通过先进的深度学习和机器学习技术，提高对二氧化碳暴露引起的煤炭强度变化的预测能力

《Fuel》：Enhancing predictions of coal strength variations induced by CO 2 exposure through advanced deep learning and machine learning techniques

本研究利用159组实验数据，构建了DNN、CNN、LGBM和随机森林四类AI模型，预测CO2注入对煤样抗压强度（UCS）的影响。结果表明，DNN模型预测精度最优（整体MAPRE 3.01%），揭示煤阶与UCS正相关，CO2作用时间与UCS负相关，温度影响较小，压力弱相关。

　　在全球气候变化日益严峻的背景下，碳捕集与封存（CCS）技术成为减少温室气体排放的重要手段之一。其中，将二氧化碳（CO?）注入煤层被认为是一种具有潜力的封存方式，不仅有助于降低大气中的CO?浓度，还能通过CO?对甲烷（CH?）的吸附作用提升煤层气（CBM）的回收效率。然而，这一过程并非没有挑战。CO?在煤层中的存在会对煤的结构和强度产生复杂的影响，从而对封存的安全性和长期稳定性构成潜在威胁。因此，理解CO?注入对煤强度变化的影响，对于优化CCS操作、提高碳封存效率以及保障矿区安全至关重要。

本研究通过收集和分析159组来自权威文献的实验数据，探讨了CO?注入过程中煤强度的变化规律。这些数据涵盖了不同煤层条件下的实验结果，包括煤的种类、CO?的饱和压力、暴露时间以及温度等因素。研究采用四种先进的机器学习和深度学习模型——深度神经网络（DNN）、卷积神经网络（CNN）、轻梯度提升机（LGBM）和随机森林（RF）——对煤的无侧限抗压强度（UCS）进行建模和预测。与以往研究相比，本研究的数据集规模更大，且引入了更复杂的AI算法，以更准确地捕捉煤在CO?作用下的机械性能变化。

实验结果显示，DNN模型在预测煤的UCS方面表现最为优异，其训练集、测试集和整体数据的平均绝对百分比相对误差（MAPRE）分别为2.98%、3.09%和3.01%。这表明DNN模型能够较为精确地反映煤在CO?暴露下的强度变化趋势。进一步的统计和图形分析证实，深度学习模型（如DNN和CNN）在捕捉煤强度变化方面优于其他机器学习模型。具体而言，DNN模型能够准确预测煤的UCS随CO?饱和压力上升、暴露时间延长以及温度降低而下降的趋势。

为了深入理解各个输入变量对煤强度变化的影响，研究还进行了敏感性分析。通过计算皮尔逊（Pearson）、斯皮尔曼（Spearman）和肯德尔（Kendall）相关系数，发现煤的等级（rank）和CO?暴露时间对煤的UCS影响最为显著。煤的等级与UCS之间呈现出强烈的正相关关系，这表明煤的内在材料特性在维持其强度方面起着关键作用。相比之下，CO?暴露时间与UCS之间则存在显著的负相关，特别是在非线性关系中，长时间暴露于CO?会导致煤的机械完整性下降。此外，CO?饱和压力对煤强度的影响较弱，仅导致轻微的强度下降，而CO?暴露温度对UCS的影响则相对较小。

为了进一步量化各个输入变量对模型预测结果的贡献程度，研究还采用了SHAP（SHapley Additive exPlanations）分析。结果显示，煤的等级对预测结果的变异性具有最大的影响，其次是CO?暴露时间。这表明，在构建模型时，煤的等级是一个不可忽视的关键参数，而暴露时间虽然影响较小，但其作用仍然重要，特别是在长期封存过程中。这些发现为CO?封存项目的设计和评估提供了重要的参考依据。

在数据可靠性方面，研究还利用了杠杆法（Leverage method）对数据集进行了检验，识别出两个疑似异常点和四个离群值。这一分析结果进一步验证了实验数据的稳定性和一致性，增强了模型预测结果的可信度。同时，研究也指出，当前的模型虽然在实验室条件下表现良好，但在实际应用中仍需谨慎对待。由于煤层本身的复杂性和自然裂缝的存在，模型在预测煤层强度变化时可能会受到额外因素的影响，从而影响其在实际封存过程中的准确性。因此，未来的研究需要进一步考虑煤层的自然结构和地质条件，以提高模型的适用性和可靠性。

为了提高模型的预测能力，研究建议未来可以引入更大规模、更具代表性的数据集，并结合更多实际现场数据进行验证。此外，可以探索将其他物理和化学参数纳入模型中，例如煤的孔隙结构、矿物成分以及水分含量等，以更全面地反映CO?注入对煤性能的影响。同时，研究还指出，随着人工智能技术的不断发展，可以尝试使用更先进的算法，如深度强化学习、迁移学习等，来提升模型的泛化能力和预测精度。

综上所述，本研究通过构建和评估多个AI模型，揭示了CO?注入过程中煤强度变化的主要影响因素，并为未来CO?封存技术的优化提供了科学依据。研究结果表明，DNN模型在预测煤的UCS方面具有较高的准确性，能够有效捕捉煤在CO?作用下的机械性能变化。然而，由于煤层的复杂性和实际封存条件的多样性，模型的应用仍需进一步研究和验证。未来的工作应致力于整合更多现场数据，提升模型的适用性，并探索更高效的AI算法，以实现对CO?封存过程中煤性能变化的精准预测。