地热能作为清洁低碳的可再生能源，是推动我国能源结构转型的重要资源。地下水流动与热量传输是地热资源开发利用中的关键物理过程，其复杂耦合机制及动态演化规律的准确模拟一直是地学研究的重要课题。

近日，中国科学院南京土壤研究所（以下简称南京土壤所）研究员、中国工程院院士张佳宝团队联合多家单位，将人工智能与地下水热耦合物理机制相结合，基于物理信息神经网络（PINN）构建了地热储层水热耦合模拟新方法，为复杂地学过程的智能模拟提供了新思路，相关成果在线发表于《热工程案例研究》（Case Studies in Thermal Engineering）。

一直以来，地热资源开发与评价高度依赖水热耦合数值模拟技术。传统数值模拟方法在处理复杂地质条件下的水热耦合问题时，通常需要进行精细的网格划分与数值求解，建模过程较为复杂，计算成本较高，制约了多工况模拟与采灌方案的快速优化。而纯数据驱动的深度学习模型虽然具有快速预测的潜力，但往往依赖大量高质量训练数据，且缺乏物理规律约束，难以保证预测结果的物理一致性，在地下监测数据相对有限的地热储层模拟中面临挑战。

PINN的发展为破解这一难题提供了新思路，但其在地热采灌循环等复杂地下水热耦合过程中的应用仍相对有限，尤其在瞬态水热过程模拟方面，其预测精度、物理一致性以及对不同地质条件和运行工况的适应能力仍有待系统验证与优化。

针对上述问题，南京土壤所科研人员联合中国地质科学院水文地质环境地质研究所等单位，构建了面向地热对井系统的PINN水热耦合模拟框架。该框架将地下流体流动控制方程与热量传输控制方程引入神经网络训练流程，采用双网络架构分别预测水头场和温度场，实现了对地下储层水热过程的协同模拟。

流体流动与传热问题的物理信息神经网络（PINN）方法示意图。南京土壤所供图

研究团队先通过一维瞬态热传导、径向地下水流动等经典基准问题验证了模型的可靠性，随后以河北献县地热田的对井采灌系统为研究对象，开展实际地热场景下的水热耦合模拟与验证。结果表明，该PINN框架能够较好地模拟地热采灌过程中地下水位的动态变化、低温回灌水的迁移扩散以及储层温度场的时空演化等关键水热响应特征。与传统纯数据驱动深度神经网络相比，PINN在训练样本有限的条件下仍表现出更高的预测精度和更好的物理一致性，展现出物理约束与人工智能相结合在复杂地下水热耦合过程模拟中的应用潜力。

在此基础上，研究团队进一步结合分阶段训练与局部时空采样加密策略，提升了回灌井附近复杂温度梯度及局部热响应特征的模拟精度，实现了对地热储层水头场与温度场时空演化的有效协同模拟。

论文第一作者为南京土壤研究所助理研究员祁翠婷，通讯作者为南京土壤所研究员李晓鹏。全部研究工作得到国家自然科学基金的专项资助。

相关论文链接：https://doi.org/10.1016/j.csite.2026.108594