CN119828209B - 一种水力压裂地震可能性预测方法 - Google Patents

Abstract

本发明提供了一种水力压裂地震可能性预测方法，涉及水力压裂技术领域，该方法包括构建结合重要性采样方法的物理约束深度算子网络模型；收集和处理在不同场景下的数据作为训练数据；对物理约束深度算子网络模型进行迭代训练，得到最优步的物理约束深度算子网络模型权重；对物理约束深度算子网络模型进行初始化，并根据目标水力压裂地震预测任务数据，得到目标场景下的水力压裂地震可能性预测结果。本发明将重要性采样融入到深度算子网络中，通过计算函数集中各函数的重要性、自适应改变采样分布，从而加速模型收敛和提高模型稳定性，解决了在无标签数据场景下训练难度大、收敛速度缓慢、求解精度低的问题，对水力压裂地震可能性进行更精准的预测。

Description

一种水力压裂地震可能性预测方法

技术领域

本发明属于水力压裂技术领域，尤其涉及一种水力压裂地震可能性预测方法。

背景技术

水力压裂技术已成为能源行业开采深部储气、储矿、储热的标准方法。水力压裂伴随着向深部地底注入压裂液形成裂缝区、建立流体通道开采油气能源、废水回注等过程。由于地下天然裂缝区域或断层等薄弱区的存在，上述工业活动可能引发地下开采受阻，甚至诱发地震。大多数与流体注入有关的诱发地震发生在基底岩中，比目标地层深1至4公里。这些流体注入引发的失稳问题，回严重阻碍能源开采活动的高效率进行，同时也对安全生产以及周边居民的生活造成了威胁。因此，理清流体注入过程中引发的稳定性问题至关重要。

在水力压裂活动中，流体注入诱发地震的可能性可以通过以下数学建模表示：

其中，表示相对于参考应力率为时稳态地震活动率的地震活动率，表示时间，表示库仑应力率，表示特征时间尺度与岩石圈的物理特性（如蠕变行为或流变特性）相关，也与触发地震的外部应力加载速率有关。求解该常微分方程，可以对地震活动率进行预测。然而，上式中的库仑应力率需要通过样条曲线拟合和求解器进行计算估计，没有显式表达式，因而使得方程没有解析解的表达，只能依靠数值求解方法进行近似计算。

传统的数值求解方法包括有限差分法（FDM）、有限元法（FEM）和有限体积法（FVM）。这些方法通过将方程离散化，使得可以在空间和时间上对流体的状态进行近似求解。例如，有限差分法通过在离散节点上近似微分操作，适合一些简单的几何结构，但在水力压裂的复杂裂缝中显得不够灵活。而有限元法虽然适合应对复杂的地质结构和边界条件，但计算成本高昂，不适合实时模拟。有限体积法则因其对守恒方程的良好描述而受到欢迎，但在处理高非线性条件时精度不足。传统的数值求解方法尽管已经相当成熟，但仍然面临计算时间长、资源消耗大的问题。

近年来，深度学习技术的进步为PDE求解提供了新的思路，其中深度算子网络（Deep Operator Network，DeepONet）是一种用于偏微分方程快速求解的创新性深度学习模型。深度算子网络的核心在于它能够学习偏微分方程的输入到输出的映射关系，即通过训练直接获得解的分布，而不需要逐点逐步地进行离散求解。通过输入初始条件、边界条件等，深度算子网络可以直接预测整个区域内的压力分布和流体流动模式，极大缩短了计算时间。对于水力压裂过程，深度算子网络的应用优势尤为明显：训练完成后，它可以实现实时预测裂缝网络中的流体压力和流动情况。这使得工程师能够根据模型结果实时调整注入参数，优化压裂过程，并减少计算资源的消耗。

随后提出的物理约束的深度算子网络（Physics-informed DeepONet）在深度算子网络的损失函数中额外加入了偏微分方程损失项，从而大大减少甚至完全避免了标签训练数据的依赖，进一步扩大了深度算子网络的应用场景。出于简洁性考虑，后文中的“深度算子网络”皆表示融入了物理约束的深度算子网络。

虽然深度算子网络在一定程度上避免了传统数值求解器计算时间长、离散化网格、难以求解反向问题等问题。然而，对于一些复杂偏微分方程问题、少标签数据问题以及无标签数据问题，深度算子网络存在训练难度大、收敛速度缓慢、求解精度低的问题。在水力压裂场景下，地震活动率预测问题也是其中之一。

发明内容

针对现有技术中的上述不足，本发明提供的一种水力压裂地震可能性预测方法，解决了深度算子网络在无标签数据场景下训练难度大、收敛速度缓慢、求解精度低的问题，进而对水力压裂地震可能性进行更精准的预测。

为了达到以上目的，本发明采用的技术方案为：一种水力压裂地震可能性预测方法，包括以下步骤：

S1、构建结合重要性采样方法的物理约束深度算子网络模型PDIS；

S2、收集和处理地震活动率数学模型在不同场景下的数据作为训练数据；

S3、利用训练数据以及偏微分方程约束，对物理约束深度算子网络模型PDIS进行迭代训练，得到最优步的物理约束深度算子网络模型PDIS权重；

S4、利用步骤S3得到的权重对物理约束深度算子网络模型PDIS进行初始化，并根据目标水力压裂地震预测任务数据，得到目标场景下的水力压裂地震可能性预测结果。

本发明的有益效果是：本发明通过构建物理约束深度算子网络模型PDIS，将重要性采样融入到深度算子网络中，通过计算函数集中各函数的重要性、自适应改变采样分布，从而加速了模型收敛，提高了模型稳定性，解决了深度算子网络在无标签数据场景下训练难度大、收敛速度缓慢、求解精度低的问题，进而对水力压裂地震可能性进行更精准的预测。

进一步地，所述物理约束深度算子网络模型PDIS的偏差重加权损失函数的表达式如下：

其中，表示物理约束深度算子网络模型PDIS的偏差重加权损失函数，表示当前批次的函数集，在一个训练迭代的起始时刻由函数的重要性采样方法得到，i表示第i个函数，表示第i个函数对应的采样权重，表示物理约束深度算子网络的损失函数，表示函数数据集N中第i个函数，表示主干网络输入的配点坐标集，表示物理约束深度算子网络模型权重参数，、和分别表示物理约束方法中的偏微分方程损失、初始条件损失以及边界条件损失，和均表示权重，表示第i个函数的原始采样概率，表示函数采样概率，表示函数数据集。

上述进一步方案的有益效果是：偏差重加权损失函数用于实现偏微分方程的物理约束，同时防止因采样分布发生变化导致的收敛偏差。在改变采样分布，加速训练收敛的同时，偏差重加权损失函数保证了收敛方向维持不变，是重要性采样方法正确实现的必要组成部分。

再进一步地，所述训练数据包括不同场景下的库仑应力率的数据、不同场景下的无关常量参数和初始边界条件，其中，库仑应力率数据包括库仑应力率的离散点集与样条曲线拟合表示。

上述进一步方案的有益效果是：在地震活动率预测场景中，获取足够库仑应力率数据包括库仑应力率的离散点集与样条曲线拟合表示，保证了物理约束深度算子网络模型PDIS训练结果的收敛稳定性与模型的泛化能力。

再进一步地，所述步骤S3包括以下步骤：

S301、初始化物理约束深度算子网络模型PDIS的偏置权重参数，生成时间维度上均匀分布的抽样点集；

S302、在一个迭代的开始，输入库仑应力率的离散点集和抽样点集，并根据物理约束深度算子网络模型PDIS的输出和库仑应力率的样条曲线，通过逐一计算每组库仑应力率数据在抽样点集上的偏微分方程误差总和，得到每组库仑应力率的函数采样概率；

S303、根据函数采样概率进行批次采样，将采样的库仑应力率数据和随机生成的时间坐标序列分别作为分支网络与主干网络的输入，得到物理约束深度算子网络模型PDIS的输出，其中，物理约束深度算子网络模型PDIS的输出为目标场景下的水力压裂地震可能性预测结果；

S304、基于物理约束深度算子网络模型PDIS的输出，计算偏差重加权损失，并进行梯度优化以调整物理约束深度算子网络模型PDIS参数；

S305、重复步骤S301到步骤S304，直至迭代结束并保留最优步的物理约束深度算子网络模型PDIS权重，其中，物理约束深度算子网络模型PDIS包括主干网络和分支网络。

上述进一步方案的有益效果是：在步骤S03中，物理约束深度算子网络模型PDIS通过计算不同场景下库仑应力率的离散点集的重要性、自适应改变采样分布，从而加速了模型收敛，提高了水力压裂地震活动率预测结果的稳定性，同时也提高了网络模型对水力压裂地震可能性预测的精准度。

再进一步地，步骤S302中函数采样概率的表达式如下：

其中，表示函数采样概率，S表示抽样点集的集合，表示输入函数为时位置的偏微分方程损失，表示输入函数为时位置的偏微分方程损失，和分别表示函数数据集N中第n个函数和第i个函数，表示目标时间区间内均匀时间坐标序列的第k个时间坐标，表示物理约束深度算子网络模型权重参数，表示输出的目标场景下的水力压裂地震可能性预测结果，表示特征时间尺度，表示库仑应力率。

上述进一步方案的有益效果是：通过计算每个输入函数（即不同场景下的库伦应力率离散化表示）在均匀网格上的偏微分方程损失之和，物理约束深度算子网络模型PDIS权重在不额外增加太多计算步骤的前提下，近似获得了每个函数的重要性分布，便于进行后续的函数采样。

再进一步地，所述步骤S4包括以下步骤：

S401、利用最优步的物理约束深度算子网络模型PDIS权重，初始化物理约束深度算子网络模型PDIS；

S402、获取目标场景下的库仑应力率的离散点集表示，并作为分支网络的输入；

S403、随机生成目标预测时间区间的时间坐标序列，作为主干网络的输入；

S404、根据步骤S402和步骤S403的输入结果，进行前向传播；

S405、根据前向传播结果，将主干网络和分支网络的输出作内积操作，得到目标场景下的水力压裂地震可能性预测结果。

上述进一步方案的有益效果是：通过加载训练完成的物理约束深度算子网络模型PDIS，本发明可以根据任何输入的函数（不同物理场景下的库伦应力率离散化表式）对给定的坐标输出地震活动率预测结果，从而实现对水利压裂地震的预测。

附图说明

图1为物理约束深度算子网络模型PDIS结构示意图。

图2为重要性采样过程示意图。

图3为本发明的方法流程图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

实施例

本发明基于结合重要性采样的物理约束深度算子网络（Physics-informed DeepOperator Network with Importance Sampling，PDIS）的水力压裂地震可能性预测方法，主要通过PDIS对水力压裂活动诱发地震的可能性进行预测，如图3所示，本发明提供了一种水力压裂地震可能性预测方法，其实现方法如下：

S1、构建结合重要性采样方法的物理约束深度算子网络模型PDIS；

本实施例中，如图1所示（图1中，表示第i个函数，x表示输入坐标；b ₁到b _p为分支网络的p个输出，t ₁到t _p为主干网络的p个输出，两者的作用是通过内积得到最终网络在输入函数、输入坐标x下的预测值；损失函数中M表示当前批次的函数集，i为1到M的函数下标，表示采样权重，X表示x的集合，表示物理约束深度算子网络模型权重参数，和均表示权重），物理约束深度算子网络模型PDIS包括：

主干网络，用于根据随机生成目标预测时间区间的时间坐标序列，得到地震活动率的时间位置；

分支网络，用于接收获取的目标场景下的库仑应力率的离散点集表示；

输出层，用于将主干网络和分支网络的输出作内积操作，得到目标场景下的水力压裂地震可能性预测结果。

本实施例中，物理约束深度算子网络模型PDIS是一种结合重要性采样方法的物理约束深度算子模型，其目的是在训练过程中拟合一类偏微分方程的解算子，从而达到快速求解该类偏微分方程的目的。在本发明的场景中，该物理约束深度算子网络模型PDIS目的是求解水力压裂场景下流体注入诱发地震活动率的偏微分方程，从而能够预测对于不同库仑应力率曲线下地震活动率随时间的变换情况。因此，亟待提出一种新水力压裂地震可能性预测方法，在避免传统数值求解方法的计算资源消耗大、局限性网格等问题的同时，进一步提高深度学习在训练过程中的收敛速度以及对偏微分方程的求解精度，从而更为高效、精确地对水力压裂过程进行预测，最大程度避免失稳问题，保障能源开采活动的安全、高效率进行。

本实施例中，物理约束深度算子网络模型PDIS包括：主干网络、分支网络和偏差重加权损失函数。其中，主干网络通常由全连接网络组成，其输入是一个配点的坐标位置（即目标时间区间的时间坐标序列），用于定义目标函数（即地震活动率）的位置；分支网络可以由全连接层、卷积层或其它网络结构组成，其输入是一个函数的离散采样点（即库仑应力率的离散点集），通常是一个向量，主干网络与分支网络的输出作内积，最终得到在当前输入函数与输入坐标下目标函数的预测值。偏差重加权损失函数用于实现偏微分方程的物理约束，同时防止因采样分布发生变化导致的收敛偏差。

本实施例中，在一个训练迭代过程中，首先计算函数集中各个函数的重要性采样概率，随后进行函数重要性采样得到当前迭代的函数批次，再随机采样坐标批次，最后使用两者的采样数据进行网络的训练，计算偏差重加权损失，优化网络模型参数。

函数采样概率：物理约束深度算子网络模型PDIS中，函数采样概率为其定义域中抽样点集的损失函数值总和与全部函数总和的比值：

其中，S表示抽样点集的集合，由整个定义域内的均匀采样生成，表示函数数据集，表示为输入函数为时位置的偏微分方程损失，即偏微分方程表达式的实际计算结果与目标值的均方误差。通过上述过程，本发明可以评估函数集中每个函数的误差大小，使得重要的函数更大概率被选中训练。在本发明的水力压裂地震预测场景中，S为目标时间区间内的均匀时间坐标序列，对应不同环境条件下的库伦应力率离散化表示的数据集，即在本发明的水力压裂地震预测场景中，输入的函数集合实际上就是对应不同环境条件下的库伦应力率离散化表示的数据集；抽样点集的集合实际上就是目标时间区间内的均匀时间坐标序列，表示输入函数为时位置的偏微分方程损失，具体表达式为地震活动率数学模型：

其中，表示函数采样概率，S表示抽样点集的集合，表示输入函数为时位置的偏微分方程损失，表示输入函数为时位置的偏微分方程损失，和分别表示函数数据集N中第n个函数和第i个函数，表示目标时间区间内均匀时间坐标序列的第k个时间坐标，表示物理约束深度算子网络模型权重参数，表示输出的目标场景下的水力压裂地震可能性预测结果，表示库仑应力率，n从1到，表示函数集合N中的第n个函数，也就是不同环境条件下的库伦应力率离散化表示的第n个表示，k从1到S，即是S集合中的第k个元素，也就是目标时间区间内的均匀时间坐标序列的第k个时间坐标，表示特征时间尺度，在本方法中视为常量，具体值通常来源于实验数据或观测拟合，其与岩石圈的物理特性（如蠕变行为或流变特性）相关，也与触发地震的外部应力加载速率有关。

本实施例中，如上述公式所示，本发明通过在训练开始前计算对各个函数在抽样点集上的偏微分方程误差，进而等比例计算得到每个函数被采样的概率。为在定义域中均匀采样得到的坐标集，其目的在于保证对函数误差准确估计的前提下，尽量降低性能开销的增长。当函数在抽样点集上误差总和越大，则被采样的概率也越大。这样的重要性采样方法使得训练过程中，网络会自适应地将采样分布向高误差数据点上进行倾斜，故最终能够使得网络的收敛速度增加，同时提高网络的收敛稳定性与预测精度。采样过程示意图可见图2。

本实施例中，物理约束深度算子网络模型PDIS的总损失函数为：

其中，表示当前批次的函数集，在一个训练迭代的起始时刻由函数的重要性采样方法得到，表示主网络输入的配点坐标集，包括定义域内坐标和定义域边界坐标等部分组成，为第i个函数对应的采样权重，与函数对应损失相乘以实现偏差重加权操作，为物理约束深度算子网络的损失函数，表达式如下：

公式中的三项分别对应物理约束方法中的偏微分方程损失、初始条件损失以及边界条件损失，后两项的系数用于调整三部分损失的比重。

对于函数的采样权重，其大小等于随机采样概率与重要性采样概率的比值：

其中，表示物理约束深度算子网络模型PDIS的偏差重加权损失函数，表示当前批次的函数集，在一个训练迭代的起始时刻由函数的重要性采样方法得到，i表示第i个函数，表示第i个函数对应的采样权重，表示物理约束深度算子网络的损失函数，表示函数数据集N中第i个函数，表示主干网络输入的配点坐标集，表示物理约束深度算子网络模型权重参数，、和分别表示物理约束方法中的偏微分方程损失、初始条件损失以及边界条件损失，和均表示权重，表示第i个函数的原始采样概率，表示函数采样概率，表示函数数据集。

S2、收集和处理地震活动率数学模型在不同场景下的数据作为训练数据；

本实施例中，训练数据包括不同场景下的库仑应力率的数据、不同场景下的无关常量参数和初始边界条件，其中，库仑应力率数据包括库仑应力率的离散点集与样条曲线拟合表示。库仑应力率曲线离散化后即作为分支网络的输入函数。

本实施例中，库仑应力率是最重要的训练数据，其表示在地震活动率预测中表示断层面上受力状态的变化率，它将剪应力和有效正应力的变化综合为一个量，反映了断层在地震诱发环境中的滑动倾向是最重要的训练数据，其表示在地震活动率预测中表示断层面上受力状态的变化率，它将剪应力和有效正应力的变化综合为一个量，反映了断层在地震诱发环境中的滑动倾向。

本实施例中，一组库仑应力率数据包括库仑应力率的离散点集与样条曲线拟合表示两个部分。其中，前者作为分支网络的输入，后者作为训练过程中偏微分方程损失的额外变量。收集足量库仑应力率数据，可以为后续物理约束深度算子网络模型PDIS对解算子拟合提供足够多的训练样本，从而提高模型的泛化能力，保证模型能够正确学习到从库仑应力率数据到地震活动率的映射关系。

S3、利用训练数据以及偏微分方程约束，对物理约束深度算子网络模型PDIS进行迭代训练，得到最优步的物理约束深度算子网络模型PDIS权重，其实现方法如下：

S301、初始化物理约束深度算子网络模型PDIS的偏置权重参数，生成时间维度上均匀分布的抽样点集；

S302、在一个迭代的开始，输入库仑应力率的离散点集和抽样点集，并根据物理约束深度算子网络模型PDIS的输出和库仑应力率的样条曲线，通过逐一计算每组库仑应力率数据在抽样点集上的偏微分方程误差总和，得到每组库仑应力率的函数采样概率；

S303、根据函数采样概率进行批次采样，将采样的库仑应力率数据和随机生成的时间坐标序列分别作为分支网络与主干网络的输入，得到物理约束深度算子网络模型PDIS的输出，其中，物理约束深度算子网络模型PDIS的输出为目标场景下的水力压裂地震可能性预测结果；

S304、基于物理约束深度算子网络模型PDIS的输出，计算偏差重加权损失，并进行梯度优化以调整物理约束深度算子网络模型PDIS参数；

S305、重复步骤S301到步骤S304，直至迭代结束并保留最优步的物理约束深度算子网络模型PDIS权重，其中，物理约束深度算子网络模型PDIS包括主干网络和分支网络。

本实施例中，在训练过程中，首先初始化物理约束深度算子网络模型PDIS的偏置权重参数，同时生成时间维度上均匀分布的抽样点集，以供后续评估函数重要性。随后，在一个迭代的开始，输入库仑应力率离散点集和抽样点集，根据物理约束深度算子网络模型PDIS的输出和库仑应力率的样条曲线插值逐一计算每组库仑应力率数据在抽样点集上的偏微分方程误差总和，从而等比转化为计算每组库仑应力率的采样概率。接着，根据采样概率进行批次采样，将采样的库仑应力率数据和随机生成的时间坐标序列分别作为分支网络与主网络的输入，得到网络输出。基于模型输出计算偏差重加权损失，并进行梯度优化以调整模型参数。重复上述步骤，直至迭代结束并保留最优步的物理约束深度算子网络模型PDIS权重。

S4、利用步骤S3得到的权重对物理约束深度算子网络模型PDIS进行初始化，并根据目标水力压裂地震预测任务数据，得到目标场景下的水力压裂地震可能性预测结果，其实现方法如下：

S401、利用最优步的物理约束深度算子网络模型PDIS权重，初始化物理约束深度算子网络模型PDIS；

S402、获取目标场景下的库仑应力率的离散点集表示，并作为分支网络的输入；

S403、随机生成目标预测时间区间的时间坐标序列，作为主干网络的输入；

S404、根据步骤S402和步骤S403的输入结果，进行前向传播；

S405、根据前向传播结果，将主干网络和分支网络的输出作内积操作，得到目标场景下的水力压裂地震可能性预测结果。

本实施例中，物理约束深度算子网络模型PDIS预测时，首先使用最优物理约束深度算子网络模型PDIS参数来初始化物理约束深度算子网络模型PDIS。接着，通过探测或模拟等方法获取目标场景下的库仑应力率的离散点集表示，以作为分支网络的输入；然后，生成目标预测时间区间的时间坐标序列，作为主干网络输入。最后，将数据输入初始化后的物理约束深度算子网络模型PDIS，前向传播后得到输出结果，即目标场景下的水力压裂流体诱发地震可能性预测结果。

综上，与传统数值求解器相比，本发明超参数较少，同时不需要进行固定步长的时间网格划分。对于没有显示表达式的库仑应力率曲线，本发明能够不需要额外的预处理操作，而是直接将离散化结果作为网络模型输入。与现有的深度算子网络相比，本发明可以根据库仑应力率曲线的重要性自适应选择训练批次，加速模型训练，提高收敛稳定性与精确度。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (4)

1.一种水力压裂地震可能性预测方法，其特征在于，包括以下步骤：

S1、构建结合重要性采样方法的物理约束深度算子网络模型PDIS；

物理约束深度算子网络模型PDIS的偏差重加权损失函数的表达式如下：

其中，表示物理约束深度算子网络模型PDIS的偏差重加权损失函数，表示当前批次的函数集，在一个训练迭代的起始时刻由函数的重要性采样方法得到，i表示第i个函数，表示第i个函数对应的采样权重，表示物理约束深度算子网络的损失函数，表示函数数据集N中第i个函数，表示主干网络输入的配点坐标集，表示物理约束深度算子网络模型权重参数，、和分别表示物理约束方法中的偏微分方程损失、初始条件损失以及边界条件损失，和均表示权重，表示第i个函数的原始采样概率，表示函数采样概率，表示函数数据集；

S2、收集和处理地震活动率数学模型在不同场景下的数据作为训练数据；

S3、利用训练数据以及偏微分方程约束，对物理约束深度算子网络模型PDIS进行迭代训练，得到最优步的物理约束深度算子网络模型PDIS权重，其具体为：

S301、初始化物理约束深度算子网络模型PDIS的偏置权重参数，生成时间维度上均匀分布的抽样点集；

S302、在一个迭代的开始，输入库仑应力率的离散点集和抽样点集，并根据物理约束深度算子网络模型PDIS的输出和库仑应力率的样条曲线，通过逐一计算每组库仑应力率数据在抽样点集上的偏微分方程误差总和，得到每组库仑应力率的函数采样概率；

S303、根据函数采样概率进行批次采样，将采样的库仑应力率数据和随机生成的时间坐标序列分别作为分支网络与主干网络的输入，得到物理约束深度算子网络模型PDIS的输出，其中，物理约束深度算子网络模型PDIS的输出为目标场景下的水力压裂地震可能性预测结果；

S304、基于物理约束深度算子网络模型PDIS的输出，计算偏差重加权损失，并进行梯度优化以调整物理约束深度算子网络模型PDIS参数；

S305、重复步骤S301到步骤S304，直至迭代结束并保留最优步的物理约束深度算子网络模型PDIS权重，其中，物理约束深度算子网络模型PDIS包括主干网络和分支网络；

S4、利用步骤S3得到的权重对物理约束深度算子网络模型PDIS进行初始化，并根据目标水力压裂地震预测任务数据，得到目标场景下的水力压裂地震可能性预测结果。

2.根据权利要求1所述的水力压裂地震可能性预测方法，其特征在于，所述训练数据包括不同场景下的库仑应力率的数据、不同场景下的无关常量参数和初始边界条件，其中，库仑应力率数据包括库仑应力率的离散点集与样条曲线拟合表示。

3.根据权利要求1所述的水力压裂地震可能性预测方法，其特征在于，所述步骤S302中函数采样概率的表达式如下：

其中，表示函数采样概率，S表示抽样点集的集合，表示输入函数为时位置的偏微分方程损失，表示输入函数为时位置的偏微分方程损失，和分别表示函数数据集N中第n个函数和第i个函数，表示目标时间区间内均匀时间坐标序列的第k个时间坐标，表示物理约束深度算子网络模型权重参数，表示输出的目标场景下的水力压裂地震可能性预测结果，表示特征时间尺度，表示库仑应力率。

4.根据权利要求1所述的水力压裂地震可能性预测方法，其特征在于，所述步骤S4包括以下步骤：

S401、利用最优步的物理约束深度算子网络模型PDIS权重，初始化物理约束深度算子网络模型PDIS；

S402、获取目标场景下的库仑应力率的离散点集表示，并作为分支网络的输入；

S403、随机生成目标预测时间区间的时间坐标序列，作为主干网络的输入；

S404、根据步骤S402和步骤S403的输入结果，进行前向传播；

S405、根据前向传播结果，将主干网络和分支网络的输出作内积操作，得到目标场景下的水力压裂地震可能性预测结果。