利用深度神经网络与分析模型进行盐岩蠕变变形预测以应用于地下储能
地球物理
2025-10-29 v1 新兴技术
机器学习
摘要
本研究深入分析了时间序列预测方法，以预测盐岩在变化的围压条件下随时间变化的变形趋势（也称为蠕变）。蠕变变形评估对于核废料、氢能或放射性材料地下储存设施的设计和运行至关重要。利用多级三轴蠕变（MSTL）数据，对以低孔隙率、低渗透率、高延展性以及优异的蠕变和自愈能力等力学性质著称的盐岩进行了检测。经过重采样，在 5 至 35 MPa 的围压水平下，在 5.8 至 21 天内以 5--10 秒的间隔记录了轴向应变数据集。包括季节性趋势分解（STL）和 Granger 因果检验在内的初步分析揭示了轴向应变与温度数据之间的季节性和因果关系极小。进一步的统计检验，如扩展 Dickey-Fuller (ADF) 检验，证实了数据的平稳性（p 值小于 0.05），小波相干图（WCP）分析显示了重复的趋势。利用了一套深度神经网络（DNN）模型（用于时间序列的神经基扩展分析（N-BEATS）、时间卷积网络（TCN）、循环神经网络（RNN）和 Transformers（TF）），并与统计基线模型进行了比较。预测性能使用均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和对称平均绝对百分比误差（SMAPE）进行评估。结果表明，N-BEATS 和 TCN 模型在各种应力水平下均优于其他模型。DNN 模型，特别是 N-BEATS 和 TCN，比传统分析模型的准确率提高了 15--20%，有效捕捉了复杂的时间依赖性和模式。
引用
@article{arxiv.2508.05248,
title = {Salt-Rock Creep Deformation Forecasting Using Deep Neural Networks and Analytical Models for Subsurface Energy Storage Applications},
author = {Pradeep Kumar Shukla and Tanujit Chakraborty and Mustafa Sari and Joel Sarout and Partha Pratim Mandal},
journal= {arXiv preprint arXiv:2508.05248},
year = {2025}
}