用于提高采收率剂的纳米-聚合物复合材料黏度稳健研究的综合性数据驱动方法

《Materials & Design》：A comprehensive data-driven approach for robust investigation of viscosity of nano-polymer composites utilized as enhanced oil recovery agents

　　

用于提高采收率（EOR）的纳米-聚合物复合材料黏度受复杂且高度非线性交互作用支配，这限制了传统预测关联式的适用性。为应对这一挑战，本研究基于包含1447个实验数据点的综合数据集，构建了稳健的数据驱动模型。该数据集涵盖25–90?°C的温度范围、0.1–15?wt%的聚合物浓度、0.1–1?wt%的纳米颗粒浓度，以及9.75–1021.38?s^?1的剪切速率。输入参数包括温度、聚合物与纳米颗粒浓度、剪切速率，以及聚合物类型〔瓜尔胶、阿拉伯胶、黄原胶〕和纳米颗粒类型〔氧化铝、铜、二氧化硅〕。除增强黏度外，引入纳米颗粒的动因还在于其可作为牺牲剂，降低聚合物在岩石表面的吸附，并调控多孔介质中的润湿性，从而影响EOR过程中聚合物溶液的有效流变行为。黏度取值范围为1.30–2160 cP。该数据集明确纳入了无纳米颗粒和有纳米颗粒两类聚合物体系，使模型能够捕捉纳米颗粒引入前后黏度的变化。

结果表明，纳米颗粒的加入通常通过颗粒-聚合物相互作用增强黏度，但这种增强幅度强烈依赖于剪切速率、聚合物浓度和纳米颗粒类型。研究人员采用了多种机器学习模型，包括决策树（Decision Tree, DT）、随机森林（Random Forest, RF）、自适应提升（Adaptive Boosting, AdaBoost）、K近邻（K-Nearest Neighbors, KNN）、卷积神经网络（Convolutional Neural Networks, CNN）以及集成学习（Ensemble Learning, EL）。SHAP分析识别出剪切速率为影响黏度的首要因素，而纳米颗粒类型影响最小。研究人员还采用基于相关性的敏感性分析，以验证已被充分确立的流变学趋势，包括聚合物与纳米颗粒浓度对黏度的正向影响，以及剪切速率和温度对黏度的反向影响。采用Leverage方法评估数据质量，识别出18个离群点，但所有数据点均被保留用于建模。模型采用5折交叉验证（5-fold cross-validation）进行训练与验证。AdaBoost（50个估计器）和随机森林（深度9）的表现优于其他模型，其R²分别为0.999254和0.998399，并具有较低的均方误差（MSE）和平均绝对相对误差百分比（AARE%）。CNN表现最弱。集成学习进一步提升了精度（R²?=?0.999191，MSE = 74.49）。交叉图与误差分布分析证实了最优模型的可靠性与稳健性。

这些发现表明，集成学习方法，尤其是AdaBoost和随机森林，在预测EOR体系中的黏度方面具有高精度与良好可扩展性。所开发模型可在与提高采收率应用相关的实验室尺度条件下，为黏度估算及纳米-聚合物复合材料优化提供高效的筛选与决策支持能力。

该文发表于《Materials》，围绕纳米-聚合物复合驱油体系黏度预测这一核心问题，构建了一个面向提高采收率（Enhanced Oil Recovery, EOR）的综合性数据驱动研究框架。研究背景在于，常规水驱在中-重质油藏中往往因注入水流度远高于原油而产生不利流度比、黏性指进、过早见水和高含水率等问题，导致开发效率下降。聚合物驱作为重要化学提高采收率技术，主要通过提高注入相黏度来改善波及效率与流度控制；然而，聚合物在多孔介质中的表现又受到温度、注入条件、聚合物浓度、分子特征以及岩石表面吸附滞留等多因素制约。纳米颗粒的引入不仅可能通过颗粒-聚合物相互作用强化体系流变性能，还可作为牺牲剂降低聚合物在岩石表面的吸附，并改变润湿性，从而提升驱替效果。正因如此，纳米-聚合物复合体系逐渐成为EOR研究重点。但与此同时，此类体系的黏度受聚合物类型、纳米颗粒类型、二者浓度、剪切速率和温度等变量耦合控制，呈现高度非线性，传统经验关联式难以兼顾通用性与预测精度，因此有必要发展更稳健的数据驱动方法。

研究人员据此收集并整理了1447个实验数据点，建立统一数据库，覆盖三类聚合物、三类纳米颗粒以及是否掺纳米颗粒两类体系，系统考察温度、聚合物浓度、纳米颗粒浓度、剪切速率、聚合物类型和纳米颗粒类型对黏度的影响，并在同一数据框架下比较多种机器学习模型的预测能力。研究最终表明，AdaBoost与随机森林在全部候选模型中表现最佳，集成学习进一步提升了整体稳健性；剪切速率是控制黏度变化的最关键因素，而纳米颗粒类型相对影响最弱。论文的重要意义在于：其一，建立了适用于复杂纳米-聚合物EOR体系的统一黏度预测框架；其二，在较宽操作区间内实现了高精度、可扩展的黏度快速评估；其三，为实验筛选、配方优化和工程决策提供了高效辅助工具。

在技术方法上，研究人员首先基于1447个实验点构建数据库，样本来源于既有系统实验数据，变量包括温度、聚合物浓度、纳米颗粒浓度、剪切速率及两类分类变量；其中分类变量采用独热编码（one-hot encoding）数值化处理。随后采用决策树（DT）、随机森林（RF）、AdaBoost、K近邻（KNN）、卷积神经网络（CNN）和集成学习（EL）进行建模，并通过5折交叉验证与网格搜索完成超参数优化。研究同时结合相关系数敏感性分析、Leverage异常值诊断、SHAP解释分析和偏依赖图（partial dependence plots, PDP）对模型进行验证和机理层面的解释。

以下结合论文结果部分各小标题，对主体内容进行浓缩解读。

5.1. Sensitivity study
在敏感性研究中，研究人员使用相关系数衡量各输入变量与黏度之间的线性关联方向和强度。结果显示，剪切速率对黏度的影响最大，聚合物类型影响最小；纳米颗粒浓度和纳米颗粒类型与黏度呈正相关，而聚合物浓度、温度、聚合物类型及剪切速率与输出呈负相关。论文特别强调，聚合物浓度出现负相关并不代表其本征流变作用为降黏，而是由于多变量数据集中聚合物浓度常与较高剪切速率、温度等因素同时变化，线性相关系数反映的是耦合条件下的统计平均效应，而非直接因果关系。从物理上看，聚合物浓度增加仍通过分子缠结增强黏度，因此该分析主要用于初步诊断和特征筛选，而不能替代严格流变解释。

5.2. Outlier detection
在离群值识别方面，研究人员采用Leverage方法及Williams图评估数据可靠性。文中利用Hat矩阵与警戒Leverage值判断高影响点，并识别出39个离群或高杠杆数据点。尽管这些点被标记出来，研究并未将其删除，而是全部保留进入建模流程。原因在于，这些高杠杆点大多对应低剪切速率、高聚合物浓度或强颗粒-聚合物相互作用等具有明确物理意义的极端实验条件，删除后反而会缩窄模型适用范围并削弱其对实际工况的代表性。交叉验证、训练-测试一致性及误差分布共同证明，保留这些点并未损害模型稳定性。

5.3. Evaluation of the developed models
在模型开发与评估中，研究人员将全部数据按90%和10%划分为训练集和独立测试集，并仅在训练阶段实施5折交叉验证以优化超参数，避免测试集信息泄漏。通过网格搜索确定各模型最佳参数：决策树最优深度为10，AdaBoost最优估计器数为50，随机森林最优深度为9，KNN最优近邻数为1；之后将优化后的DT、RF、AdaBoost和KNN进一步组合成简单平均型回归集成模型。评价指标包括相对误差百分比（RE%）、平均绝对相对误差百分比（AARE%）、均方误差（MSE）和决定系数（R²）。

结果表明，CNN在表格型流变数据上的表现最差，说明卷积结构与该类非空间数据之间存在架构不匹配。相比之下，AdaBoost与随机森林在训练、测试及总体数据上的综合表现均最优，其中AdaBoost总体R²达到0.999254，随机森林总体R²为0.998399；集成学习总体R²为0.999191，MSE为74.4903，表现同样优异。真实值-预测值交叉图显示，AdaBoost和随机森林的预测点最接近45°参考线，误差分布也更集中于零附近，证明其在多种流变工况下均具有良好的精度和稳健性。

在模型解释层面，SHAP特征重要性分析进一步确认剪切速率是主导变量，之后依次为聚合物浓度和聚合物类型，而温度、纳米颗粒浓度及纳米颗粒类型影响较小。SHAP贡献图揭示了更细致的非线性规律：剪切速率与黏度之间存在显著负相关，且在低剪切区影响最为突出，体现了典型剪切变稀行为；聚合物浓度总体表现为增黏作用，但其贡献受剪切条件调制，在高剪切下增强效应减弱；纳米颗粒浓度则表现出依赖工况的双重特征，低浓度时可通过颗粒-聚合物网络强化黏度，而较高浓度或较高剪切下可能因聚集或链结构扰动削弱这种效应。偏依赖图与SHAP结果相互印证，说明模型不仅具有统计预测能力，也能够重现实验数据中蕴含的流变学规律。

论文讨论部分的核心在于强调：与传统经验或半经验黏度关联式相比，本研究的数据驱动框架无需针对不同聚合物或配方反复重构相关式，即可在统一模型中整合多种聚合物、纳米颗粒及宽操作区间数据，因此在复杂纳米-聚合物EOR体系中更具灵活性、可扩展性和实际工程适用性。研究同时指出，尽管模型中未显式嵌入物理约束，但由于训练数据本身覆盖了宽广的剪切速率和温度范围，加之敏感性分析、SHAP和偏依赖图验证，模型仍能较好保持与已知流变学原则的一致性，尤其体现在剪切变稀与升温降黏规律的准确再现。文章还指出，所建模型适用于实验室尺度条件下的快速筛选与初步设计，但最终工程实施仍需实验验证。

结论部分可译述如下：本研究开发了多种先进数据驱动模型，用于估算作为提高采收率剂的纳米-聚合物复合材料黏度，所用数据由1447个有效实验点构成。研究采用SHAP方法评估输入变量对黏度的相对影响，并采用Leverage方法检验数据对模型开发的适宜性。结果表明，AdaBoost和随机森林在黏度预测方面优于其他模型，这一点可由R²、MSE和AARE等指标体现。在具有代表性的EOR条件下，例如25–30?°C、低于20?s^?1的低剪切速率、0.5–1?wt%的聚合物浓度及0.1–0.5?wt%的纳米颗粒浓度，黄原胶和瓜尔胶体系在纳米颗粒加入前后均表现出高于阿拉伯胶的预测黏度。随着温度和剪切速率升高，所有聚合物体系的预测黏度均一致下降，符合剪切变稀行为。研究结果表明，AdaBoost和随机森林的优势在于能够可靠捕捉不同聚合物体系在不同条件下的黏度变化，而非给出单一固定黏度值。综合分析显示，剪切速率始终是控制所研究纳米-聚合物体系黏度变化的最重要参数，而在给定数据集中，纳米颗粒类型的相对影响最低。敏感性分析进一步说明，黏度响应来源于温度、聚合物浓度、纳米颗粒浓度和剪切速率之间的耦合非线性作用，而非孤立线性效应。总体而言，当在综合性实验室数据集上训练时，数据驱动机器学习方法能够有效捕捉复杂黏度模式，因此所开发模型为可用实验条件范围内纳米-聚合物配方的比较分析和初步筛选提供了可靠框架。