《ENERGY CONVERSION AND MANAGEMENT》：Physics-Informed neural networks with resnet-based two-stage training for transient multi-domain wellbore temperature prediction in deep drilling
编辑推荐：
在极端高温高压条件下，针对深井及超深井瞬态井筒温度演化的精准预测是保障钻井安全与优化热管理的关键。传统基于网格的数值模拟计算成本高昂，而纯数据驱动的代理模型在仅存在稀疏观测数据时易丧失物理保真度与全局泛化能力。为克服上述局限，研究人员提出了一种改进的物理学信息
在极端高温高压条件下，针对深井及超深井瞬态井筒温度演化的精准预测是保障钻井安全与优化热管理的关键。传统基于网格的数值模拟计算成本高昂，而纯数据驱动的代理模型在仅存在稀疏观测数据时易丧失物理保真度与全局泛化能力。为克服上述局限，研究人员提出了一种改进的物理学信息神经网络（Physics-Informed Neural Networks，PINN）架构，用于钻柱-环空-地层系统的瞬态多域耦合传热动力学建模。该框架创新性地融合了两阶段训练策略（从数据拟合到物理校正）、基于残差连接的双分支映射结构以及自适应损失梯度惩罚机制，有效缓解了强耦合多尺度传热方程优化过程中的收敛刚性与梯度病态问题。控制偏微分方程及其初始边界条件被无缝嵌入损失函数，在锚定稀疏现场实测数据的同时严格维持全局热力学一致性。多维基准测试与现场实测对比表明，该框架实现了优异的预测保真度，关键监测点的均方根误差稳定低于1.8 °C，最大相对误差严格控制在2.3%以内。更重要的是，与传统有限差分法相比，该模型在GPU加速下计算效率提升约两个数量级，单次前向推理仅需数秒，展现出极强的实时工程评估潜力。结合基于可解释性的归因分析，模型进一步定量揭示了流体比热容与循环时间在控制井底温度演化中的主导物理作用。凭借其严格的物理约束学习机制与优异的计算鲁棒性，该框架可广泛推广至地热开发、深地探测等复杂地下瞬态多域传热过程的数字孪生建模中。
该研究针对深井及超深井钻井过程中极端高温高压环境下的瞬态多域井筒温度预测难题展开，论文发表于《ENERGY CONVERSION AND MANAGEMENT》。当前全球油气勘探持续向深层、超深层（通常超过6000 m）及极深层（超过8000 m）推进，中国截至2025年已完钻三口万米深井，井底温度常超过150 °C，局部可达200 °C以上。井筒温度场作为井下热环境的核心指标，受地温梯度、钻井液循环、钻头摩擦及水机械能耗散等多因素复杂耦合影响，其准确预测是水泥浆设计、井壁稳定性评估及钻井液流变性控制的前提，温度预测偏差可能导致钻井液流变参数与井底压力（等效循环密度，ECD）估算失准，进而引发溢流、漏失甚至井喷等严重井控事故。现有预测方法存在显著局限：半解析模型需大幅简化几何、边界条件及流体性质，难以捕捉复杂井身结构、瞬态流体性质变化及多层地层热干扰的耦合效应；高分辨率数值模拟（如计算流体力学CFD、有限元法FEA）虽能揭示局部传热机制，但网格划分与迭代收敛成本极高，无法满足实时现场应用需求，且难以高效同化稀疏现场观测数据；纯数据驱动深度学习模型依赖大量高质量标注数据（现场获取难度与成本极高），且作为“黑箱”模型易违反能量守恒等基本物理定律，导致泛化性差与物理可解释性不足。标准物理学信息神经网络（PINN）在处理井筒多域耦合传热时面临梯度失衡与收敛刚性挑战，现有改进版本在超深井瞬态传热场景中仍存在强异质界面数值振荡、稀疏数据下全场预测误差难达工程精度要求（如3%以内）等问题。为此，研究人员构建了融合物理先验与现场数据的改进PINN计算框架，以解决传统数值模拟实时评估瓶颈与标准PINN处理强耦合多尺度问题的优化刚性。
研究人员开展研究采用的主要关键技术方法包括：构建基于残差网络的两阶段训练策略（数据拟合阶段至物理校正阶段），通过数据锚点预热身优化解空间初始化，规避复杂损失景观局部极小值，使后续物理约束阶段收敛速度提升约三倍；设计双分支残差架构，克服传统PINN表征高频瞬态响应的频谱偏差现象，渐进式实现观测信息的物理校正；引入自适应损失梯度协调机制，同步提升预测精度、数值稳定性与亚秒级计算效率；采用SHAP可解释性工具定量归因流体比热容、循环温度等驱动因素，增强工程决策支撑能力。
研究结果如下：
物理模型部分，研究人员建立了涵盖钻柱内流体、钻杆壁、环空流体、井壁及近井地带地层等多控制区域的井筒系统能量交换模型，明确各区域间通过导热与对流进行耦合传热的机制。
基于PINN的井筒温度场建模部分，研究人员将钻井过程瞬态热传导-对流方程作为物理先验嵌入PINN框架，显式耦合井筒流体、环空及套管壁的多域传热机制，实现对井筒温度分布的连续可微近似。
PINN模型验证部分，研究人员选取实际钻井作业为基准案例，将模型预测结果与传统有限差分法（FDM）结果对比，输入参数包括井筒几何尺寸、各介质热物性及作业参数，验证了模型精度与可靠性。
参数敏感性及可解释性分析部分，研究人员区分离线训练阶段与在线推理阶段，系统对比PINN与传统FDM的计算成本，硬件配置、软件框架及离线训练时间在表1中详细列出，证实PINN在GPU加速下的高效性。
讨论与结论部分，研究人员指出，该改进PINN框架有效解决了超深钻井条件下井筒-水泥-地层系统多域耦合传热的梯度失衡与收敛刚性难题，突破了传统数值模拟实时性瓶颈与标准PINN的优化局限。模型将全井筒温度平均相对误差压缩至2.3%以内，关键监测点均方根误差低于1.8 °C，最大相对误差严格控制在2.3%以内，计算效率较传统有限差分法提升约两个数量级，单次前向推理仅需数秒，具备极强实时工程评估潜力。通过SHAP可解释性分析，定量揭示了流体比热容与循环时间在井底温度演化中的主导物理作用。该框架凭借严格物理约束学习机制与优异计算鲁棒性，可广泛推广至地热开发、深地探测等复杂地下瞬态多域传热过程的数字孪生建模，为深井钻井安全与热管理优化提供了高性能实时计算基准。
