在多孔介质流动模拟过程中,往往伴随着参数的变化,比如渗透率场、源汇项位置以及生产速率的变化等,给数值模拟带来困难。结合人工神经网络建立了裂缝介质多尺度深度学习流动模型。基于一套粗网格和一套细网格,通过在粗网格上训练数据,多尺度神经网络能够以较少的自由度训练出准确的神经网络。并在粗网格上通过求解局部流动问题获得多尺度基函数,结合神经网络进一步得到精细网格的解。基于离散裂缝的流动方程可视为多层网络,网络层数依赖于求解时间步数。具体来说,时间层n+1上的解依赖于第n层的解和输入变量,比如源汇项,渗透率等,每一层都是一种前馈映射。阐述了裂缝介质多尺度机器学习数值计算格式的建立,介绍了如何使用多尺度算法构建离散裂缝模型的多尺度基函数,并采用超样本技术进一步提高计算准确性。数值结果表明,多尺度有限元算法与机器学习结合是一种有效的流体流动模拟算法。