面向可持续地热能的机器学习：不确定性、物理与决策就绪推断
无序系统与神经网络
2026-03-17 v1 机器学习
摘要
地热项目（CO2 存储、地热发电、地下 H2 生成/存储、从地下流体中提取关键矿物或核废料处置）越来越遵循石油业式的漏斗模式，从筛选和勘探到运营、监测和后 steward。在这一漏斗中，有限且异构的观测数据必须转化为在强物理和地质约束下的风险受限决策——这些决策控制部署速度、资本成本以及气候减排信誉。这些决策本质上是多目标的，需在性能与 containment、压力足迹、诱发地震、能源/水强度和长期 steward 之间进行权衡。我们认为进步受限于四个反复出现的瓶颈：（i）稀缺、偏置的标签和较少的现场性能结果；（ii）不确定性被当作后头的考虑而非交付物；（iii）从孔隙到盆地的尺度桥接不足（包括耦合化学-流-地质力学）；（iv）针对监管部署的质量保证（QA）、可审计性和治理不足。我们概述的机器学习（ML）方法与这些现实情况相匹配（混合物理-ML、概率性不确定性量化（UQ）、结构感知表征和多保真/持续学习），并将其连接到四个核心应用：成像到工艺的数字孪生体、多相流和近井渗透性、监测与逆问题（监测、测量与验证（MMV），包括变形和微震）以及盆地规模的组合管理。我们以一种务实的议程收尾，为可重复且可捍卫的可持续地热能 ML 提出基准、验证、报告标准和政策支持的需求。
引用
@article{arxiv.2603.14907,
title = {Machine learning for sustainable geoenergy: uncertainty, physics and decision-ready inference},
author = {Hannah P. Menke and Ahmed H. Elsheikh and Lingli Wei and Nanzhe Wang and Andreas Busch},
journal= {arXiv preprint arXiv:2603.14907},
year = {2026}
}
备注
3 figures, 1 table