基于PINNs与物理边界条件约束的地热产能智能预测方法及系统

1.一种基于PINNs与物理边界条件约束的地热产能智能预测方法，其特征在于，包括以下步骤：基于时间坐标、空间坐标和边界条件和初始条件制作数据集；将所述数据集输入PINNs模型，通过物理约束损失和数据损失构建总损失函数；根据所述总损失函数以及所述PINNs模型内置的优化器得到最优模型，包括：S21、损失计算与反向传播：将训练集输入到神经网络中进行训练，通过物理约束条件和数据标签计算损失，并进行反向传播；S22、神经网络参数优化：通过模型内置的优化器，根据反向传播得到的损失值进行模型参数优化；S23、模型验证：将验证集输入到模型中，通过模型在验证集上的表现进行超参数优化；S24、重复S21-S23，直至达到下列训练终止条件之一，得到最优化的模型参数和超参数，进而获取最优模型，终止条件如下：1.在训练集上收敛，且在验证集达到最高精度和在测试集达到最好的泛化性能；2.达到设置的最大训练次数；将待测数据输入所述最优模型，得到预测值；物理约束公式为：其中，p、T为预测变量，p＝p(x,y,t)，T＝T(x,y,t)，p是孔隙压力，T是流体温度，x、y、t为PINNs模型的输入参数，x为空间坐标向量，y为边界/初始条件向量，t为时间坐标；ρ f 是流体密度；c p 是流体的热容；η f 是流体动力粘度； 是重力项；g是重力加速度；k和k f 分别表示岩石基质和裂缝的渗透率；d f 是裂缝的开度；e表示由于岩石变形产生的体积应变，无因次； 表示沿着裂缝切面方向的梯度算子；Q f 是流动源汇项，代表岩石基质与裂缝间的流体质量交换；Q f，E 为能量源汇项；α B 是Biot-Willis系数，无因次；λ eff 为等效导热系数；渗流速度u由达西定律给出： S是综合考虑岩石和孔隙流体的压缩系数后的储水系数；(ρc p ) eff 为等效体积热容；c p，f 是流体的定压热容；所述孔隙压力p的初始条件函数f IC1 和边界条件函数f BC1 分别为：f IC1 ＝N p (x IC ，y IC ，0)-p IC ；f BC1 ＝N p (x BC ，y BC ，t)-p BC ；所述流体温度T的初始条件函数f IC2 和边界条件函数f BC2 分别为：f IC2 ＝N T (x IC ，y IC ，0)-T IC ；f BC2 ＝N T (x BC ，y BC ，t)-T BC ；其中N p 和N T 分别是关于压力p和温度T的边界条件、初始条件的表达式，x BC 、y BC 为施加边界条件的坐标点；x IC 、y IC 为施加初始条件的坐标点；p BC 、p IC 、T BC 、T IC 分别为边界条件的压力设置值、初始条件的压力设置值、边界条件的温度设置值、初始条件的温度设置值；所述总损失函数MSE total 为：MSE total ＝MSE PDE，BC，IC +MSE data ；所述物理约束损失MSE PDE，BC，IC 和所述数据损失MSE data 的计算公式分别为：MSE data ＝λ d MSE d ； 为单个物理约束公式f j 的均方误差，λ j 为每个物理约束公式f j 对应的均方误差权重；MSE d 为数据均方误差，λ d 为对应的误差权重；所述单个物理约束公式f j 的均方误差的计算公式如下： 为单个物理约束公式f j 的二维空间坐标， 表示时间， 为数据点总数，i为数据点标号；所述数据均方误差MSE d 的计算公式为：p pred ，T pred 分别为预测的压力值和温度值，p，T分别为数据标签中的压力和温度值。 2.根据权利要求1所述的一种基于PINNs与物理边界条件约束的地热产能智能预测方法，其特征在于，根据总损失函数以及所述PINNs模型内置的优化器得到最优模型，包括：根据损失的反向传播和所述优化器自动优化模型参数，所述模型参数包括权重矩阵w和偏置向量b；优化过程中，在每一次模型收敛之后更改超参数，通过超参数搜索的方式，在每个收敛的PINNs模型中找出最优超参数。 3.根据权利要求2所述的一种基于PINNs与物理边界条件约束的地热产能智能预测方法，其特征在于，所述反向传播是通过链式求导法则实现的。 4.一种基于PINNs与物理边界条件约束的地热产能智能预测系统，其特征在于，包括：数据预处理模块，用于基于时间坐标、空间坐标和边界条件和初始条件制作数据集；模型训练模块，用于将所述数据集输入PINNs模型，通过物理约束损失和数据损失构建总损失函数；根据所述总损失函数以及所述PINNs模型内置的优化器得到最优模型，包括：S21、损失计算与反向传播：将训练集输入到神经网络中进行训练，通过物理约束条件和数据标签计算损失，并进行反向传播；S22、神经网络参数优化：通过模型内置的优化器，根据反向传播得到的损失值进行模型参数优化；S23、模型验证：将验证集输入到模型中，通过模型在验证集上的表现进行超参数优化；S24、重复S21-S23，直至达到下列训练终止条件之一，得到最优化的模型参数和超参数，进而获取最优模型，终止条件如下：1.在训练集上收敛，且在验证集达到最高精度和在测试集达到最好的泛化性能；2.达到设置的最大训练次数；预测模块，用于将待测数据输入所述最优模型，得到预测值；物理约束公式为：其中，p、T为预测变量，p＝p(x,y,t)，T＝T(x,y,t)，p是孔隙压力，T是流体温度，x、y、t为PINNs模型的输入参数，x为空间坐标向量，y为边界/初始条件向量，t为时间坐标；ρ f 是流体密度；c p 是流体的热容；η f 是流体动力粘度； 是重力项；g是重力加速度；k和k f 分别表示岩石基质和裂缝的渗透率；d f 是裂缝的开度；e表示由于岩石变形产生的体积应变，无因次； 表示沿着裂缝切面方向的梯度算子；Q f 是流动源汇项，代表岩石基质与裂缝间的流体质量交换；Q f，E 为能量源汇项；α B 是Biot-Willis系数，无因次；λ eff 为等效导热系数；渗流速度u由达西定律给出： S是综合考虑岩石和孔隙流体的压缩系数后的储水系数；(ρc p ) eff 为等效体积热容；c p，f 是流体的定压热容；所述孔隙压力p的初始条件函数f IC1 和边界条件函数f BC1 分别为：f IC1 ＝N p (x IC ，y IC ，0)-p IC ；f BC1 ＝N p (x BC ，y BC ，t)-p BC ；所述流体温度T的初始条件函数f IC2 和边界条件函数f BC2 分别为：f IC2 ＝N T (x IC ，y IC ，0)-T IC ；f BC2 ＝N T (x BC ，y BC ，t)-T BC ；其中N p 和N T 分别是关于压力p和温度T的边界条件、初始条件的表达式，x BC 、y BC 为施加边界条件的坐标点；x IC 、y IC 为施加初始条件的坐标点；p BC 、p IC 、T BC 、T IC 分别为边界条件的压力设置值、初始条件的压力设置值、边界条件的温度设置值、初始条件的温度设置值；所述总损失函数MSE total 为：MSE total ＝MSE PDE，BC，IC +MSE data ；所述物理约束损失MSE PDE，BC，IC 和所述数据损失MSE data 的计算公式分别为：MSE data ＝λ d MSE d ； 为单个物理约束公式f j 的均方误差，λ j 为每个物理约束公式f j 对应的均方误差权重；MSE d 为数据均方误差，λ d 为对应的误差权重；所述单个物理约束公式f j 的均方误差的计算公式如下： 为单个物理约束公式f j 的二维空间坐标， 表示时间， 为数据点总数，i为数据点标号；所述数据均方误差MSE d 的计算公式为：p pred ，T pred 分别为预测的压力值和温度值，p，T分别为数据标签中的压力和温度值。