基于机器学习的微生物生烃能力关键因素分析及其在煤层气生物工程中的应用

《Sustainable Energy Technologies and Assessments》：Analysis of key factors for microbial hydrocarbon generation capability based on machine learning

本文创新性地将随机森林（RF）与SHAP解释性分析相结合，通过72项特征参数系统评估了煤层微生物产甲烷能力。研究构建的RF模型经网格搜索优化后准确率达80%，首次揭示Methanothrix、Methanosarcina等微生物属及煤质参数（Vad）对产气量的关键影响，为非常规天然气开发提供了理论创新和技术支撑。

　　

章节精要

实验设计

新鲜煤样采集自内蒙古乌兰吐胡格、锡林郭勒、吉林嘎朗图、乌海市，河南焦作、义马、鹤壁，以及山西大同、古交、吕梁、晋城等12个地区（图1）。采样后对煤样进行密封保存并开展厌氧发酵实验。将煤样研磨至80-100目粉末，90°C高温烘箱干燥40分钟。利用显微镜测定镜质体反射率，工业分析和孔隙结构参数分别通过对应仪器测定。通过16S rRNA测序分析微生物群落结构，最终共获得72项特征参数。

模型性能评估指标

图5展示了混淆矩阵，通过对比预测结果与实际结果评估模型准确性。该矩阵用于评估模型在不同训练集和测试集上的表现。初始RF模型在测试集上的准确率、精确率、召回率和F1得分分别为67%、81%、52%和63%。而采用网格搜索优化后的RF模型四项指标分别提升至80%、87%、79%和73%，显著提升了甲烷产量预测性能。

结论与展望

本研究通过RF模型和SHAP值分析，揭示了煤质参数、孔隙结构和微生物群落组成对微生物产甲烷量的影响机制。全局分析中，SHAP摘要图和决策图表明Methanothrix、Methanosarcina、挥发分（Vad）和Sedimentibacter是影响甲烷产量预估的关键特征参数。该研究首次将机器学习与多参数分析相结合，为煤层气生物工程提供了新的评估范式。