集总参数模型已被证明是地热储层分析和生产规划的有用工具。水箱模型(Tank Model)是集总参数模型的常见形式,其结合了具有部分填充流体的给定容量的容器(Tanks)。在容器之间是具有给定传导性的连接,其允许流体在具有不同水位的容器之间流动。在引入了广义集总参数模型后,可选用的模型数量大大增加。因此,一一验证每个模型将变得不切实际。本论文中,通过拟合准确性和预测能力两方面分析比较不同复杂度的水箱模型。本文中提出了降复杂度算法(Complexity Reduction Algorithm),该算法通过在模型空间中选择合适的搜索路径,挑选出最有可能代表被研究地热热储的模型。通常情况下,复杂的模型可能给出较好的拟合结果。而降复杂度算法给出的最优模型为一个中等复杂度的模型,故本文进一步提出复叠方法(switch-back method)以进一步降低复杂模型的训练误差。另外,由于某些地热田拥有数量较多的生产井,这将导致大量参数需要被估计。这是因为,参数的数量随容器的数量以二次方式增长。因此,本文证实了K-均值聚类算法(K-means clustering algorithm)适合于在这种情况下找到初始容器组合结构,从而减少需要估计的参数数目。本文中的讨论基于冰岛Laugarnes地热田和Reykir地热区的实际观测数据而展开。计算结果表明,新开发的算法为集总参数模型的选择提供了指导。结合复叠方法后,降复杂度算法搜索到的最优模型在拟合准确性和预测能力上都有了较大提高。文中给出了不同复杂度下训练误差与验证误差的计算结果以及根据Akaike信息准则(AIC)和贝叶斯信息准则(BIC)作为模型选择依据的结果。