基于深度学习的地下水热泵热羽流预测代理模型

地下水热泵能够不依赖化石燃料满足空间供暖与制冷需求，这促使它们在密集城市环境中大规模推广。在地下水流速较高的区域，热泵注水井产生的热羽流会向下游传播，影响周边用户并降低其热泵效率。为降低干扰概率，监管者常依赖简单解析模型或高保真地下水模拟来确定热泵对地下含水层及周边热泵的影响。这些方法要么精度不足，要么计算成本过高而不适于日常使用。本工作中，开发了一种代理模型，以提供异质地下含水层中热泵所产生热羽流的快速、高精度预测工具。开发了三种卷积神经网络变体，其接受已知地下水Darcy速度作为离散二维输入，并预测热泵周围地下含水层内的温度。使用由随机渗透率场与压力边界条件生成的800个数值模拟样本组成的数据集，提供伪随机化Darcy速度场作为输入场及温度场解用于训练网络。网络输出的地下温度场提供了更真实、遵循Darcy速度流线的温度场，同时比传统高保真求解器快数个数量级。