浙江大学学报(工学版)

浙江大学学报(工学版), 2026, 60(12): 2725-2734 doi: 10.3785/j.issn.1008-973X.2026.12.018

土木工程、交通工程

基于集成学习的盐穴造腔预测及工艺参数智能设计

陈加松,, 王桂九, 白雪峰, 段冲, 施锡林, 张桂民, 李小菲, 金辉, 李金龙,

1. 国家管网集团储能技术有限公司，上海 200011

2. 中国科学院武汉岩土力学研究所，湖北 武汉 430071

3. 中国矿业大学 力学与土木工程学院，江苏 徐州 221116

4. 浙江大学 超重力科学与技术研究院，浙江 杭州 310058

Ensemble learning-based prediction of salt cavern leaching and intelligent design of process parameters

CHEN Jiasong,, WANG Guijiu, BAI Xuefeng, DUAN Chong, SHI Xilin, ZHANG Guimin, LI Xiaofei, JIN Hui, LI Jinlong,

1. PipeChina Energy Storage Technology Co. Ltd, Shanghai 200011, China

2. Institute of Rock and Soil Mechanics, Chinese Academy of Sciences, Wuhan 430071, China

3. School of Mechanics and Civil Engineering, China University of Mining and Technology, Xuzhou 221116, China

4. Center for Hypergravity Experimental and Interdisciplinary Research, Zhejiang University, Hangzhou 310058, China

通讯作者: 李金龙，男，研究员，博士. orcid.org/0000-0002-1706-9093. E-mail：lijinlong@zju.edu.cn

收稿日期: 2026-04-21  

基金资助: 国家自然科学基金资助项目（42677186）；国家管网集团储能技术有限公司科技项目（CNJS-SZZN202401）.

Received: 2026-04-21  

Fund supported: 国家自然科学基金资助项目（42677186）；国家管网集团储能技术有限公司科技项目（CNJS-SZZN202401）.

作者简介 About authors

陈加松（1986—）男，高级工程师，硕士，从事盐穴储气库建设及研究.orcid.org/0009-0007-7830-3043.E-mail：chenjs01@pipechina.com.cn , E-mail：chenjs01@pipechina.com.cn

摘要

针对盐穴储气库水溶造腔设计效率低、依赖人工经验的问题，提出基于集成学习的代理模型与工艺参数优化方法. 依托自研盐穴单井水溶造腔模拟软件（SSCLS），构建包含 5 324 组样本的数据集，输入为地层数据、6个阶段工艺参数，输出为成腔体积与关键深度半径. 采用4类树模型作为基学习器、岭回归作为元学习器，构建代理模型，并提出 “参数生成-模型预测-偏差评估-软件复核” 的设计优化流程. 测试结果表明，模型体积预测平均绝对百分比误差为 2.85%，金坛 52 号井半径预测平均绝对误差为 2.17 m；单次预测耗时为ms级，较传统模拟效率提升 6 个数量级；所提出的参数优化方法可在 23 min内从 83 万组参数中筛选出最优方案，形态差异度仅为 4.1%. 该方法可用于盐穴储气库造腔方案初选和工艺参数快速比选.

关键词： 盐穴储气库 ; 水溶造腔 ; 神经网络 ; 集成学习 ; 优化设计

Abstract

An ensemble learning-based surrogate model and a process parameter optimization method were proposed to improve the efficiency of solution mining design for salt cavern gas storage and reduce dependence on manual experience. A dataset containing 5324 samples was constructed using the self-developed single-well salt cavern storage cavity leaching simulation (SSCLS) software. The input variables included stratigraphic data and six-stage process parameters, while the output variables consisted of cavern volume and radius at key depth. Four types of tree-based models were used as base learners, and ridge regression was adopted as the meta-learner to establish the surrogate model. A design optimization workflow consisting of parameter generation, model prediction, deviation evaluation, and software verification was further developed. The test results showed that the mean absolute percentage error of volume prediction was 2.85%, and the mean absolute error of radius prediction for Jintan Well 52 was 2.17 m. A single prediction was completed within milliseconds, improving the computational efficiency by six orders of magnitude compared with conventional simulation. The proposed optimization method screened 830000 candidate parameter sets within 23 min and obtained an optimized scheme with a morphology deviation of 4.1%. The method can be used for preliminary scheme selection and rapid comparison of process parameters in salt cavern gas storage construction.

Keywords： salt cavern gas storage ; solution mining ; neural network ; ensemble learning ; design optimization

PDF (2249KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

陈加松, 王桂九, 白雪峰, 段冲, 施锡林, 张桂民, 李小菲, 金辉, 李金龙. 基于集成学习的盐穴造腔预测及工艺参数智能设计. 浙江大学学报(工学版)[J], 2026, 60(12): 2725-2734 doi:10.3785/j.issn.1008-973X.2026.12.018

CHEN Jiasong, WANG Guijiu, BAI Xuefeng, DUAN Chong, SHI Xilin, ZHANG Guimin, LI Xiaofei, JIN Hui, LI Jinlong. Ensemble learning-based prediction of salt cavern leaching and intelligent design of process parameters. Journal of Zhejiang University(Engineering Science)[J], 2026, 60(12): 2725-2734 doi:10.3785/j.issn.1008-973X.2026.12.018

盐穴储气库是调节天然气供需、保障应急调峰的关键设施[1]，具有垫底气用量少、储气容量大、密封性能良好等优势，是我国重点建设的储气库类型[2-3]. 目前，我国金坛、楚州、淮安等多个地区在建[4]. 盐穴储气库由水溶形成[5-7]，管柱深度、体积流量、阻溶剂等工艺参数会影响流场、浓度场及边界溶解速率[8]，从而影响腔体的最终成腔形态和有效储气容量[5-9]. 金坛储库地质条件复杂、造腔工艺参数设计不合理，导致60%以上腔体出现腔形不规则、A型腔底问题[10-12]，最终成腔率和有效储气容量较低[13-14].

现有的工艺参数设计主要依赖WinUbro[15-16]、CavSimu[17-18]、SSCLS（single-well salt cavern storage cavity leaching simulation）[19-20]、UT-SCUGS[21]、HCLS（对接井）[22-23]等模拟软件. 此类软件无法针对特定设计目标直接给出最优工艺参数方案[24]，故业界主要采用“提出方案-软件模拟-分析结果-重新提出方案”的流程，这本质上属于试错法. 单次模拟一般需要30~60 min，完整的优化设计通常需要1~2周，且过程依赖人工经验. Jiang等[25-30]主要从管柱位置[25]、体积流量[26-27]、循环方式[28]、注水方式[29-30]等因素出发，分析这些因素对造腔体积和效率的影响. Wang等[31-32]结合现场设计经验提出具体建议：Wang等[31]总结指出，建槽时油垫与内管口的距离一般为30~40 m，建腔期油垫提升高度约为15 m，封顶期不大于10 m；完颜祺琪等[32]提出造腔排量初期宜小、后期逐步提升，垫层高度的提升量宜小于20 m. Pajonpai等[13-33]结合数值模拟提出优化设计目标：Pajonpai等[13]通过有限元模拟研究不同盐穴形状的稳定性，确定灯泡形状在给定地质条件下最优；Harati等[33]通过三维有限差分法，评估不同纵横比的球形、钟形、倒钟形、水滴形等洞穴形态的稳定性，结果表明对称或锥形配置能够减少应力集中和变形. 这些研究主要集中于单因素影响或目标形态评价，并未给出具体的工艺参数方案优化方法.

近年来，机器学习和神经网络迅速发展，已广泛应用于新能源储存[34-36]、油气产量预测[37-39]工程领域. 此外，代理模型在油藏历史拟合[40-41]、地下储氢预测[42]、地热参数优化[43-44]、地震反演[45]及地下水流动反演[46-47]方面也取得了进展. 这些研究为水溶造腔快速预测和参数优化提供了方法基础. 本研究提出基于机器学习建立盐穴储气库造腔预测代理模型，进一步提出工艺参数优化设计方法：1）提出工艺参数和地层数据生成方法，利用造腔模拟软件建立以地层数据和工艺参数为输入、最终造腔形态和体积为输出的数据集；2）基于工艺参数组合和地层数据预测最终成腔体积和形态，训练建立盐穴储气库造腔代理模型；3）提出盐穴储气库造腔工艺参数优化设计方法，可针对指定地层条件，面向目标形态和体积生成优化工艺参数方案.

1. 数据集建立

数据集以金坛储气库造腔经验和地层特征为基础，覆盖阶段划分、管柱位置、油垫高度、循环方式、注水体积流量等变量. 将工艺参数与地层参数组合输入SSCLS造腔模拟软件，获得对应的成腔体积和不同深度半径，剔除违反工艺约束或输出异常的样本后，形成用于模型训练与测试的数据集.

1.1. 工艺参数生成

参照金坛储气库造腔设计实践，生成6个阶段的造腔参数，共42个参数，如表1所示. 其中，t为单阶段造腔时间，Hi和Ho分别为内管高度和外管高度，Hp为油垫高度，ρB为注水质量浓度，qV为注水体积流量.

表 1   6阶段造腔参数示例

Tab.1  Example of leaching parameters for six stages

正反循环t/dHi/mHo/mHp/mρB/(g·L−1)qV/(m3·h−1)
1460614046
1146152035050
1200354550060
2155506070080
12266575950100
11008090115050

新窗口打开| 下载CSV


1） 阶段划分：金坛储气库造腔设计一般分为5~8个阶段. 为了保证模型输入维度一致，统一划分为6个阶段.

2） 油垫高度：油垫高度应高于上一阶段的油垫高度，且高出至少10 m；同时应高于下一阶段的外管高度，并高于本阶段内管高度至少10 m.

3） 外管高度：外管高度应比本阶段内管高度至少高 5 m，并低于本阶段油垫高度至少 5 m.

4）注水体积流量和质量浓度：注水质量浓度均设为0 g/L. 注水体积流量取为40~100 m3/h.

5）循环方式：第1个阶段采用正循环，后续阶段随机安排正循环或反循环. 其中1代表正循环，2代表反循环.

6）第1阶段的内管高度：设为0 m，作为相对基准. 其他阶段的管柱深度均以第1阶段内管深度为参考进行相对值转换.

1.2. 地层数据生成

所采用的地层数据主要参考金坛地区造腔地层条件，对应深度为 950~1 200 m 的盐层及夹层发育区，共55个参数，如表2所示. 其中，w(z)表示地层高度z处的可溶物质量分数.

表 2   地层数据示例

Tab.2  Example of geological parameters

组别w(z)/%
z = 2 mz = 4 mz = 6 m…z = 108 mz = 110 m
1959092…5554
2888584...4046
3151719…8082

新窗口打开| 下载CSV


1）地层组成：建立了总深度为110 m、垂向采样间隔为2 m的可溶物质量分数随机生成规则. 每个深度点独立采样，75%的概率出现盐层，25%的概率出现夹层.

2）夹层：夹层的可溶物质量分数设定为0%~60%.

3）盐层：盐层的可溶物质量分数设定为60%~95%.

1.3. 造腔结果数据（形态和体积）

将造腔参数和地层数据输入到SSCLS[18-20,22]中进行仿真计算，获取最终腔体形态，如图1所示. 该软件在金坛库区的造腔模拟结果与实际声呐探测数据高度吻合，腔体形态半径预测误差小于 2 m，约为最大盐穴半径的 5%[19].

图 1

新窗口打开| 下载原图ZIP| 生成PPT

图 1   使用SSCLS软件模拟获取的部分造腔形态示例

Fig.1   Examples of cavity morphologies obtained through simulation using SSCLS


1.4. 数据集

如表3所示，最终数据集输入变量包括 55 维地层数据和 42 维工艺参数，共 97 维；输出变量包括成腔体积和 22 个深度处的半径，共 23 维. 其中，V为成腔体积，Rs(z)为盐穴腔体高度 z 处的半径.

表 3   盐穴水溶造腔代理模型数据集示例

Tab.3  Example of dataset for salt-cavern solution-mining surrogate model

组别w(z)/%$ \cdots $循环
方式		t/dHi/mHo/mHp/m$ \cdots $V/m3Rs(z)/m
z=2 mz=4 m$ \cdots $z=0$ \cdots $z=110 m
19590$ \cdots $1118131931$ \cdots $220 2110$ \cdots $35.27
29090$ \cdots $1105111731$ \cdots $199 1360$ \cdots $14.52
38388$ \cdots $2101122029$ \cdots $207 0230$ \cdots $9.24
47576$ \cdots $1104152031$ \cdots $209 5610$ \cdots $25.94
57470$ \cdots $1101121830$ \cdots $201 5530$ \cdots $17.53
62630$ \cdots $2134121834$ \cdots $206 6020$ \cdots $26.21
73835$ \cdots $1114111629$ \cdots $211 4820$ \cdots $7.98

新窗口打开| 下载CSV


1）噪声处理：基于工艺参数约束（如油垫高度＞外管高度＞内管高度）、地层结构特征以及输出半径与体积范围等规则，剔除高度关系矛盾、地层分布紊乱、输出半径/体积超出正常范围的数据. 初始生成 5400 组样本，经筛选后有效样本剩余5324组.

2）归一化：采用Min-Max归一化对输入、输出数据分别处理. x' = (x−xmin) / (xmax −xmin)，其中，x为原始数据，xmin、xmax为该维度数据的最小值与最大值. 最终将所有数据归一化至 [0,1.0] 区间.

3）数据集划分：采用简单随机划分的方式，按照9∶1的比例将数据集划分为训练集和测试集，随机种子固定以保证结果可重复性. 随机划分数据集主要反映模型在相同数据分布范围内的泛化能力. 对于地质条件显著变化、工艺参数超出训练范围的新区块、新井型，模型的外推能力仍须结合现场数据扩充、独立井数据验证或分区留出验证进一步评估.

2. 盐穴储气库造腔预测神经网络模型

2.1. 模型简介

为了预测盐穴储气库腔体形态和体积，采用误差反向传播神经网络（backpropagation neural network，BPNN）[48]、长短时记忆神经网络（long short-term memory neural network，LSTM）[49]和门控循环单元神经网络（gated recurrent unit neural network，GRU）[50]以及集成学习模型[51-52]分别进行训练. 各模型采用相同的输入输出设置. BPNN 模型用于表征常规全连接神经网络在该多输出回归任务中的预测能力；LSTM 和 GRU 模型用于检验循环神经网络结构对阶段性造腔参数序列的学习能力；集成学习模型则通过极限梯度提升（extreme gradient boosting，XGBoost）、轻量级梯度提升机（light gradient boosting machine，LightGBM）、随机森林（random forest，RF）和梯度提升（gradient boosting）4类异构基学习器融合，提高对非线性工艺参数-地层参数-成腔结果映射关系的表达能力.

各模型均采用随机搜索[53]结合 4 折交叉验证确定超参数，每个模型进行200次随机参数组合抽样，并设置早停机制，当验证集误差在连续20轮内不再下降时终止当前训练[54]. 隐藏层单元数统一设置为1500. 对比结果显示，BPNN、LSTM、GRU和集成学习模型在测试集上的半径预测平均绝对误差（mean absolute error，MAE）分别为2.385、2.467、2.420、2.360 m. 选取最优的集成学习模型作为盐穴储气库造腔预测神经网络模型，构成SCCP-Stacking集成学习模型（salt cavern construction prediction based on stacking ensemble learning model）.

2.2. 模型构建

2.2.1. 集成学习框架及其原理

建立的Stacking集成学习模型基于偏差-方差分解理论，通过组合多个异构基学习器提升预测性能，旨在获得比单一模型更优的预测能力和更强的泛化能力.

首先将训练集D划分为k个互斥子集D1，D2，···，Dk，为了避免模型过拟合，采用 k折交叉验证（k-fold cross-validation）生成基学习器的预测结果. 对于第j个基学习器，其对样本xi的预测矢量表示为

$ \hat{\boldsymbol{y}}_{i,j}=h_{j,\ {\mathrm{fold}}\left( i \right)}\left( \boldsymbol{x}_i \right) . $

式中：fold(i)为样本xi所在子集的编号，hj,fold(i)为第j个基学习器在除Dfold(i)以外的k−1个子集上训练得到的模型。

1）第1层基学习层. 该层包含4个异构基学习器h1、h2、h3、h4，每个基学习器在训练集上学习从xi到yi的映射关系. 采用4折交叉验证避免过拟合问题，将交叉验证生成的基学习器预测结果建立元特征矩阵Z.

$ \boldsymbol{Z}=\left[\hat{\boldsymbol{Y}}_{(1)}, \hat{\boldsymbol{Y}}_{(2)}, \cdots, \hat{\boldsymbol{Y}}_{(K)}\right] . $

式中：$ {\hat{\boldsymbol{Y}}}_{(j)} $为第j个基学习器的交叉验证预测结果矩阵.

2）第2层元学习层. 基于元特征矩阵Z训练元学习器，以此找到基学习器输出的最优线性组合，并采用多输出回归封装器 MultiOutputRegressor 处理多维输出预测问题.

2.2.2. 异构回归器特性及优势互补机制

梯度提升通过逐步拟合残差实现模型优化，能够捕捉工艺参数、地质参数与腔体体积及形态演化之间的非线性耦合关系. 轻量级梯度提升机训练效率高，内存占用低，适合处理高维造腔数据集. 随机森林通过样本和特征随机采样构建多棵决策树，对噪声和异常值具有较强鲁棒性. 极限梯度提升引入二阶梯度信息和正则化机制，能够在提高预测精度的同时抑制过拟合.

4个基学习器的超参数均采用随机搜索结合 4 折交叉验证策略确定. 主要搜索范围如下：树数量为 200~1 000，最大深度为 4~15；XGBoost、LightGBM 和 Gradient Boosting 的学习率为 0.01~0.10，行采样率为 0.6~1.0；XGBoost 和 LightGBM 的 L1 正则化参数为 0~1.0，L2 正则化参数为 0.1~5.0；Random Forest 的特征采样方式包括 sqrt、log2 和全部特征，分割最小样本数为 2~8.

最终模型中，XGBoost和LightGBM均设置为 500 个估计器，Random Forest和Gradient Boosting 设置为 300 个估计器；学习率统一设为 0.05，树深度控制为 6~12 （见表4）.

表 4   集成学习模型参数表

Tab.4  Parameter table of ensemble learning model

基学习器树数量最大深度学习率行采样率列采样率特征采样L1正则化参数L2正则化参数分割所需
最小样本数		叶节点所需
最小样本数
XGBoost50060.050.80.8—0.21.0——
LightGBM50060.050.80.8—0.21.0——
Random Forest30012———sqrt——64
Gradient Boosting30060.050.8——————

新窗口打开| 下载CSV


2.2.3. Ridge元学习器融合策略

元学习层采用岭回归（ridge regression）学习基学习器输出的最优线性组合权重. 该方法适用于基学习器预测结果之间存在相关性的情形，其 L2 正则化项可压缩权重估计值，降低模型对噪声的敏感性. 与普通线性回归相比，岭回归在多重共线性条件下权重更稳定；与弹性网络和浅层多层感知机相比，其结构更简单，调参复杂度较低，适合用于低维元特征空间中的预测结果融合. 在训练过程中，每间隔5~10个估计器记录一次训练集与验证集的损失函数及评价指标变化（见图2），以分析模型收敛行为并识别潜在的过拟合现象. 图2中，epoch为迭代轮次.

图 2

新窗口打开| 下载原图ZIP| 生成PPT

图 2   SCCP-Stacking集成学习模型训练过程的损失变化图

Fig.2   Loss variation during training of SCCP-Stacking ensemble learning model


各模型损失在训练初期快速下降，并在约 200 次迭代后趋于稳定，说明训练过程基本收敛. Gradient Boosting模型在前50次迭代中损失下降最为迅速，最终在验证集上收敛至约0.008. LightGBM模型同样在初期快速收敛，最终在验证集上稳定在0.007. Random Forest模型收敛速度相对较慢. XGBoost模型在100次迭代后基本收敛至0.007附近. 所有模型在200次迭代后均趋于稳定，训练过程已基本收敛.

2.3. 模型评估

使用平均绝对百分比误差（mean absolute percentage error, MAPE）和平均绝对误差（mean absolute error, MAE）分别评估体积和半径的预测精度. 模型训练样本集中分布于工程常用的大体积范围内，未纳入体积小于175000 m3 的小体积样本. 测试集体积取值范围相对较窄，样本总体方差较小，决定系数R2 对系统性偏差较为敏感. 体积预测值与真实值对比如图3所示. 其中，Vp、Vr分别表示预测体积、真实体积. 可见，模型在大体积区域预测值略偏低，在小体积区域预测值略偏高；体积预测在多任务训练中的权重相对较小，导致整体测试集的体积预测 R2 约为 0.53. 体积预测主要用于造腔工艺参数初选和候选方案快速比选，MAPE 更能直接反映预测体积相对于真实体积的偏差水平. 模型体积预测的 MAPE 为 2.85%，能够为大量候选参数方案的快速筛选提供有效依据.

图 3

新窗口打开| 下载原图ZIP| 生成PPT

图 3   SCCP-Stacking集成学习模型测试集体积预测值与真实值对比图

Fig.3   Comparison of predicted and true volume on test set for SCCP-Stacking ensemble learning model


不同深度处半径的预测误差如图4所示. 0~25 m区域实际为沉渣底坑，无法进行声呐探测，真实值和预测值均为0，故未绘制. 30~50 m范围一般为腔体底部，受不溶物沉积和腔底形态影响较大，误差相对较高，其中50 m高度处，MAE为6.64 m. 考虑到实际声呐探测在腔底区域的测量误差通常为3~5 m[55-56]，且腔底形态对储气容量影响较小，该误差仍在工程设计可接受范围内. 除腔底局部区域外，其余深度处的半径预测误差整体较小，R保持较高水平，说明模型能够较好捕捉腔体轮廓随深度变化的整体趋势.

图 4

新窗口打开| 下载原图ZIP| 生成PPT

图 4   SCCP-Stacking集成学习模型测试集的形态预测MAE

Fig.4   MAE of shape prediction on test set for SCCP-Stacking ensemble learning model


为了直观展示模型的腔体形态预测能力，在测试集中随机抽取了10组样本，对比真实形态与预测形态，如图5所示. 结果表明，模型能够较好地反映整体形态，并识别悬伸层和平顶形态，半径预测误差小于3.09 m，满足工程设计需求.

图 5

新窗口打开| 下载原图ZIP| 生成PPT

图 5   SCCP-Stacking集成学习模型在测试集上的预测形态与真实形态对比图

Fig.5   Comparison of predicted and true shape on test set for SCCP-Stacking ensemble learning model


2.4. 现场应用验证

为了确保研究成果具备工程转化价值，选取金坛储气库52号盐穴的造腔过程进行反演预测. 金坛52号储库始建于2003年，2010年成腔，最终体积达到186 675 m3，垂向深度覆盖−1 089.5~−1 015.4 m层位. 将该工程前6阶段的造腔工艺参数（见表5）及地层数据（见表6）作为输入，其中Hb,i、Ht,i分别表示夹层底界面深度和顶界面深度，wi表示第i个夹层的可溶物质量分数. 在对管柱深度和地层深度进行相对化处理后，分别采用 SCCP-Stacking 模型和 SSCLS 软件进行预测，并与声呐实测点云数据对比，结果如图6所示. 对比结果显示，SSCLS软件预测半径的MAE约为1.3 m，而SCCP-Stacking集成学习模型预测半径的MAE约为2.17 m，误差虽有所增加，但仍在工程设计允许的范围之内. 在计算效率方面，SSCLS模拟耗时15 min，而SCCP-Stacking模型预测耗时仅为1.0×10−4 s，效率提升了约6个数量级.

表 5   金坛52号盐穴储库造腔工艺参数表

Tab.5  Leaching process parameters for Jintan No. 52 salt cavern storage

阶段序号循环方式Hi/mHo/mHp/mt/dqV/(m3·h−1)
11−1 129.2−1 111.9−1 095.23846.2
21−1 117.1−1 065.5−1 053.39248.6
31−1 113.4−1 065.0−1 051.142069.1
41−1 099.1−1 035.7−1 035.219966.3
51−1 085.2−1 025.5−1 025.424162.8
61−1 080.1−1 016.2−1 015.419065.2

新窗口打开| 下载CSV


表 6   金坛52号盐穴储库地层数据表

Tab.6  Geological parameters of Jintan No. 52 salt cavern storage

夹层编号Hb,i/mHt,i/mwi/%
1−1 030−1 03122
2−1 044−1 04555
3−1 058−1 06013
4−1 067−1 06846
5−1 077−1 07852
6−1 083−1 08611
7−1 090−1 09360
8−1 100−1 10158

新窗口打开| 下载CSV


图 6

新窗口打开| 下载原图ZIP| 生成PPT

图 6   金坛52储库造腔的预测结果（SCCP-Stacking集成学习模型及SSCLS软件）与声呐探测结果的对比图

Fig.6   Comparison of predicted and actual sonar results for Jintan No. 52 leaching (SCCP-Stacking ensemble learning model and SSCLS)


3. 盐穴储气库造腔工艺参数设计方法

3.1. 设计流程

基于 SCCP-Stacking 模型的快速预测能力，提出盐穴储气库造腔工艺参数优化流程（见图7），主要思路如下. 1）依据工艺参数生成原则，随机生成初始工艺参数方案. 2）将目标地层数据与初始工艺方案输入SCCP-Stacking模型，预测腔体形态和体积. 3）计算预测结果与目标体积、形态的偏差，使用平均绝对误差MAE作为评价指标. 4）初始方案提交SSCLS、CavSimu、WinUbro等模拟软件进行二次确认，并再次计算偏差. 5）若仍满足容差，则得到最终优化的造腔工艺参数方案. 若不满足，则继续生成候选参数并重复上述流程.

图 7

新窗口打开| 下载原图ZIP| 生成PPT

图 7   盐穴储气库造腔工艺参数优化设计流程图

Fig.7   Optimization flowchart for leaching parameters of salt cavern gas storage


3.2. 应用示例

以一个标准的椭球形腔体作为设计目标. 该腔体的底部位于25 m相对高度，顶部位于100 m相对高度，直径为72 m. 优化收敛判据为预测形态与目标椭球的半径平均绝对误差小于3 m. 该阈值仅用于 SCCP-Stacking 模型对大量候选工艺参数方案的快速筛选，该阈值的设置主要基于以下三方面考量. 1）已有的盐穴造腔模拟与声呐实测对比研究表明，金坛盐穴储库造腔模拟中半径误差小于2.5 m[22-23]. 2）前述测试表明SCCP-Stacking模型在测试集的平均 MAE 为2.36 m. 3）考虑到实际声呐测腔受声速和卤水质量浓度影响，存在3~5 m的误差[55-56]. 3 m 可以作为方案初选阶段的形态偏差控制值.

优化过程采用分批循环计算方式，每批生成1 000 组满足约束条件的候选参数，随后调用 SCCP-Stacking 模型预测腔体形态，并计算其与目标椭球形态之间的偏差. 若当前批次无满足收敛判据的方案，则继续生成下一批候选参数并重复计算. 最终完成约 830 000 组候选参数筛选，获得一组模型预测半径 MAE 为 2.3 m、SSCLS 软件复核 MAE 为 2.9 m 的工艺参数方案，具体参数见表7.

表 7   理想椭球体各阶段工艺参数表

Tab.7  Process parameters for each stage of ideal ellipsoid

阶段序号循环方式t/dHi/mHo/mHp/mqV/(m3·h−1)ρB/(g·L−1)
1145−1 175−1 162−1 159950
21117−1 160−1 150−1 147480
32197−1 153−1 149−1 1131000
41297−1 133−1 098−1 095870
52120−1 128−1 110−1 085880
62166−1 120−1 112−1 075920

新窗口打开| 下载CSV


将该优化参数方案的 SCCP-Stacking 集成学习模型预测形态与 SSCLS 软件模拟形态进行对比，如图8所示. 可以看出，相对于目标椭球体，优化方案模拟的腔体形态在整体轮廓上与目标形态高度吻合，证明了本优化设计方法的有效性.

图 8

新窗口打开| 下载原图ZIP| 生成PPT

图 8   针对理想椭球优化设计的工艺参数模拟结果图

Fig.8   Simulation results of process parameters designed for ideal ellipsoid


本次优化设计总耗时为 23 min. 其中，SCCP-Stacking 模型预测及偏差评价耗时约为 95 s. 随后调用 SSCLS 软件对筛选出的 5 组候选方案进行复核，耗时约为 21 min，最终获得 1 组满足要求的工艺参数方案.

4. 结　论

针对盐穴储气库造腔设计效率低、优化效果受限的问题，构建基于Stacking集成学习的造腔预测代理模型，并提出工艺参数优化设计方法，主要研究结论如下.

（1）建立了大规模盐穴造腔数据集，能够覆盖多阶段管柱位置、油垫高度、循环方式和注水体积流量等关键变量，为神经网络模型训练提供数据支撑.

（2）构建了SCCP-Stacking集成学习模型. 与BPNN、LSTM、GRU这3种模型相比，SCCP-Stacking模型在测试集上表现最好. 与传统造腔模拟软件相比，SCCP-Stacking模型在保持工程可接受精度的同时显著缩短了单次预测时间，适用于大量候选工艺参数方案的初步筛选.

（3）提出了盐穴造腔工艺参数优化设计方法. 该方法通过 “参数生成-SCCP-Stacking模型预测-偏差评估-传统软件复核-重新生成”的循环优化流程，实现了目标导向的造腔工艺参数优化.

本研究数据集主要基于金坛库区的溶解参数、不溶物特性和地层条件建立. 不同地区盐层含盐率、夹层分布及造腔工艺条件存在差异，模型在跨区域应用时仍须结合目标库区数据进行补充训练和验证. 后续可引入迁移学习和增量训练方法，提高模型对不同地质条件的适应性.

参考文献

丁国生, 魏欢

中国地下储气库建设20年回顾与展望

[J]. 油气储运, 2020, 39 (1): 25- 31

[本文引用: 1]

Ding Guosheng, Wei Huan

Review on 20 years’ UGS construction in China and the prospect

[J]. Oil and Gas Storage and Transportation, 2020, 39 (1): 25- 31

[本文引用: 1]

李建君

中国地下储气库发展现状及展望

[J]. 油气储运, 2022, 41 (7): 780- 786

DOI:10.6047/j.issn.1000-8241.2022.07.004      [本文引用: 1]

Li Jianjun

Development status and prospect of underground gas storage in China

[J]. Oil and Gas Storage and Transportation, 2022, 41 (7): 780- 786

DOI:10.6047/j.issn.1000-8241.2022.07.004      [本文引用: 1]

李建中

利用岩盐层建设盐穴地下储气库

[J]. 天然气工业, 2004, 24 (9): 119- 121

DOI:10.3321/j.issn:1000-0976.2004.09.035      [本文引用: 1]

Li Jianzhong

Using salt beds to build underground gas storages with salt caves

[J]. Natural Gas Industry, 2004, 24 (9): 119- 121

DOI:10.3321/j.issn:1000-0976.2004.09.035      [本文引用: 1]

姚威, 肖恩山

我国盐穴储气库建设技术发展现状及趋势

[J]. 中国井矿盐, 2024, 55 (4): 7- 10

DOI:10.3969/j.issn.1001-0335.2024.04.004      [本文引用: 1]

Yao Wei, Xiao Enshan

The present situation and trend of salt cavern gas storage construction technology in China

[J]. China Well and Rock Salt, 2024, 55 (4): 7- 10

DOI:10.3969/j.issn.1001-0335.2024.04.004      [本文引用: 1]

Bayram F, Bektasoglu I

Determination of actual dissolution rates from some rock properties in construction of deep salt cavern for natural gas storage

[J]. International Journal of Rock Mechanics and Mining Sciences, 2020, 126: 104183

DOI:10.1016/j.ijrmms.2019.104183      [本文引用: 2]

Steding S, Kempka T, Zirkler A, et al

Spatial and temporal evolution of leaching zones within potash seams reproduced by reactive transport simulations

[J]. Water, 2021, 13 (2): 168

DOI:10.3390/w13020168     

Najafimarghmaleki A, Dehghanpour H

Evaluating fluid/rock interactions for energy storage in salt caverns: part I: brine-rock salt interactions

[J]. Energy and Fuels, 2024, 38 (21): 20913- 20927

DOI:10.1021/acs.energyfuels.4c03271      [本文引用: 1]

Cristescu N D, Paraschiv I

The optimal shape of rectangular-like caverns

[J]. International Journal of Rock Mechanics and Mining Sciences and Geomechanics Abstracts, 1995, 32 (4): 285- 300

DOI:10.1016/0148-9062(96)87206-8      [本文引用: 1]

李银平, 葛鑫博, 王兵武, 等

盐穴地下储气库水溶造腔管柱的动力稳定性试验研究

[J]. 天然气工业, 2016, 36 (7): 81- 87

DOI:10.3787/j.issn.1000-0976.2016.07.012      [本文引用: 1]

Li Yinping, Ge Xinbo, Wang Bingwu, et al

Dynamic stability tests on tubing string for solution mining of a salt cavern UGS

[J]. Natural Gas Industry, 2016, 36 (7): 81- 87

DOI:10.3787/j.issn.1000-0976.2016.07.012      [本文引用: 1]

李建君, 王立东, 刘春, 等

金坛盐穴储气库腔体畸变影响因素

[J]. 油气储运, 2014, 33 (3): 269- 273

DOI:10.6047/j.issn.1000-8241.2014.03.010      [本文引用: 1]

Li Jianjun, Wang Lidong, Liu Chun, et al

Factors affecting cavities distortion of Jintan Salt Cavern Gas Storage

[J]. Oil and Gas Storage and Transportation, 2014, 33 (3): 269- 273

DOI:10.6047/j.issn.1000-8241.2014.03.010      [本文引用: 1]

李银平, 马洪岭, 施锡林, 等

我国盐穴地下储库建设的挑战与对策研究: 从“金坛模式”到“XX模式”

[J]. 岩土力学, 2024, 45 (10): 2859- 2869

DOI:10.16285/j.rsm.2024.0310     

Li Yinping, Ma Hongling, Shi Xilin, et al

Challenges and countermeasures in salt cavern underground storage in China: from “Jintan mode” to “XX mode”

[J]. Rock and Soil Mechanics, 2024, 45 (10): 2859- 2869

DOI:10.16285/j.rsm.2024.0310     

丁国生

金坛盐穴地下储气库建库关键技术综述

[J]. 天然气工业, 2007, 27 (3): 111- 113

DOI:10.3321/j.issn:1000-0976.2007.03.037      [本文引用: 1]

Ding Guosheng

General introduction on key technologies of the construction of Jintan underground salt cavern gas storage

[J]. Natural Gas Industry, 2007, 27 (3): 111- 113

DOI:10.3321/j.issn:1000-0976.2007.03.037      [本文引用: 1]

Pajonpai N, Bissen R, Pumjan S, et al

Shape design and safety evaluation of salt caverns for CO2 storage in northeast Thailand

[J]. International Journal of Greenhouse Gas Control, 2022, 120: 103773

DOI:10.1016/j.ijggc.2022.103773      [本文引用: 3]

Cyran K, Kowalski M

Shape modelling and volume optimisation of salt caverns for energy storage

[J]. Applied Sciences, 2021, 11 (1): 423

DOI:10.3390/app11010423      [本文引用: 1]

Kunstman A S, Urbanczyk K M. The new UBRO version: leaching simulation code for asymmetrical caverns: result of applying to a Mogilno gas cavern [C]// Solution Mining Research Institute Fall 1994 Meeting. Hannover: Solution Mining Research Institute, 1994: 451–486.

[本文引用: 1]

Kunstman A, Urbanczyk K, Saygun I T. Application of WinUbro software to modelling of cavern development in trona deposit [C]// Solution Mining Research Institute Spring 2009 Technical Conference. Krakow: Solution Mining Research Institute, 2009.

[本文引用: 1]

何俊, 井岗, 陈加松, 等

盐穴储气库天然气阻溶恒压运行技术

[J]. 油气储运, 2020, 39 (11): 1298- 1303

[本文引用: 1]

He Jun, Jing Gang, Chen Jiasong, et al

Constant-pressure operation technology for salt cavern gas storage through solution mining under gas

[J]. Oil and Gas Storage and Transportation, 2020, 39 (11): 1298- 1303

[本文引用: 1]

李建君, 陈加松, 刘继芹, 等

盐穴储气库天然气阻溶回溶造腔工艺

[J]. 油气储运, 2017, 36 (7): 816- 824

[本文引用: 2]

Li Jianjun, Chen Jiasong, Liu Jiqin, et al

Re-leaching solution mining technology under natural gas for salt-cavern gas storage

[J]. Oil and Gas Storage and Transportation, 2017, 36 (7): 816- 824

[本文引用: 2]

Li J, Shi X, Yang C, et al

Mathematical model of salt cavern leaching for gas storage in high-insoluble salt formations

[J]. Scientific Reports, 2018, 8: 372

DOI:10.1038/s41598-017-18546-w      [本文引用: 2]

Li J L, Tang Y, Shi X L, et al

Modeling the construction of energy storage salt caverns in bedded salt

[J]. Applied Energy, 2019, 255: 113866

DOI:10.1016/j.apenergy.2019.113866      [本文引用: 2]

Sedaee B, Mohammadi M, Esfahanizadeh L, et al

Comprehensive modeling and developing a software for salt cavern underground gas storage

[J]. Journal of Energy Storage, 2019, 25: 100876

DOI:10.1016/j.est.2019.100876      [本文引用: 1]

Li J L, Yang C H, Shi X L, et al

Construction modeling and shape prediction of horizontal salt caverns for gas/oil storage in bedded salt

[J]. Journal of Petroleum Science and Engineering, 2020, 190: 107058

DOI:10.1016/j.petrol.2020.107058      [本文引用: 3]

Li J L, Shi X L, Zhang S

Construction modeling and parameter optimization of multi-step horizontal energy storage salt caverns

[J]. Energy, 2020, 203: 117840

DOI:10.1016/j.energy.2020.117840      [本文引用: 2]

班凡生

盐穴储气库造腔技术现状与发展趋势

[J]. 油气储运, 2017, 36 (7): 754- 758

[本文引用: 1]

Ban Fansheng

Status and development trend of solution mining technologies used for salt-cavern gas storage

[J]. Oil and Gas Storage and Transportation, 2017, 36 (7): 754- 758

[本文引用: 1]

Jiang D, Li Z, Liu W, et al

Construction simulating and controlling of the two-well-vertical (TWV) salt caverns with gas blanket

[J]. Journal of Natural Gas Science and Engineering, 2021, 96: 104291

DOI:10.1016/j.jngse.2021.104291      [本文引用: 2]

班凡生. 盐穴储气库水溶建腔优化设计研究 [D]. 廊坊: 中国科学院研究生院, 2008.

[本文引用: 1]

Ban Fansheng. Study on optimization design of solution mining cavern for underground gas storage [D]. Langfang: Chinese Academy of Sciences, 2008.

[本文引用: 1]

Kang Y, Yuan G, Guan Y, et al

Optimization design of gas injection and brine discharge process parameters in salt cavern gas storage

[J]. International Journal of Thermofluids, 2025, 27: 101128

DOI:10.1016/j.ijft.2025.101128      [本文引用: 1]

王元刚, 高寒, 薛雨

盐穴储气库水溶造腔的影响因素

[J]. 油气储运, 2020, 39 (6): 662- 667

[本文引用: 1]

Wang Yuangang, Gao Han, Xue Yu

Influencing factors of solution mining for salt cavern gas storage

[J]. Oil and Gas Storage and Transportation, 2020, 39 (6): 662- 667

[本文引用: 1]

Li L, Gracie R, Dusseault M B, et al

Modeling and verification of non-linear mineral dissolution processes with buoyancy effects

[J]. International Journal of Rock Mechanics and Mining Sciences, 2023, 161: 105257

DOI:10.1016/j.ijrmms.2022.105257      [本文引用: 1]

Chromik M, Korzeniowski W

The impact of design modifications on the effectiveness of energy storage construction in a salt cavern according to enhanced technology based on laboratory tests

[J]. Energies, 2025, 18 (4): 805

DOI:10.3390/en18040805      [本文引用: 2]

Wang J, AN G, Shan B, et al

Parameter optimization of solution mining under nitrogen for the construction of a gas storage salt cavern

[J]. Journal of Natural Gas Science and Engineering, 2021, 91: 103954

DOI:10.1016/j.jngse.2021.103954      [本文引用: 2]

完颜祺琪, 丁国生, 赵岩, 等

盐穴型地下储气库建库评价关键技术及其应用

[J]. 天然气工业, 2018, 38 (5): 111- 117

DOI:10.3787/j.issn.1000-0976.2018.05.013      [本文引用: 2]

Wanyan Qiqi, Ding Guosheng, Zhao Yan, et al

Key technologies for salt-cavern underground gas storage construction and evaluation and their application

[J]. Natural Gas Industry, 2018, 38 (5): 111- 117

DOI:10.3787/j.issn.1000-0976.2018.05.013      [本文引用: 2]

Harati S, Gomari S R

Designing geometrically stable salt Caverns for underground hydrogen storage: a case study from northeast England

[J]. Energy and Fuels, 2025, 39 (35): 17067- 17082

DOI:10.1021/acs.energyfuels.5c02957      [本文引用: 2]

Thakkar P, Khatri S, Dobariya D, et al

Advances in materials and machine learning techniques for energy storage devices: a comprehensive review

[J]. Journal of Energy Storage, 2024, 81: 110452

DOI:10.1016/j.est.2024.110452      [本文引用: 1]

Wang Z, Chen J, Wang G, et al

Geometry prediction and design for energy storage salt caverns using artificial neural network

[J]. Energy, 2024, 308: 132820

DOI:10.1016/j.energy.2024.132820     

Derakhshani R, Lankof L, Ghaseminejad A, et al

Artificial intelligence-driven assessment of salt caverns for underground hydrogen storage in Poland

[J]. Scientific Reports, 2024, 14: 14246

DOI:10.1038/s41598-024-64020-9      [本文引用: 1]

郭子熙, 马骉, 张帅, 等

深度学习在油气产量预测中的研究进展与技术展望

[J]. 天然气工业, 2024, 44 (9): 88- 98

DOI:10.3787/j.issn.1000-0976.2024.09.008      [本文引用: 1]

Guo Zixi, Ma Biao, Zhang Shuai, et al

Research status and prospects of deep learning in oil and gas production prediction

[J]. Natural Gas Industry, 2024, 44 (9): 88- 98

DOI:10.3787/j.issn.1000-0976.2024.09.008      [本文引用: 1]

Araújo J G, Brito H G, Galvão M V, et al

Deep learning models applied flowrate estimation in offshore wells with electric submersible pump

[J]. Energies, 2025, 18 (19): 5311

DOI:10.3390/en18195311     

孙宝江, 周梓强, 孙骞

油气钻采工程中的人工智能方法研究进展

[J]. 石油学报, 2025, 46 (11): 2141- 2173

[本文引用: 1]

Sun Baojiang, Zhou Ziqiang, Sun Qian

Progress on artificial intelligence methods in oil and gas drilling and production

[J]. Acta Petrolei Sinica, 2025, 46 (11): 2141- 2173

[本文引用: 1]

张凯, 陈旭, 刘丕养, 等

基于深度学习贝叶斯模型平均代理的油藏自动历史拟合研究

[J]. 钻采工艺, 2025, 48 (1): 147- 156

DOI:10.3969/J.ISSN.1006-768X.2025.01.18      [本文引用: 1]

Zhang Kai, Chen Xu, Liu Piyang, et al

Study on automatic history matching of reservoirs based on deep learning Bayesian model averaging surrogates

[J]. Drilling and Production Technology, 2025, 48 (1): 147- 156

DOI:10.3969/J.ISSN.1006-768X.2025.01.18      [本文引用: 1]

王森, 向杰, 冯其红, 等

基于深度学习加速的油藏数值模拟自动历史拟合方法

[J]. 中国石油大学学报(自然科学版), 2024, 48 (5): 103- 114

DOI:10.3969/j.issn.1673-5005.2024.05.011      [本文引用: 1]

Wang Sen, Xiang Jie, Feng Qihong, et al

Deep-learning-based acceleration method for automatic history matching of reservoir numerical simulation

[J]. Journal of China University of Petroleum (Edition of Natural Science), 2024, 48 (5): 103- 114

DOI:10.3969/j.issn.1673-5005.2024.05.011      [本文引用: 1]

Fu S, Mao S, Carbonero A, et al

Deep learning-based surrogate modeling for underground hydrogen storage

[J]. Advances in Water Resources, 2025, 203: 105014

DOI:10.1016/j.advwatres.2025.105014      [本文引用: 1]

叶家巍, 吴克柳, 陈掌星, 等

基于傅里叶神经算子代理模型的地热开采生产制度优化

[J]. 大庆石油地质与开发, 2026, 45 (3): 158- 166

DOI:10.19597/J.ISSN.1000-3754.202408029      [本文引用: 1]

Ye Jiawei, Wu Keliu, Chen Zhangxing, et al

Optimization of production system for geothermal exploitation based on surrogate model with Fourier Neural Operator

[J]. Petroleum Geology and Oilfield Development in Daqing, 2026, 45 (3): 158- 166

DOI:10.19597/J.ISSN.1000-3754.202408029      [本文引用: 1]

马莅, 卢聪, 郭建春, 等

基于贝叶斯算法的致密储层压驱参数智能优化及其应用

[J]. 大庆石油地质与开发, 2026, 45 (3): 91- 99

DOI:10.19597/J.ISSN.1000-3754.202502006      [本文引用: 1]

Ma Li, Lu Cong, Guo Jianchun, et al

Intelligent optimization of fracturing-flooding parameters and its application in tight reservoirs based on Bayesian algorithm

[J]. Petroleum Geology and Oilfield Development in Daqing, 2026, 45 (3): 91- 99

DOI:10.19597/J.ISSN.1000-3754.202502006      [本文引用: 1]

黄闻露, 阎建国, 任立龙, 等

模型反演和深度学习反演联合的地震波阻抗优化反演

[J]. 物探与化探, 2024, 48 (4): 1076- 1085

DOI:10.11720/wtyht.2024.1288      [本文引用: 1]

Huang Wenlu, Yan Jianguo, Ren Lilong, et al

Seismic impedance optimization inversion combining model inversion with deep learning inversion

[J]. Geophysical and Geochemical Exploration, 2024, 48 (4): 1076- 1085

DOI:10.11720/wtyht.2024.1288      [本文引用: 1]

鄢宇鑫, 安永凯, 闫雪嫚

基于自适应LSTM代理模型和MCMC方法的地下水污染源反演识别研究

[J]. 中国农村水利水电, 2026, (5): 60- 67

DOI:10.12396/znsd.2500976      [本文引用: 1]

Yan Yuxin, An Yongkai, Yan Xueman

Groundwater pollution source inversion identification based on adaptive LSTM proxy model and MCMC method

[J]. China Rural Water and Hydropower, 2026, (5): 60- 67

DOI:10.12396/znsd.2500976      [本文引用: 1]

许林, 马海春, 王京平, 等

高地应力高温条件裂隙介质地下水非线性渗流研究进展

[J]. 地学前缘, 2026, 33 (1): 313- 327

DOI:10.13745/j.esf.sf.2025.10.29      [本文引用: 1]

Xu Lin, Ma Haichun, Wang Jingping, et al

Advances in groundwater nonlinear seepage in fractured media under conditions of high in-situ stress and temperature

[J]. Earth Science Frontiers, 2026, 33 (1): 313- 327

DOI:10.13745/j.esf.sf.2025.10.29      [本文引用: 1]

Rumelhart D E, Hinton G E, Williams R J

Learning representations by back-propagating errors

[J]. Nature, 1986, 323 (6088): 533- 536

DOI:10.1038/323533a0      [本文引用: 1]

Hochreiter S, Schmidhuber J

Long short-term memory

[J]. Neural Computation, 1997, 9 (8): 1735- 1780

DOI:10.1162/neco.1997.9.8.1735      [本文引用: 1]

Cho K, Van Merriënboer B, Gulcehre C, et al. Learning phrase representations using RNN encoder-decoder for statistical machine translation [C]// Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing. Doha: ACL, 2014: 1724–1734.

[本文引用: 1]

Sajid M, Tanveer M, Suganthan P N

Ensemble deep random vector functional link neural network based on fuzzy inference system

[J]. IEEE Transactions on Fuzzy Systems, 2025, 33 (1): 479- 490

DOI:10.1109/TFUZZ.2024.3411614      [本文引用: 1]

Mohammed A, Kora R

A comprehensive review on ensemble deep learning: opportunities and challenges

[J]. Journal of King Saud University Computer and Information Sciences, 2023, 35 (2): 757- 774

DOI:10.1016/j.jksuci.2023.01.014      [本文引用: 1]

Bergstra J, Bengio Y

Random search for hyper-parameter optimization

[J]. Journal of Machine Learning Research, 2012, 13: 281- 305

DOI:10.1109/icitacee50144.2020.9239164      [本文引用: 1]

Li L, Jamieson K, Desalvo G, et al

Hyperband: a novel bandit-based approach to hyperparameter optimization

[J]. Journal of Machine Learning Research, 2018, 18 (185): 1- 52

[本文引用: 1]

付星辉, 胡超, 何卉, 等

声纳探测在地下盐穴测腔中的实践应用与分析

[J]. 中国井矿盐, 2023, 54 (1): 11- 13,17

DOI:10.3969/j.issn.1001-0335.2023.01.004      [本文引用: 2]

Fu Xinghui, Hu Chao, He Hui, et al

Practical application and analysis of sonar detection in underground salt cavern

[J]. China Well and Rock Salt, 2023, 54 (1): 11- 13,17

DOI:10.3969/j.issn.1001-0335.2023.01.004      [本文引用: 2]

王海峰

测腔声呐仪器原理、进展与展望

[J]. 应用声学, 2024, 43 (3): 701- 708

DOI:10.11684/j.issn.1000-310X.2024.03.028      [本文引用: 2]

Wang Haifeng

Principle, progress and prospect of cavity measuring sonar instruments

[J]. Journal of Applied Acoustics, 2024, 43 (3): 701- 708

DOI:10.11684/j.issn.1000-310X.2024.03.028      [本文引用: 2]

/

〈 〉