基于机器学习的H2/盐水/矿物/垫层气系统静态接触角预测模型及其对地下储氢的指导意义

本文系统综述了利用机器学习（ML）技术预测H2/盐水/矿物/垫层气系统静态接触角的研究，通过CatBoost和GMDH等模型实现了高精度预测（R2达0.97），揭示了矿物类型（如方解石）和垫层气体（N2、CH4、CO2）对 wettability 的关键影响，为地下氢储（UHS）的效率和安全性评估提供了高效计算工具。

　　

Section snippets

Data gathering and analytics

用于预测接触角的数据库从13篇研究文献中收集而成。该数据集包含1397组实验测量的接触角数据，涵盖热力学条件、盐水与垫层气体组成以及岩石类型等多种输入特征。气体组成以H₂（%）、CH₄（%）、CO₂（%）、N₂（%）的比例表示。岩石类型被分类为……

Hyperparameter tuning

本研究通过多种机器学习模型预测H₂/盐水/矿物/垫层气系统中的接触角。为评估模型性能，采用了多种图形与统计分析。表4展示了每个所用模型的超参数范围及优化值。对于AdaBoost，对n_estimators和学习率进行了调优，其最优值分别为50和1。深度（depth）和学习率（learning_rate）是……

Conclusions

准确预测H₂接触角对评估储层润湿性及保障地下氢储（UHS）项目的效率与安全至关重要。本研究开发并验证了包括AdaBoost、CatBoost、XGBoost、GB、RF、SVR、DT和GMDH在内的一系列机器学习模型，以克服直接实验的成本和时间限制。这些发现既提供了实用工具，也带来了新的科学见解。在评估的模型中，CatBoost表现最佳（R²、RMSE和AARD%等指标最优）……