基于知识的混合特征选择方法，用于预测二氧化碳-石油系统的最小互溶压力

《Geoenergy Science and Engineering》：Knowledge-Driven Hybrid Feature Selection for Predicting Minimum Miscibility Pressure of CO2–Oil Systems

　　刘恒志|刘哲志|张素汉|黄斌|赵杰|段晨曦|张长辉|郭正豪
中国重庆科学技术大学石油与天然气工程学院，重庆

摘要
最小混溶压力（MMP）定义为在给定温度下CO2-原油系统达到完全混溶的最低压力，是控制基于CO2的Enhanced Oil Recovery（EOR）和Carbon Capture, Utilization, and Storage（CCUS）操作可行性和设计的关键参数。然而，由于实验方法的高成本和时间要求、经验相关性对复杂多变量条件的适应性有限以及许多现有机器学习模型中特征选择不够严格，准确的MMP估计仍然具有挑战性。为了解决这些挑战，本研究提出了一种 hybrid 数据驱动和知识驱动的MMP预测框架，优先考虑准确性、鲁棒性和可解释性。从已发表的文献中收集了共计971个样本，经过系统的数据质量筛选后保留了677个有效样本。通过结合领域知识的层次投票机制整合了12种特征选择方法（包括过滤器、嵌入式和包装器方法），得到了11个具有物理意义的预测特征。在排除违反工程安全约束的样本后，保留了554条有效记录用于模型开发。在五折嵌套交叉验证框架下构建了六个机器学习模型，并使用Sparrow Search Algorithm（SSA）对提升模型进行超参数优化。SSA优化的CatBoost模型表现出最佳性能（R2 = 0.9270 ± 0.0327，RMSE = 2.1504 ± 0.4254 MPa），优于所有候选模型和五个代表性的经验相关性。基于SHAP的归因和敏感性分析表明，该模型依赖于具有物理意义的特征，并且学习到的特征-目标关系与已建立的热力学理解一致。适用性领域评估进一步显示，超过96%的样本落在可靠的预测范围内。所提出的框架为CO2-EOR和CCUS工程工作流程中的注入压力预测提供了一种快速、可靠且具有物理解释性的工具。

引言
在碳达峰和碳中和战略下，碳捕获、利用和储存（CCUS）技术的进步重新引起了对低碳石油回收方法的兴趣，特别是CO2 flooding。CO2混溶注入被认为是提高石油回收率最有效的技术之一[1]。当储层压力超过最小混溶压力（MMP）时，CO2和原油之间的界面张力降低到极低或接近零的水平，从而提高了流动性 và 扫描效率，促进了残余油向生产井的移动[1]。MMP被定义为在给定温度下CO2-油系统形成单一均匀相的最低压力；它是评估CO2 flooding实现混溶可行性的关键参数[3],[4]。然而，在实际现场操作中，纯CO2很少可用——注入的气体通常含有碳氢化合物、N2和H2S等杂质[5]。这些杂质以及原油成分和储层温度的变化导致MMP表现出强烈的非线性和系统依赖性行为。

实验室广泛使用了几种实验技术来确定MMP，包括细管测试、上升气泡法和界面张力（IFT）测量。然而，这些方法通常具有较长的测试时间、较高的成本、对实验装置条件和工作人员技能的显著敏感性以及较差的实验室间重复性[5],[6]。当试图覆盖广泛的温度-压力条件、原油类型和气体组成时，实验计划尤其难以扩大规模。此外，样品制备、稳态标准以及“首次混溶”或“接近混溶”的定义的不同可能导致进一步的不确定性[7],[8],[9]。

鉴于实验方法的时间和成本限制，已经开发了许多理论和经验方法来预测MMP。Yellig等人[10]认为，对于典型的原油系统，原油成分的变化对MMP的影响较小，主要在高温度下才变得明显。他们提出了一个基于储层温度和沸点压力（BPP）的相关性来估计MMP。Glaso等人[11]通过纳入降低温度（Tr）、注入气体中C2-C6组分的平均分子量和甲烷含量、K值校正的C7+分子量以及储层油中的C2-C6含量，扩展了这项工作；这产生了一个适用于碳氢化合物气体、CO2和N2 flooding的通用相关性。基于Alston[12]的相关性，Li等人[13]用C7+替换了C5+分子量，修改了温度项，并调整了重组分比率和挥发性/中间组分比率，从而提高了适用性和准确性。对于纯CO2和杂质CO2系统，Chen[14]前者使用多元线性回归，后者使用非线性回归来考虑气体成分效应，而Chen[15]用组合指数-多项式函数拟合纯CO2数据，并通过四阶多项式校正对杂质CO2进行建模。表1总结了文献中报道的代表性经验相关性。

机器学习的迅速发展为解决这类问题提供了新的途径。与传统经验相关性相比，机器学习方法可以纳入更广泛的影响变量，揭示多个因素之间的复杂非线性关系，并训练出具有强大泛化能力的模型。随着该领域研究的进展，MMP预测已经从早期对单一人工神经网络的探索、优化算法与单个模型的结合、集成学习框架的应用和启发式超参数优化，发展为近期向机制增强和知识驱动的可靠建模的转变[19]。表2总结了该领域的代表性贡献。Huang等人[20]开发了人工神经网络（ANN）模型来预测纯CO2和杂质CO2的MMP，在有限的数据集上取得了比传统经验相关性更高的准确性。Emera等人[21]提出了MMP的幂律公式，并使用遗传算法优化其参数，进一步减少了预测误差。Dehghani等人[22]引入了GA-ANN混合模型，其中遗传算法自动优化网络拓扑和参数，消除了对专家启发式的依赖，并将其适用性扩展到天然气 flooding。Zhong等人[23]通过多核框架（MKF）将径向基函数（RBF）的强大局部插值能力和多项式的鲁棒全局外推能力结合起来。结合粒子群优化（PSO）进行全局参数调整，这种方法克服了传统单核SVR中固有的插值-外推权衡，建立了一个适用于纯CO2和杂质CO2注入场景的预测模型。Karkevandi等人[24]使用五种进化算法优化了RBF神经网络；ICA-RBF变体优于所有现有的经验相关性和机器学习模型，对CO2纯度的变化不敏感，并表现出广泛的适用性。尽管这些早期的独立模型在特定数据集上展示了出色的拟合性能，但单个网络架构本质上对训练数据分布敏感。当应用于具有显著成分变化或极端储层条件的原油系统时，它们容易过拟合，从而削弱了它们的泛化能力。

为了克服单个模型的局限性，研究逐渐转向集成学习策略。Saeedi Dehaghani等人[25]首次引入了SGB用于MMP预测。他们的结果表明，SGB集成模型一致性地优于PSO和TLBO优化的神经网络，以及Alston和Sebastian提出的传统经验相关性。Ghiasi等人[26]进一步引入了AdaBoost-CART集成决策树框架来预测纯CO2和杂质CO2的MMP，其性能优于混合ANFIS模型和各种优化的神经网络和SVM方法。Rayhani等人[27]应用机器学习技术从最初的42个变量中选择了7个关键特征。他们的发现表明，先进行特征选择，然后与集成学习结合，可以显著提高预测准确性，同时降低计算和实验成本。尽管集成学习模型在捕捉MMP的高维非线性特征方面取得了巨大成功，但它们的预测性能在很大程度上依赖于超参数的最佳配置。传统的网格搜索或经验参数调整既耗时又容易陷入局部最优解。为了发挥集成模型的全部潜力，最近的研究广泛引入了群体智能和进化算法进行自适应超参数优化。He等人[28]使用PSO全局优化GBDT的超参数。他们的结果表明，PSO优化的GBDT模型的预测性能显著优于其他机器学习模型，如线性回归、岭回归、随机森林和MLP。Wang等人[29]应用基于AutoGluon的自动化机器学习（AutoML）构建了MMP预测模型。通过自动模型选择、超参数调整和特征工程，这种方法减少了人工干预，缩短了开发时间，并提高了预测准确性。Asghari等人[30]提出了基于非线性域转换引导的回归的灰箱机器学习模型。尽管这种方法在预测性能上优于传统白箱模型，并提供了一个简洁、直接适用的显式预测方程，但由于数据集样本量较小，其泛化能力仍有限。

现有研究通常直接将所有可用特征纳入模型训练，缺乏在建模之前对输入变量重要性的系统筛选和评估。相关研究表明，在建模之前进行特征选择不仅可以降低模型复杂性，还可以有效提高预测准确性和泛化能力。然而，即使在现有工作中进行了特征选择，它也经常依赖单一的特征选择方法或有限的领域知识来进行变量筛选。这种依赖性可能会使结果受到特定方法的偏见影响，从而引入不确定性。此外，模型评估通常依赖于单次交叉验证分割的结果作为最终标准，这种方法无法全面捕捉模型在不同数据分区上的稳定性和泛化性能。总体而言，现有研究在四个方面存在明显不足，即特征选择的系统性、模型评估的严谨性、物理一致性的验证以及适用性领域的界定，以及整合这些方面的综合方法论框架的缺失。

为了解决这些不足，本研究提出了一个完整的MMP预测工作流程，整合了数据驱动和知识约束的方法，其关键区别体现在以下四个方面。在特征选择方面，与依赖单一选择方法或直接采用经验相关性中的变量集的现有研究不同，本研究是MMP预测领域中第一个通过层次投票机制同时整合过滤器、嵌入式和包装器方法族的，该方法在每个族内以及在族之间汇总特征重要性排名，从而获得稳健的数据驱动共识，同时结合了气体注入混溶机制进行补充和多重共线性校正，从而得到具有统计意义和物理可解释性的特征集。在模型评估方面，与大多数依赖单一数据分割或简单交叉验证的研究不同，本研究将建模工作流程分为两个阶段：首先，对整个数据集应用模型无关的层次投票机制来识别一个稳健且物理可解释的特征子集；随后，使用五折嵌套交叉验证框架，在该框架中严格将基于SSA的超参数优化限制在内部训练子集中，从而消除了模型拟合级别的数据泄露；报告交叉折叠均值和方差以全面反映模型稳定性。在物理一致性方面，与仅关注准确性的现有研究不同，本研究构建了三层可解释性分析，从基于SHAP的归因方向开始，通过敏感性趋势响应，再到成对单调性评估，以检查模型学习的特征-目标关系是否与已建立的热力学理解一致。在适用性领域方面，本研究通过Williams图和Cook距离分析定量界定了模型的可靠预测范围，并进一步验证了模型在域外高H2S样本上的外推行为，为工程部署提供了可靠性标准。

本文的其余部分组织如下。第2节描述了数据集组成和候选变量，并建立一个混合特征选择框架，最终得到11个关键预测特征。第3节介绍了数据预处理程序、机器学习模型开发、超参数优化策略和嵌套交叉验证框架，所有这些都在第2节确定的特征集的基础上进行。第4节对构建的模型进行了全面评估，包括模型性能比较、与经验相关的基准测试、物理一致性验证和适用性领域评估。第5节总结了主要结论。
**特征选择**
本节介绍了所编译数据集的数据来源和变量构成，从而为后续的特征选择奠定了数据基础，并详细介绍了混合数据驱动和知识驱动的特征选择框架。本研究从文献[27][43][44][45][46][47]中收集了共计971个样本。这些数据来源涵盖了多种实验方法（细管测试、上升气泡法等）。

**模型构建**
在第2节确定的11个关键特征的基础上，本节依次介绍了数据预处理流程、机器学习模型的选择与构建、超参数优化策略以及用于模型评估的嵌套交叉验证框架。

**模型评估**
基于第3节建立的建模框架，本节对所有候选模型进行了系统的评估，包括预测性能比较、物理一致性分析和适用性领域评估，旨在全面验证所提出方法的准确性、可靠性和工程适用性。

**结论**
鉴于多孔介质（MMP）在二氧化碳提高采收率（CO2-EOR）设计与实施中的关键作用，本研究提出了一种混合知识驱动和数据驱动的特征选择及MMP预测框架。主要结论如下：
（1）数据集构建与特征选择：从公开文献中编译了一个包含677个样本和33个候选变量的集成数据库。通过结合12种特征选择方法（包括过滤法、嵌入式方法等）的层次投票机制进行了特征选择。

**作者贡献声明**
刘哲志：撰写 – 审稿与编辑、撰写 – 原稿、验证、监督、软件开发、方法论研究、资金获取、形式化分析、数据管理、概念化。
张苏涵：撰写 – 审稿与编辑、验证、资金获取、形式化分析、概念化。
黄斌：撰写 – 审稿与编辑、验证、软件开发、资金获取、形式化分析、数据管理、概念化。
赵杰：可视化处理、验证、资源协调。

**未引用参考文献**[2]

**利益冲突声明**
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：
●本研究是在没有任何可能被视为利益冲突的商业或财务关系的情况下进行的。
●作者与其他个人或组织之间不存在可能不恰当地影响（偏倚）本文报告工作的关系。
●所有作者均已阅读并批准了最终稿件，并对此表示同意。

**致谢**
我们衷心感谢重庆科技大学的研究生创新计划（项目编号：YKJCX2520116）所提供的支持。