基于系统特征工程与神经网络架构搜索的含天然气水合物沉积物水力压裂起裂压力预测研究

《Scientific Reports》：Improving deep neural network prediction of hydraulic fracturing initiation pressure in hydrate-bearing sediments through feature engineering and architecture search

　　

摘要

准确预测含天然气水合物沉积物中的水力压裂起裂压力（\(P_b\)），可为含天然气水合物（NGH）沉积物中的实验室规模水力压裂设计提供筛选级别的支持。本研究表明，针对一个包含114个样本的公开数据集进行\(P_b\)预测时，系统性的特征工程和神经网络架构搜索能够带来显著提升。该框架首先通过多项式变换、交互项和领域特定特征将特征空间从12个变量扩展至208个变量，随后进行去重处理。多方法特征选择确定了14个特征子集，扩展评估确定了经验证的12\(\times \)32模型为最佳性能的保存配置。可重复训练参考值为R\(^2\) \(\approx \) 0.87；经验证的12\(\times \)32保存模型在其原始留出分割集上达到R\(^2\) = 0.92，并作为该数据集的上界予以报告。60次重新训练中的最佳结果仅达到0.85，无一能复现0.92，证实0.92为保存产物的结果，而非可复现的目标值。与之前报告的最佳结果（R\(^2\) = 0.81）相比，经验证的12\(\times \)32模型将均方误差（MSE）从19.34降至8.22 MPa\(^2\)，将平均绝对误差（MAE）从3.16降至2.14 MPa。特征重要性和SHAP分析表明，模型赋予应力-成分交互项和应力衍生统计项最高重要性，这与已知的控制断裂起裂的地质力学因素一致。模型泛化能力有限（交叉验证平均R\(^2 \approx \) 0.50），推荐使用更简单的模型（随机森林、SVR）作为生产就绪基线；12\(\times \)32深度神经网络作为最佳经验证的保存产物予以保留。这些发现证实该数据集包含尚未开发的预测能力，且通过领域知识驱动的特征工程结合系统性架构搜索的方法学改进，为小样本地质力学问题中提升预测精度提供了一条有效路径。