地球物理方法是干热岩储层勘探、开发和评价过程中重要的技术手段。常规应用主要着重于地热储层描述和靶区评价，对于热储形成机理及大地热流时空变化规律，特别是在开采过程中人工压裂前后储层裂缝延伸、注入流体运移分布、储层渗透率等储层本征参数监测研究甚少。本项目结合不同时移地球物理方法，根据储层物性参数(密度、电阻率、电位、速度)在地热井开发、生产过程中的变化规律，从不同尺度、不同参数对干热岩储层开展时移地球物理监测成像方法及应用研究。在此基础上，利用深度学习方法分类干热岩储层时移数据，预测储层热源参数变化规律。初步建立了一套用于干热岩地热资源多尺度地球物理监测—预测方法技术体系。相关研究成果在松辽盆地、青海共和盆地取得了较好的应用效果，为我国干热岩资源勘探、开发、评价提供了高效、可靠的技术支持。.项目取得了如下主要研究成果：.1. 提出了基于有限体积方法的多尺度水热耦合模型计算方法，解决了现有程序在精细化网格处理中出现数值截断误差，无法模拟大尺度模型的细小裂缝问题，为地热井热交换能量等关键开发参数指标提供依据。.2. 研发了基于TOUCH2软件的地热储层参数与密度耦合的时移重力监测方法和基于各向异性电磁阻抗张量地热井裂缝方向监测技术，为地热井压裂工艺提供了技术支持。.3. 开展了各类地球物理正演方法对参数进行计算，获得不同尺度的地球物理响应信号，对地热储层进行不同方面的机理解释，其中包括自然电位针对水流运移的运动学特征解释，大地电磁对地下岩石与渗流水变化引发的电性结构差异讨论，各向异性相位张量法对地下压裂过程产生的裂缝走向以及倾向发育进行定位，重力方法对注水压裂过程中的密度变化等进行逐一解释，之后给出系统的地球物理地热响应标准评价，包括常规热储层的深部热源，导热通道，以及盖层影响在各地球物理响应变化中的区别以及规律。.4. 结合多地球物理信号以及地质信息，通过机器学习神经网络方法构建学习框架，对松辽盆地大地热流进行训练，使用深度学习灵敏度解释方法等对数结果进行不确定性分析，实现了开发与生产过程中的地下热响应预测。.本项目研究内容可为干热岩地热资源开发评价提供高效、可靠的时移地球物理方法技术和预测依据。