本發(fā)明涉及二氧化碳礦化，尤其涉及一種機理-數(shù)據(jù)協(xié)同驅動的二氧化碳礦化過程反演方法及系統(tǒng)。

背景技術：

1、二氧化碳封存、利用和儲存（ccus）是實現(xiàn)工業(yè)領域深度減排的關鍵技術。二氧化碳地質封存是減排增匯的落腳點之一，其核心問題是封存的長期安全可靠性?；诒O(jiān)測井探監(jiān)測二氧化碳物理狀態(tài)是地質封存工程現(xiàn)場最普遍的效果監(jiān)測手段，而如何對封存過程進行實時監(jiān)測成為其攻堅難題。

2、隨著新一代人工智能技術的不斷變革，在地球物理多個領域使用了機理模型、數(shù)據(jù)驅動等基本研究范式。2019年?nature?上發(fā)表了一篇重要綜述，提出物理模型與數(shù)據(jù)驅動機器學習相結合的方式，對人工智能地球物理未來發(fā)展具有重要的啟發(fā)意義。cn117440404a提出了數(shù)據(jù)與知識雙驅動的頻譜地圖智能精確構建方法，實現(xiàn)了目標頻率頻譜數(shù)據(jù)缺失的情況下目標頻率頻譜地圖的構建；cn117371813a針對巷道氣體的實時監(jiān)測預測問題，從物理模型預測和大數(shù)據(jù)預測兩種角度對巷道瓦斯?jié)舛冗M行建模，提出一種基于模型和大數(shù)據(jù)雙驅動的巷道瓦斯?jié)舛阮A測方法；cn117372994a提供一種基于模型與數(shù)據(jù)雙驅動的智能網(wǎng)聯(lián)汽車協(xié)同感知方法，采用基于模型與數(shù)據(jù)雙驅動的多點云魯棒配準模型，建立面向多智能網(wǎng)聯(lián)汽車的車輛協(xié)同檢測及預測方案。數(shù)據(jù)驅動與機理模型雙驅動的機器學習研究范式在地球物理多個領域有良好的適用能力，如此可通過機理與數(shù)據(jù)協(xié)同驅動對復雜的礦化封存過程進行物理場模型的構建和預測，該方法有利于提高礦化封存過程的融合反演能力。

技術實現(xiàn)思路

1、本方案針對上文提出的問題和需求，提出一種機理-數(shù)據(jù)協(xié)同驅動的二氧化碳礦化過程反演方法及系統(tǒng)，由于采取了如下技術特征而能夠實現(xiàn)上述技術目的，并帶來其他多項技術效果。

2、本發(fā)明的一個目的在于提出一種機理-數(shù)據(jù)協(xié)同驅動的二氧化碳礦化過程反演方法，包括如下步驟：

3、s10：確定礦化封存目標區(qū)域，利用超聲相控陣監(jiān)測系統(tǒng)、聲發(fā)射監(jiān)測系統(tǒng)和光纖微納多參量共采監(jiān)測系統(tǒng)，獲取監(jiān)測礦化過程得到的應力應變信號、聲發(fā)射信號、超聲波速信號和溫度信號，并作為輸入數(shù)據(jù)；

4、s20：基于聲發(fā)射反演獲得礦化反應產(chǎn)生的裂隙空間位置及體積，基于礦化巖體裂隙損傷得到滲透率，建立關于礦化過程裂隙場、滲流場、溫度場的礦化過程物理場，并作為輸出數(shù)據(jù)；

5、s30：結合礦化封存現(xiàn)場實際條件，使用模擬軟件獲得礦化過程物理場并補充輸入數(shù)據(jù)和輸出數(shù)據(jù)；使用k-fold交叉驗證法將輸入數(shù)據(jù)和輸出數(shù)據(jù)組合，形成數(shù)據(jù)和機理協(xié)同驅動的數(shù)據(jù)集，并分別劃分訓練集和驗證集；

6、s40：利用lstm神經(jīng)網(wǎng)絡構建礦化過程融合反演模型，通過訓練集訓練礦化過程融合反演模型，最終實現(xiàn)利用實時礦化過程反應實測監(jiān)測數(shù)據(jù)，融合反演獲得礦化過程中裂隙場、滲流場、溫度場的物理場；

7、s50：改進誤差反向傳播算法中的損失函數(shù)，將物理控制方程殘差加入損失函數(shù)中，構建數(shù)據(jù)及機理協(xié)同驅動的損失函數(shù)衡量反演輸出和實測輸出間的差異，利用隨機梯度下降算法計算各權重參數(shù)的梯度更新網(wǎng)絡的權重矩陣和偏置向量，利用驗證集驗證經(jīng)過訓練之后的礦化過程融合反演模型，重復迭代上述步驟，直到達到預定的迭代次數(shù)或損失函數(shù)值小于預定閾值，停止計算步驟。

8、另外，根據(jù)本發(fā)明的機理-數(shù)據(jù)協(xié)同驅動的二氧化碳礦化過程反演方法，還可以具有如下技術特征：

9、在步驟s30中，使用模擬軟件獲得礦化過程物理場，所述物理場包括流動場、滲流場和溫度場，物理場所涉及的控制方程和耦合方程如下：

10、1）損失應變方程

11、設巖石損傷為彈脆性損傷，則將應力用應變表示的本構方程為：

12、；

13、式中，為預應力； d為彈性矩陣，為應變；

14、損傷利用等效應變描述，由指數(shù)應變演化關系確定。當達到應變閾值時，損傷開始演化，損傷定義為：

15、；

16、式中，為彈性極限的拉伸應變；為極限拉伸應變，，為極限應變系數(shù)；為等效應變；為應變軟化參數(shù)；

17、加入平衡微分方程確定固體的應力和應變，考慮慣性作用后，表示為：

18、；

19、式中， f為單位體積力，n/m3；為應力矢量，mpa；為固體密度，kg/m3， x為固體位移，m；

20、2）流動方程

21、二氧化碳水合物流經(jīng)封存巖體的多孔隙介質利用多孔介質流動模型來描述，巖體介質中的裂隙間流體流動方程為：

22、；

23、式中，為流體密度；為孔隙率；u為流體速度； p為流體壓力；i為單位張量；f為體積力； τ為剪切力；μ為流體的動力黏度； k為滲透率； β為等溫壓縮系數(shù)， q m為源項，g為重力加速度；

24、3）滲流方程

25、在流體壓裂過程中，滲透率和損傷有著非線性增長關系，滲透率隨損傷變化呈指數(shù)形式增長，基于損傷描述滲透率的關系式為:

26、；

27、式中，為孔隙率受損傷影響的系數(shù)；在初始狀態(tài)下的滲透率；d為損失變量；

28、4）溫度方程

29、為模擬礦化封存周圍的熱環(huán)境，引入溫度場反映真實的礦化巖體熱影響破裂過程，通過耦合溫度場與流場，非等溫流動方程為：

30、；

31、式中，t為溫度；為恒壓熱容，j/(mol·k)；為導熱系數(shù)；q為熱源功率。

32、在本發(fā)明的一個示例中，在步驟s40中，利用lstm神經(jīng)網(wǎng)絡構建礦化過程融合反演模型，包括如下步驟：

33、s41：初始化網(wǎng)絡參數(shù)，通過初始權重矩陣和偏置向量更新遺忘門、輸入門、輸出門以及細胞狀態(tài)；

34、s42：輸入數(shù)據(jù)序列化，提取數(shù)據(jù)集中訓練集，將訓練樣本輸入時間步等待訓練；

35、s43：依次計算lstm神經(jīng)網(wǎng)絡算法模型中遺忘門、輸入門、細胞狀態(tài)更新和輸出門的各學習體，獲得記憶信息進而得到網(wǎng)絡算法擬合值。

36、在本發(fā)明的一個示例中，在所述步驟s43中，網(wǎng)絡算法擬合值的表達式如下：

37、；

38、式中，為短時記憶信息；分別為相應各層神經(jīng)元權重矩陣和偏置向量；為激活函數(shù)，其中，激活函數(shù)包括sigmoid激活函數(shù)和tanh激活函數(shù)：

39、；

40、。

41、在本發(fā)明的一個示例中，在步驟s43中，依次計算lstm神經(jīng)網(wǎng)絡算法模型中遺忘門、輸入門、細胞狀態(tài)更新和輸出門的各學習體，包括如下步驟：

42、在步驟s43中，依次計算lstm神經(jīng)網(wǎng)絡算法模型中遺忘門、輸入門、細胞狀態(tài)更新和輸出門的各學習體，包括如下步驟：

43、s431：計算遺忘門，決定細胞狀態(tài)的丟失信息，遺忘門的激活值通過以下公式計算：

44、；

45、式中， σ是sigmoid激活函數(shù)，和是遺忘門的權重矩陣和偏置向量，是上一個時間步的隱藏狀態(tài)，是當前時間步的輸入；

46、s432：計算輸入門，決定被儲存細胞狀態(tài)中的信息，輸入門的激活值通過以下公式計算：

47、；

48、；

49、式中， σ是sigmoid激活函數(shù)，和為輸入門的權重矩陣；和為輸入門的偏置向量；和分別挖掘當前時間步信息和上一個時間步信息；

50、s433：更新細胞狀態(tài)，根據(jù)遺忘門的輸出和由輸入門決定的候選細胞狀態(tài)更新細胞記憶信息，細胞狀態(tài)的激活值以下公式計算：

51、；

52、式中，為上一個時間步訓練樣本信息；

53、s434：計算輸出門，決定下一個時間步的隱藏狀態(tài)，輸出門的激活值計算如下：

54、；

55、；

56、式中，和為輸出門的權重矩陣和偏置向量的權值。

57、在本發(fā)明的一個示例中，在步驟s50中，將物理控制方程殘差加入損失函數(shù)中，構建數(shù)據(jù)及機理協(xié)同驅動的損失函數(shù)衡量反演輸出和實測輸出間的差異，包括如下步驟：

58、s501：計算控制方程殘差，構建機理損失函數(shù)如下：

59、；

60、式中，為訓練樣本索引；研究區(qū)域內(nèi)樣本點總數(shù)；為算法網(wǎng)絡擬合值的微分項；

61、s502：計算數(shù)據(jù)驅動殘差，構建數(shù)據(jù)損失函數(shù)如下：

62、；

63、式中，為訓練樣本索引；研究區(qū)域內(nèi)樣本點總數(shù)；為算法網(wǎng)絡實測值；為算法網(wǎng)絡擬合值；

64、s503：計算控制方程和數(shù)據(jù)驅動的殘差之和，構建由機理驅動和數(shù)據(jù)驅動共同集成的損失函數(shù)，如下：

65、；

66、式中，為控制方程殘差計算的均方差損失；為實測值與算法網(wǎng)絡擬合值計算的均方差損失；α和β分別為機理驅動項和數(shù)據(jù)驅動項的權重系數(shù)。

67、在本發(fā)明的一個示例中，在所述步驟s501中，機理損失函數(shù)微分項包括平衡微分方程、裂隙間流體流動方程、溫度方程項，由各項殘差求和，其表達式為：

68、；

69、式中， f為單位體積力，n/m3；為應力矢量，mpa；為固體密度，kg/m3， x為固體位移，m；為流體密度，kg/m3；為孔隙率；u為流體速度，m/s； p為流體壓力，mpa；f為體積力，n； τ為剪切力，mpa； k為滲透率； β為等溫壓縮系數(shù)， q m為源項；t為溫度；為恒壓熱容，j/(mol·k)；為導熱系數(shù)；q為熱源功率。

70、在本發(fā)明的一個示例中，在步驟s50中，利用隨機梯度下降算法計算各權重參數(shù)的梯度更新網(wǎng)絡的權重矩陣和偏置向量，包括如下步驟：

71、每次迭代計算算法網(wǎng)絡參數(shù)梯度，沿梯度的反方向更新參數(shù)，獲得全局最優(yōu)解：

72、；

73、式中，為損失函數(shù)各參數(shù)的梯度；η為控制步長大小的更新率； θt+1和 θt分別為第t+1和t次迭代步的待更新算法網(wǎng)絡參數(shù)。

74、本發(fā)明的另一個目的在于提出一種機理-數(shù)據(jù)協(xié)同驅動的二氧化碳礦化過程反演系統(tǒng)，包括：

75、輸入數(shù)據(jù)模塊，配置為用于確定礦化封存目標區(qū)域，利用超聲相控陣監(jiān)測系統(tǒng)、聲發(fā)射監(jiān)測系統(tǒng)和光纖微納多參量共采監(jiān)測系統(tǒng)，獲取監(jiān)測礦化過程得到的應力應變信號、聲發(fā)射信號、超聲波速信號和溫度信號，并作為輸入數(shù)據(jù)；

76、輸出數(shù)據(jù)模塊，配置為用于基于聲發(fā)射反演獲得礦化反應產(chǎn)生的裂隙空間位置及體積，基于礦化巖體裂隙損傷得到滲透率，建立關于礦化過程裂隙場、滲流場、溫度場的礦化過程物理場，并作為輸出數(shù)據(jù)；

77、數(shù)據(jù)劃分模塊，配置為用于結合礦化封存現(xiàn)場實際條件，使用模擬軟件獲得礦化過程物理場并補充輸入數(shù)據(jù)和輸出數(shù)據(jù)；使用k-fold交叉驗證法將輸入數(shù)據(jù)和輸出數(shù)據(jù)組合，形成數(shù)據(jù)和機理協(xié)同驅動的數(shù)據(jù)集，并分別劃分訓練集和驗證集；

78、物理場計算模塊，配置為用于利用lstm神經(jīng)網(wǎng)絡構建礦化過程融合反演模型，通過訓練集訓練礦化過程融合反演模型，最終實現(xiàn)利用實時礦化過程反應實測監(jiān)測數(shù)據(jù)，融合反演獲得礦化過程中裂隙場、滲流場、溫度場的物理場；

79、損失計算模塊，配置為用于改進誤差反向傳播算法中的損失函數(shù)，將物理控制方程殘差加入損失函數(shù)中，構建數(shù)據(jù)及機理協(xié)同驅動的損失函數(shù)衡量反演輸出和實測輸出間的差異，利用隨機梯度下降算法計算各權重參數(shù)的梯度更新網(wǎng)絡的權重矩陣和偏置向量，利用驗證集驗證經(jīng)過訓練之后的礦化過程融合反演模型，重復迭代上述步驟，直到達到預定的迭代次數(shù)或損失函數(shù)值小于預定閾值，停止計算步驟。

80、在本發(fā)明的一個示例中，所述損失計算模塊，包括：

81、控制方程殘差計算單元，配置為用于計算控制方程殘差，構建機理損失函數(shù)如下：

82、；

83、式中，為訓練樣本索引；研究區(qū)域內(nèi)樣本點總數(shù)；為算法網(wǎng)絡擬合值的微分項；

84、數(shù)據(jù)驅動殘差計算單元，配置為用于計算數(shù)據(jù)驅動殘差，構建數(shù)據(jù)損失函數(shù)如下：

85、；

86、式中，為訓練樣本索引；研究區(qū)域內(nèi)樣本點總數(shù)；為算法網(wǎng)絡實測值；為算法網(wǎng)絡擬合值；

87、殘差之和計算單元，配置為用于計算控制方程和數(shù)據(jù)驅動的殘差之和，構建由機理驅動和數(shù)據(jù)驅動共同集成的損失函數(shù)，如下：

88、；

89、式中，為控制方程殘差計算的均方差損失；為實測值與算法網(wǎng)絡擬合值計算的均方差損失；α和β分別為機理驅動項和數(shù)據(jù)驅動項的權重系數(shù)。

90、本發(fā)明的有益效果如下：

91、該方法結合礦化封存現(xiàn)場實際條件，使用模擬軟件獲得礦化過程物理場模型進一步補充數(shù)據(jù)集，獲取數(shù)據(jù)集更符合實際礦化情況，有效解決礦化監(jiān)測數(shù)據(jù)量不足的問題，顯著提高礦化融合反演的準確性。

92、該方法利用了lstm神經(jīng)網(wǎng)絡構建礦化過程融合反演模型，該神經(jīng)網(wǎng)絡能夠捕捉二氧化碳礦化過程在時間序列上間隔較遠的狀態(tài)變化，能更好地處理長距離的依賴關系，提高了礦化效果的預測水平，為礦化評價提供可靠的數(shù)據(jù)支撐。

93、該方法基于lstm神經(jīng)網(wǎng)絡建立監(jiān)測礦化過程反應數(shù)據(jù)與融合反演輸出物理場之間的關系，提取不同類型的監(jiān)測數(shù)據(jù)（如圖像、文本數(shù)據(jù)等）進行融合，且能提取礦化過程的非線性特征，更全面地表征了反演物理場的復雜性。

94、該方法改進誤差反向傳播算法中的損失函數(shù)，將物理控制方程殘差加入損失函數(shù)中，構建數(shù)據(jù)及機理雙驅動的損失函數(shù)衡量反演輸出和實測輸出間的差異，提高了模型的準確度和魯棒性，擴展了模型的應用范圍以適應多變的監(jiān)測環(huán)境。

95、下文中將結合附圖對實施本發(fā)明的最優(yōu)實施例進行更加詳盡的描述，以便能容易理解本發(fā)明的特征和優(yōu)點。