通过迁移学习替代建模实现井下热管理系统的高效结构优化

《Journal of Energy Storage》：Efficient structure optimization of downhole thermal management system via transfer learning surrogate modeling

本研究提出基于转移学习神经网络（TLNN）的优化框架，用于提升极端环境下井下热管理系统（DTMS）的结构设计效率。通过整合低精度数据与少量高精度三维仿真数据，TLNN模型在保持高预测精度（RMSE<1°C）的同时，将高精度数据需求减少超50%。结合遗传算法（GA），优化效率提升62%，有效避免局部最优问题，并成功将电子元件温度控制在160°C以下，在225°C环境中运行18小时。该框架为复杂热系统设计提供了高效解决方案。

　　

张思琪|邓超|魏福龙|李家成|罗晓冰|马金龙

华中科技大学能源与动力工程学院，武汉，430074，中国

摘要

针对极端环境优化井下热管理系统（DTMS）是一个计算密集型挑战。传统的基于仿真的优化方法成本过高，而替代模型在数据需求和准确性之间难以平衡。本研究提出了一种新颖的结构优化框架，采用迁移学习神经网络（TLNN）作为替代模型。通过结合大量的低保真度数据与有限的高保真度3D仿真数据，TLNN实现了高预测精度（RMSE < 1°C），同时将高保真度数据的需求降低了50%以上。结合遗传算法（GA），该框架相比传统方法计算成本降低了62%，有效避免了局部最优解的陷阱。优化后的DTMS设计能够在225°C的环境中使电子设备温度保持在160°C以下长达18小时，为复杂热系统设计提供了有效解决方案。

引言

由于浅层油气资源的枯竭，石油和天然气资源的勘探与开发正朝着更深、地质更复杂的地层推进[1]、[2]、[3]、[4]。测井工具在井下地层评估中起着关键作用，集成了多种电子元件以实时采集和传输地球物理数据[5]、[6]、[7]。然而，在超深储层中，测井工具经常面临超过200°C的极端温度[8]、[9]、[10]，这对井下电子设备的温度可靠性构成了严峻挑战[11]、[12]。开发耐高温电子设备是一个潜在的解决方案，但技术要求高且成本高昂，往往无法满足实际应用的迫切需求[13]、[14]、[15]。

为了确保井下电子设备在高温环境中的稳定运行，DTMS作为现代测井工具的一个关键子系统被开发出来。被动式DTMS因其简单性、可靠性和不依赖外部能源而得到广泛应用[16]、[17]。该系统的核心原理是利用真空绝缘和复合热绝缘材料来隔离热量侵入，并结合相变材料（PCM）散热器来吸收和储存产生的热量[18]、[19]、[20]、[21]。这种设置有效保护了电子设备在极端条件下的长期运行，使其成为工业测井应用中的主导解决方案[22]、[23]。

对于大型多功能测井工具（如核磁共振和侧壁取芯仪器），由于需要集成大量电子设备，因此其DTMS的设计也更为复杂。Lan等人[24]研究并验证了分布式DTMS配置的有效性，这是一种有效管理这些工具中复杂热负荷的策略。在这种架构下，电子设备分别安装在独立的骨架上，并在它们之间放置散热器以管理工具轴线上的多个点的热负荷。基于此架构，Peng等人[25]为侧壁取芯工具开发了一种耐用的DTMS，使其能够在极端环境中长时间运行。尽管这些分布式DTMS解决方案在扩展井下仪器的运行极限方面取得了显著进展，但仍有通过严格的结构优化进一步提高其热性能的潜力。系统地应用先进的优化技术不仅有望降低电子设备的运行温度，还能减少计算设计成本。

实现DTMS的最佳结构设计需要全面评估结构变量与优化目标之间的关系。鉴于大量实验的高成本和实际限制，数值仿真已成为评估DTMS热性能的核心方法。已经开发了不同计算维度的热传递模型，从快速的1D预测模型[26]到2D轴对称模型[23]以及完整的3D有限元（FEM）模型[27]。其中，3D数值模型通过全面模拟DTMS内的复杂热传递过程（包括传导、对流和辐射）提供了最准确的评估结果。例如，Peng等人[28]提出的3D数值模型平均温度误差仅为3.02°C，显示出其高精度。因此，研究人员将精确的3D模型与智能算法结合用于DTMS的结构优化。例如，张等人[29]通过结合3D仿真和NM算法的结构优化，显著降低了紧凑型DTMS中热源的最大温度。

然而，这些基于直接仿真的优化方法面临重大挑战。主要问题是基于FEM的优化框架需要数十次迭代才能完成DTMS优化[29]。考虑到单次高保真度3D数值仿真可能需要数小时才能完成[26]，整个设计周期大大延长。此外，常用的优化算法（如NM算法）虽然每次迭代效率较高，但容易过早收敛到局部最优解[30]。这一问题需要谨慎的初始化和反复的试错过程，大大降低了最优设计的效率。针对局部最优解问题，魏等人[31]尝试使用GA进行全局优化，但也受到多次3D仿真计算成本的阻碍，未能达到预期的优化效果。当前的方法通常采用基于替代模型的优化框架，利用数据驱动的替代模型来替代昂贵的3D仿真[32]、[33]、[34]。通常，这种方法涉及在定义的设计域内生成3D仿真结果样本，并拟合一个替代模型（如克里金模型[35]或ANN[36]）。然而，对于结构复杂、热传递过程复杂的DTMS来说，替代模型构建中的一个关键挑战是在预测精度和生成足够高保真度数据所需的计算成本之间找到最佳平衡[37]。

为了解决在最少计算资源下构建精确替代模型的问题，本研究提出了一种基于TLNN的新多保真度替代建模方法。迁移学习原理已成功应用于吴等人的空气动力学形状优化[38]，它包括一个初始阶段，其中模型从大型基础数据集中学习通用模式。然后将预训练的知识转移到特定领域，在那里使用少量领域特定样本对模型进行微调以实现准确预测[39]。对于本文中的热优化问题，建立了DTMS的TRN模型，以高效获取TLNN所需的基础样本数据。从概念上讲，由于TRN模型基于热传递的物理过程，其生成的低保真度样本使神经网络首先能够学习热传导的基本物理结构。随后，只需要少量高保真度3D样本即可对模型进行微调，从而捕捉复杂的细节（例如局部3D效应）。这种两阶段策略确保了物理一致性和高预测精度。

接下来，验证了所提出的基于TLNN的替代模型优化框架在DTMS结构优化中的有效性。与传统方法相比，该方法在相同的计算资源下表现出更高的精度。将替代模型集成到GA循环中，用于优化DTMS中绝缘体和散热器的长度。在优化过程中，解决了先前研究中出现的局部最优解问题。结果表明，热性能显著提高，优化计算成本大幅降低。此外，利用该框架的效率，我们探索了在不同工作条件下的最佳DTMS结构。

部分摘录

系统几何形状和设计参数

图1显示了测井工具中使用的DTMS结构。在运行过程中，工具会受到超过200°C的环境温度影响。为了保护井下电子设备免受极端环境的影响，使用高强度金属制成的真空腔作为电子舱。其内外壁之间的真空腔提供了有效的径向热绝缘。为了减少轴向热流，使用了PEEK材料制成的绝缘体1和绝缘体2

迁移学习神经网络（TLNN）模型

将物理原理集成到神经网络中已成为提高模型可靠性和泛化能力的强大方法。例如，Di Natale等人[43]通过将物理定律嵌入网络架构中，成功开发了物理一致的神经网络用于热建模。受此类物理指导方法的启发，本研究提出了一种迁移学习神经网络（TLNN）模型，该模型将物理信息纳入其中

TRN的准确性分析

首先在统一的结构参数下计算了TRN模型和3D数值模型的温度结果。图7(a)比较了在相同结构下10个热源的模拟温度。虽然TRN模型捕捉到了总体热响应趋势，但与准确的3D仿真结果相比仍存在定量差异。两种模型之间的最大温度偏差出现在热源6处，平均误差达到

结论

本研究提出了一种基于替代建模的高效TLNN优化框架，用于优化DTMS的结构。主要结论如下：

• 1)
  所提出的基于TLNN的替代模型有效结合了TRN的计算效率和3D仿真的准确性。与传统的克里金模型和ANN模型相比，TLNN模型在相同的训练样本量下，RMSE分别降低了35.16%和50%

CRediT作者贡献声明

张思琪：撰写——原始草稿、方法论、概念化。邓超：验证、调查、数据整理。魏福龙：验证、数据整理。李家成：验证、形式分析。罗晓冰：撰写——审阅与编辑、监督、资金获取。马金龙：撰写——审阅与编辑、资金获取。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

本研究得到了国家重点研发计划（2022YFC2204400）和热能和动力实验室开放科技基金（编号TPL 2022B02）的支持。