针对致密气储层水力压裂裂缝分布预测中多因素耦合、强非线性、传统数值模拟计算成本高且收敛困难等问题，提出了一种聚类增强多信息融合深度学习模型（CMFD/MUM）。该研究以鄂尔多斯盆地临兴致密气田石盒子组为对象，综合地震、测井、三维地质-岩石力学建模和微地震监测等多源数据，构建了19个地质-岩石力学三维模型；采用二分K-means（k=4）对储层进行无监督聚类，并将聚类特征与多源信息融合，输入U-Net深度学习网络，实现水力裂缝形态及几何参数的三维预测。
图1.基于聚类增强多信息融合U-Net的水力压裂预测流程
研究采用20通道输入（19个地质-岩石力学模型+1个聚类模型），在交叉熵损失函数下，6层MUM模型预测精度约94.9%，高于4通道输入的92.5%。微地震监测验证表明，模型预测的水力裂缝参数与实测结果吻合率大于92.7%，能够识别I型平面缝、II型交叉缝、III型Y型缝和IV型体积缝。预测裂缝长度约234.56-359.22 m、高度约27.52-45.85 m、体积约1.15×106-2.22×106m3，与微地震实际监测结果接近。该成果为致密气储层压裂优化设计、井位部署、段间距调整和支撑剂注入策略提供了新的智能预测手段。
图2.基于不同输入通道的三维油藏智能水力压裂预测结果分析。(a)4个输入通道数；(b)20个输入通道数
研究成果近期发表在地学领域国际重要期刊Fuel。论文第一作者为中国石油大学（华东）地球科学与技术学院唐明明副教授、第二作者为博士生Bushra Mohsin。研究得到了中国海洋石油总公司（CNOOC）能源开发有限公司联合研究项目的资助。
论文信息：TANG Mingming, Bushra Mohsin. A new approach to hydraulic fracturing prediction in tight gas reservoir based on clustering enhanced multi-information fusion deep learning model (CMFD)[J]. Fuel, 2026. Doi: https://doi.org/10.1016/j.fuel.2026.140619.
