基于集成学习从常规储层数据预测沥青质初析压力与析出量的研究

《Scientific Reports》：Prediction of asphaltene onset pressure and precipitation amount using tree-based stacking–blending ensemble meta-learners: a flow assurance perspective

　　

摘要

流动保障对于可靠的石油生产至关重要，而沥青质析出是最昂贵的威胁之一，它会损害近井地带、降低产量，并迫使进行高成本修复。状态方程模型能够严格描述这一过程，但需要详细的流体表征和大量计算。本研究旨在从常规可获取的储层数据出发，将沥青质初析压力（AOP）和析出量作为两个独立的回归任务进行预测。我们从文献中整理了483条AOP数据和408条析出量数据，训练了XGBoost、随机森林、LightGBM和额外树模型，并通过堆叠和混合方法结合Huber元学习器进行集成。调参仅在训练数据上采用5折交叉验证，所有指标均来自独立的测试集。在每个任务中，集成模型表现最佳：AOP任务中为堆叠-Huber（R2=0.991，MAPE=1.65%），析出量任务中为混合-Huber（R2=0.988，MAE=0.0298），尽管与最佳基学习器之间的差距较小。C1和C5组分对AOP影响最大，压力和泡点压力对析出量影响最大，与热力学预期一致。这些研究结果支持在缺乏详细状态方程表征时进行快速的沥青质风险筛查，并可指导抑制剂设计。当与井筒沿程的压力和温度剖面结合时，这些模型可用于估算析出开始的深度以及沥青质析出量，适用于训练数据的组分范围内。主要挑战在于泛化能力：来自同一来源的记录可能同时出现在训练集和测试集中，因此评估指标反映的是所整理的数据集，而非未见过的原油。未来的工作应在独立数据集上采用按来源划分验证，涵盖注气条件，并通过物理信息驱动模型嵌入热力学约束。