LBM+FCNN耦合模型：精准高效预测海底裂缝溶解的新工具
本文为《 Dissolution patterns prediction for horizontal rough fracture based on deep neural network and lattice Boltzmann method 》的阅读笔记，原文链接：https://ager.yandypress.com/index.php/2207-9963/article/view/491
发表于 Advances in Geo-Energy Research 的《 Dissolution patterns prediction for horizontal rough fracture based on deep neural network and lattice Boltzmann method 》。提出 LBM 与 FCNN 耦合模型，用于预测海底水平粗糙裂缝溶解模式。模型总损失低至 0.01，较传统方法计算时间缩短 20% 以上；在 8 种场景中，MSE 仅 0.0226，MAPE 不足 6%，裂缝壁位置预测偏差仅 0.01cm，且能适应 8-14mm 裂缝宽度，为深海能源开发提供可靠技术支持。
在深海热液系统中，海水与岩石裂缝的化学反应直接影响地热资源开采效率与油气藏渗透率。然而，传统数值模拟方法要么因物理过程复杂导致计算缓慢，要么因忽略多相流、相变等关键因素导致预测不准。2025 年，中国海洋大学易高伟团队与合作者在 Advances in Geo-Energy Research 发表研究，提出格子玻尔兹曼方法（LBM）与全连接神经网络（FCNN）耦合模型，首次实现海底水平粗糙裂缝溶解模式的高效精准预测 —— 不仅总损失低至 0.01，还将计算时间缩短 20% 以上，为深海能源开发提供了全新技术工具。
一、深海裂缝溶解模拟的 “两难困境”
海底热液系统中，酸性海水在裂缝中流动时，会与碳酸盐岩石发生反应（如H++ CaCO3 = Ca2++ HCO3-），导致裂缝形态改变、渗透率波动。准确模拟这一过程，是地热资源开发、油气藏管理的核心需求，但传统方法始终面临 “精准” 与 “高效” 的两难：
传统 CFD 方法：物理模糊，误差大
计算流体力学虽能模拟流体流动，但难以捕捉孔隙尺度的气液相变与固液界面反应，常低估裂缝溶解速率，误差可达 30% 以上。
纯 LBM 方法：精准但缓慢
格子玻尔兹曼方法通过微观粒子运动模拟宏观流体行为，能精准刻画多相流、相变与化学反应，但需数万网格点才能还原毫米级裂缝细节 —— 模拟 10 小时溶解过程，传统 CPU 需耗时数天，难以满足工程实时性需求。
经验模型：泛化差，场景受限
基于实验数据的经验公式，如 Arrhenius 反应速率方程，仅适用于特定温度、压力条件，一旦裂缝宽度、流体速度变化，预测误差会急剧增大，无法应对深海复杂多变的环境。
这些困境的根源，在于 “物理过程的多尺度复杂性” 与 “计算资源的有限性” 之间的矛盾 —— 既要还原微观孔隙的化学反应，又要兼顾宏观裂缝的演化，传统单一方法难以平衡。
图1 海底水平粗糙裂缝几何模型图
二、LBM-FCNN 耦合模型：精准与高效的 “双引擎”
图2 LBM-FCNN耦合模型工作流程图
研究团队创新性地将 LBM 的 “物理精准性” 与 FCNN 的 “计算高效性” 结合，通过三个核心公式构建耦合框架，既还原裂缝溶解的物理本质，又大幅降低计算成本。
2.1 LBM 核心演化方程：还原多相流与相变
LBM 通过模拟粒子在格子中的运动，刻画海水气液相变与流体流动，其核心演化方程是模型精准性的基石：
这个方程能精准模拟深海裂缝中 “海水沸腾产生气泡→气泡上升阻碍酸性离子扩散→影响岩石溶解速率” 的连锁过程。例如，当裂缝底部加热时，方程中的额外力项会引入浮力效应，让模拟的气泡从裂缝底部自然上升至顶部，与真实热液系统中的相变现象高度吻合，避免了传统方法对相变过程的简化或忽略。
2.2 裂缝溶解动力学方程：量化岩石质量变化
为计算碳酸盐岩石在酸性海水作用下的溶解量，研究基于化学动力学原理与质量守恒，推导了裂缝溶解动力学公式：
该公式直接关联流体化学特性与岩石物理变化，能精准计算不同条件下的裂缝溶解量。比如当裂缝入口酸性离子浓度升高时，浓度差（C-Ceq）增大，岩石溶解速率随之加快；而温度升高会通过改变反应速率常数（kr），进一步调节溶解效率，与实验室观测到的 “温度越高、酸性越强，岩石溶解越快” 规律完全一致。
2.3 FCNN 层计算方程：加速溶解预测
为解决 LBM 计算缓慢的问题，研究训练 FCNN 学习 LBM 模拟数据中的规律，用神经网络快速预测裂缝溶解状态。FCNN 每一层的计算方程为：
FCNN 的输入是 31 维物理特征，输出是 11 维溶解状态。通过学习 LBM 生成的 3.6 万组样本，该方程让神经网络能跳过复杂的粒子运动模拟，直接根据物理参数预测溶解结果 —— 原本 LBM 需 10 小时的模拟，FCNN 仅需 8 小时就能完成，计算效率提升 20% 以上，且总损失低至 0.01，确保预测精度未因提速而下降。
图3 最优FCNN模型训练损失曲线图
三、实验验证：数据见证 “双引擎” 威力
团队在涵盖不同入口速度、接触角、裂缝宽度的 8 种真实场景中验证模型性能，结果远超传统方法：
表1 8种实验场景的关键参数表
3.1 预测精度：误差远低于纯 LBM 与经验模型
在 100 个测试样本中，FCNN 预测的裂缝溶解体积与 LBM 真实结果对比显示：
均方误差（MSE）仅 0.0226：远低于经验模型的 0.15，意味着溶解量预测误差控制在 2% 以内；
平均绝对百分比误差（MAPE）0.0578：即相对误差不足 6%，而纯 LBM 因网格离散误差，相对误差常达 10% 以上。
图4 FCNN预测与LBM模拟的裂缝壁位置对比图
以某一场景（入口速度 3×10⁻⁴m/s、接触角 18°、裂缝宽度 1.2×10⁻²m）为例，FCNN 预测的裂缝上壁位置与 LBM 结果的平均偏差仅 0.01cm，相当于一根头发丝的直径，完全满足工程精度需求。
3.2 计算效率：20% 提速，工程价值显著
对比相同硬件下的计算时间：
纯 LBM 模拟 1 个场景需 12.5 小时；
LBM-FCNN 模型中，LBM 生成训练数据后，FCNN 预测仅需 10 小时，提速 20%；
若需批量预测多个场景，FCNN 可复用训练好的模型，总耗时仅为纯 LBM 的 1/5。
3.3 鲁棒性：适应不同裂缝尺度
模型在 8-14mm 裂缝宽度范围内均表现稳定，如裂缝宽度从 0.8cm 增至 1.4cm 时，均方误差仅从 0.0131 增至 0.0488，未出现明显误差飙升 —— 这意味着模型可直接应用于不同地质条件的海底裂缝，无需重新调整参数，大幅降低了工程应用门槛。
四、落地场景：从深海地热到油气开发
LBM-FCNN 模型的突破，为深海能源开发提供了关键技术支撑：
深海地热资源开采：精准预测热液管道周围裂缝的溶解速率，避免因渗透率过高导致热流体泄漏，提升地热发电效率；
油气藏增产改造：模拟酸性压裂液与碳酸盐岩裂缝的反应，优化压裂参数（如液体浓度、注入速度），让裂缝形态更利于油气流动；
深海矿产资源勘探：预测热液系统中矿物沉淀位置（溶解与沉淀是可逆过程），辅助寻找多金属硫化物矿点。
五、未来方向：让 “双引擎” 更强大
尽管模型已表现出色，团队仍指出两大优化方向：
多场景泛化：目前 FCNN 在部分极端场景中泛化性较弱，未来需加入更多极端条件（如高温 300℃、高压 50MPa）的训练数据；
3D 裂缝扩展：当前模型为 2D 平面裂缝，下一步将拓展至 3D 立体裂缝，更真实还原深海岩石的复杂孔隙结构。
六、总结：破解深海能源开发的 “精准 - 高效” 死结
LBM-FCNN 耦合模型的核心价值，在于用 LBM 还原物理本质、用 FCNN 加速预测，首次破解了深海bolzma裂缝溶解模拟的 “精准与高效不可兼得” 难题。其背后的三个核心公式，不仅是数学工具，更是 “物理模拟 + AI 预测” 融合的典范 —— 当传统数值方法陷入计算瓶颈时，AI 能成为 “效率引擎”；当 AI 面临 “黑箱” 质疑时，物理公式能提供 “可解释性锚点”。
未来，随着模型向 3D、多组分反应扩展，它或许能成为深海能源开发的 “标配工具”，让人类在开采地热、油气、矿产资源时，既 “算得准”，又 “算得快”，真正实现深海资源的可持续利用。
点击更多，学习更多精彩内容。