人工神经网络(ANN)与一般机器学习建模在水分平衡南非中高阶煤CO2吸附中的应用

《Canadian Journal of Chemical Engineering》：Application of artificial neural network and general machine learning modelling on CO2 adsorption in moisture equilibrated South African high and medium rank coals

　　

本研究采用实验与机器学习相结合的方法，考察了水分对南非不同煤级煤中CO2吸附的影响。采集了三种具有不同镜质组随机反射率RoVmr（分别为3.49%、1.26%和0.64%）的南非煤样（SL、TN和EM），在0～4.4 wt.%的不同水分平衡条件下，使用高压容量法吸附系统(HPVAS)于35°C及最高90 bar条件下测试CO2吸附等温线。吸附等温线采用Langmuir、Freundlich和Temkin模型进行拟合，其中Langmuir模型拟合效果最佳，所有煤样在各水分条件下的决定系数(R2)均不低于0.97。结果表明，随着水分增加，TN煤样的CO2吸附量显著下降，在最高水分(4.45 wt.%)时降幅达77%，证实水分子与CO2竞争吸附位点并阻塞微孔通道。研究人员以煤质特性、水分含量和压力作为输入变量，训练了人工神经网络(ANN)、高斯过程回归(GPR)、支持向量机(SVM)及基于决策树(Decision Tree)的模型来拟合实验数据。其中二元决策树集成(BDTE)模型预测性能最优，R2＞0.99，均方误差(MSE)为0.0174，均方根误差(RMSE)为0.1319，平均绝对相对误差(MARE)为0.0728，证明该模型可准确预测不同水分条件下煤对CO2的吸附量。该实验—建模联合研究结果为深层煤层长期封存潜力的评估提供了支撑。

论文解读：《Application of artificial neural network and general machine learning modelling on CO₂adsorption in moisture equilibrated South African high and medium rank coals》——发表于《Canadian Journal of Chemical Engineering》

研究背景与意义

碳捕集与封存(CCS, Carbon Capture and Storage)特别是深部不可采煤层CO₂地质封存兼具强化煤层气(ECBM, Enhanced Coalbed Methane)回收与长期固碳双重效益。煤层在自然原位条件下普遍含水，水分会显著降低煤对CO₂的吸附容量，但现有传统吸附模型（如Langmuir模型）多为等温条件专用，难以跨温度、压力及煤阶综合预测变水分条件下的吸附行为，且既往机器学习研究较少将水分作为关键变量纳入CO₂吸附预测模型，针对南非煤层的此类研究更为匮乏。为此，研究人员开展实验与机器学习联合研究，量化水分对南非高、中阶煤CO₂吸附的影响并建立高精度预测模型，为深部煤层封存潜力评价提供依据。

主要关键技术方法

研究人员采集南非三个典型煤层煤样（SL高阶无烟煤、TN中阶烟煤、EM低阶次烟煤），进行工业分析与显微组分分析；经真空脱气后浸渍去离子水制备0～约4.4 wt.%水分平衡样品；使用高压容量法吸附系统(HPVAS)于35°C、最高约90 bar（超临界范围）测定CO₂吸附等温线，按Gibbs超额吸附概念计算吸附量。等温线分别用Langmuir、Freundlich和Temkin经验模型拟合评价。针对有限实验数据，采用随机线性插值法进行数据增广(Data Augmentation)，生成1170组合成观测值。以煤质参数（挥发分、灰分、镜质组含量）、水分含量及压力为输入，分别构建并训练单/双隐层人工神经网络(ANN, Artificial Neural Network)、高斯过程回归(GPR, Gaussian Process Regression)、支持向量机回归(SVM, Support Vector Machine for Regression)及二元决策树(BDT, Binary Decision Tree)与二元决策树集成(BDTE, Binary Decision Tree Ensemble，即Bagging/Random Forest类方法)，采用分组K折交叉验证(K=5，按煤样ID分组)防止数据泄漏，并用R²、MSE、RMSE和MARE评价模型性能；另用SHAP(SHapley Additive exPlanations)方法进行特征重要性分析。

研究结果

3.1 Physicochemical and petrographic composition（理化与显微组分组成）

通过工业分析与显微组分鉴定确认：SL为高阶煤（镜质组反射率R_oV_mr=3.49%，固定碳87.2% db，低灰6.1% db），TN为中阶煤（R_oV_mr=1.26%，固定碳61.8% db，灰19.5% db），EM为低阶煤（R_oV_mr=0.64%，高挥发分39.0% db，惰质组主导82.2% vol. mmf）。三者物化差异可反映不同煤阶对吸附及水分敏感性的影响。

3.2 CO₂adsorption results（CO₂吸附实验结果）

各煤样CO₂吸附等温线呈IUPAC I型，低压区快速上升，约45 bar后趋于平台，超临界压力（>60 bar）因CO₂密度增大吸附略有再升。水分升高使吸附容量系统性降低：SL在水分4.42 wt.%时较干煤下降约75%，TN在4.45 wt.%时下降约77%，EM在2.44 wt.%时下降约64%。表明水分子优先占据微孔内表面并与CO₂竞争吸附位点，且堵塞微孔扩散通道，吸附容量随水分增加近似线性递减至约4 wt.%趋于饱和。

3.3 CO₂adsorption modelling (Langmuir, Freundlich, and Temkin)（经典等温线模型拟合）

Langmuir模型对所有煤样、所有水分水平均给出最佳拟合（R²≥0.97），Langmuir最大吸附容量Q_max随水分升高显著下降（SL从16.82降至1.32 mmol/g，TN从6.77降至1.36 mmol/g，EM从4.17降至1.39 mmol/g）。Freundlich模型在较高压力及高水分下偏离明显，Temkin模型居中；Temkin常数B_T随水分升高显著降低（SL 1.34→0.28，TN 1.40→0.28，EM 0.88→0.30，p=0.000514），表明水分削弱了CO₂–煤基质间相互作用能。

3.4 ANN and machine learning modelling（人工神经网络与机器学习建模）

3.4.1 Spearman's correlation analysis of input variables（输入变量Spearman相关性分析）

压力与CO₂吸附量呈强正相关（ρ=+0.65），水分呈中等负相关（ρ=-0.62），挥发分、灰分、镜质组含量与吸附量相关性接近零，说明在本实验条件下压力与水分是主控因素。

3.4.2 ANN and machine learning model performance（模型性能评估）

数据增广后各模型误差均降低。四种ANN架构中，10神经元单隐层(10SL)表现最优（R²=0.9817，MSE=0.0692，RMSE=0.2631）。非神经网络模型中BDTE预测精度最高（R²=0.9942，MSE=0.0174，RMSE=0.1319，MARE=0.0728），GPR次之（R²=0.9927），SVM表现最弱（R²=0.8934）。BDTE与10SL-ANN预测值与实验值高度吻合。

3.4.3 Feature importance and SHAP analysis（特征重要性与SHAP分析）*

SHAP分析显示，对SVM、GPR和BDT模型，压力和水分是主要驱动因子（高压正值SHAP↑，高水分负值SHAP↓），煤质组分主要影响基线；ANN因利用固定煤质差异区分煤种，挥发分与镜质组亦显现较大SHAP贡献，但水分负效应仍普遍存在，与实验观察一致。

讨论与结论总结

研究人员得出结论：水分平衡显著抑制南非煤中CO₂吸附，增幅1～4 wt.%水分可致吸附量锐减，须在煤层封存评估中予以考虑。Langmuir等温线可较好描述含湿煤CO₂吸附行为。机器学习模型中BDTE以R²>0.99及最低误差指标实现最优预测，10SL-ANN亦具良好泛化能力。该研究证实将水分作为显式输入变量的数据驱动模型可有效预测变水分条件下不同煤阶煤的CO₂吸附量，为南非及其他地区深部煤层CO₂地质封存潜力定量评价提供了实验依据与建模工具。未来建议扩展煤阶范围、温压区间及引入孔径分布与矿相学参数以提升普适性。