利用机器学习与SHAP方法评估煤炭的甲烷吸附能力

《Physics and Chemistry of the Earth, Parts A/B/C》：Evaluation Methane Adsorption Capacity in Coal by Machine Learning and SHAP

　　

• •
  机器学习技术被用于预测甲烷在煤炭中的吸附情况。
• •
  基于SHAP方法分析了影响甲烷在煤炭中吸附的主要因素。
• •
  根据影响甲烷在煤炭中吸附的主要因素，对煤炭类型进行了分类。

引言

随着对石油和天然气需求的不断增长以及传统资源日益枯竭，非常规油气资源的重要性愈发突出。煤层气作为一种新型且高效的非常规天然气资源，受到了广泛关注（Liu等，2023；Wang和Wang，2021）。根据国际能源机构的数据，全球煤层气资源储量约为260万亿立方米，人们一直在研究如何利用这些资源以实现经济发展（Liu和Harpalani，2014；Wei等，2024）。煤层气的主要成分是甲烷，它主要以吸附状态存在于煤炭基质表面（Charoensuppanimit等，2015；Li等，2023b）。因此，深入理解甲烷的吸附行为对于高效开发煤层气并提升其经济价值具有重要意义。（Moore，2012；Tavakolian等，2024；Zhu等，2024）。

准确预测煤炭储层的甲烷吸附能力是评估煤层气资源潜力的关键。等温吸附实验能够直接反映煤炭储层的甲烷吸附特性和吸附能力，为煤层气资源评估提供直接依据（Li等，2022）。传统的等温模型，如朗缪尔模型、弗罗因德利希模型和杜比宁-拉杜什凯维奇模型，已被广泛应用于各种问题中。然而，由于这些模型假设物质均匀且处于等温状态，存在明显的缺陷和局限性（Meng等，2020）。例如，Zhang等（2015）提出，使用朗缪尔+k模型可以更准确地预测煤炭中的甲烷吸附情况。Tang等（2016）提出了双位点朗缪尔函数，与朗缪尔模型、D-R模型和Toth模型相比，该函数能更准确地解释和推断吸附等温线（Tang等，2017）。随着煤层气勘探开发的不断深入，对技术方法的准确性和精度的要求也越来越高。但相应的实验流程也会变得更加繁琐、耗时，并且需要大量的模拟计算。

明确影响甲烷在煤炭中吸附的主要因素对于煤层气开发具有重要意义（Alanazi等，2023）。研究表明，煤炭的瓦斯吸附能力会受到多种因素的影响，尤其是煤炭成熟度、温度条件和压力（Li等，2022）。通常认为，温度和挥发分含量与煤炭中甲烷的吸附呈负相关关系（Shan等，2018；Weniger等，2010）。而固定碳含量、最大镜质体反射率以及镜质体含量则被认为与煤炭的甲烷吸附能力呈正相关关系（Chalmers和Marc Bustin，2007；Chattaraj等，2019；Zhang等，2022）。由于实验数据有限，分析结果不够全面，有时还会出现不一致的情况。例如，虽然普遍认为镜质体含量与煤炭吸附甲烷的能力呈正相关，但也有人认为两者之间没有显著关系，或者呈U形关系（Faiz等，2007；Feng等，2014）。这些局限性限制了研究结论在不同盆地的应用和推广。

如今，人工智能技术正在重塑众多行业，机器学习算法被广泛应用于预测煤炭中甲烷的吸附情况、处理和解读测井数据、日常运输等相关领域（Feng等，2026；Li等，2024；Zhang等，2025）。Tavakolian等（2024）利用机器学习技术模拟了致密储层中甲烷和二氧化碳的吸附能力，发现随机森林模型效果最佳，总有机碳含量是影响甲烷吸附的主要因素。Li等（2024）开发了一种基于随机森林的高精度预测模型，用于预测煤炭中甲烷的吸附量，这种方法更为可靠，能够克服传统实验存在的误差和重复性问题。不过，这些研究中的建模数据较为有限，而且所使用的煤炭类型和实验条件也受到限制，这就使得研究结果存在一定的不确定性。

因此，本研究利用高维度、大样本的甲烷吸附实验数据，结合多种机器学习模型，以减少不同算法之间的预测偏差（Kawo等，2024）。通过进一步整合先进的可解释性技术，构建出了一个数据充足、精度高且具有较强泛化能力的甲烷吸附模型。该模型系统地揭示了甲烷的吸附行为及其潜在机制，还对煤炭储层中的甲烷吸附进行了分类和评估，从而为高效开发煤层气提供了理论和技术支持。

本研究的目的是：

• ●
  收集数据，并运用机器学习模型预测在不同实验条件下不同类型煤炭的甲烷吸附能力。
• ●
  通过SHAP技术验证机器学习模型的准确性，并定量分析影响煤层气吸附的主要因素。
• ●
  基于主要控制因素和吸附能力，提出一种煤炭类型分类方法，展现基于机器学习的煤层气应用新途径。

章节概要

研究方法

本研究从大量文献中收集了煤炭吸附甲烷的等温曲线实验数据，构建了六种不同的机器学习模型。模型构建过程如下（图1）：（1）数据清洗，将数据随机划分为训练集、验证集和测试集；（2）构建六种机器学习算法（决策树、随机森林、梯度提升树、支持向量机、K近邻算法和人工神经网络），并利用验证集调整超参数以优化模型；（3）使用评估指标比较各机器学习模型的预测结果

研究结果

所有机器学习方法都使用了877个实验数据点，这些数据点按照0.7:0.15:0.15的比例被划分为训练集、验证集和测试集。图5展示了针对每个数据集，这六种模型根据性能评估指标R2、RMSE和AAPE所得出的结果。图6则展示了所有机器学习模型在三个数据集上的预测值与实际甲烷吸附量的对比图。预测数据点越接近45°对角线，说明模型性能越好

敏感性分析

我们基于性能最佳的梯度提升树模型以及SHAP技术，分析了影响甲烷在煤炭中吸附的主要因素。为确保对每个输入特征重要性的评估具有稳健性，并减少单样本偏差，我们采用了基于交叉验证的SHAP分析框架。具体采用四折交叉验证方法，即将数据集分为四个相等的部分。在每个迭代周期中，使用三个部分来构建模型，剩余部分则用于验证

研究结论

本研究利用大样本、高维度的甲烷吸附实验数据，结合先进的可解释性机器学习算法，准确预测了煤炭储层中的甲烷吸附量，确定了主要控制因素，并进行了分类评估，从而为评估煤层气吸附能力提供了理论和技术支持。主要研究结果如下。

• ●
  机器学习模型能够准确预测甲烷的吸附情况

CRediT作者贡献说明

周山东：文章撰写——初稿撰写、研究工作、资金获取、正式分析。 陈瑞斌：研究方法设计、正式分析、数据整理。 刘新宇：模型验证、研究工作。 张伟新：研究指导、研究工作。 严德田：研究指导、研究工作

未引用参考文献

Raghavendra和Deka，2014；Zhao等，2022。

利益冲突声明

作者声明，他们不存在任何可能影响本文研究工作的已知利益冲突或个人关系。

数据可用性

数据将在有需求时提供。

利益冲突声明

? 作者声明，他们不存在任何可能影响本文研究工作的已知利益冲突或个人关系。

致谢

本项目还得到了中国石油集团创新基金（2024DQ02-0110）的支持，同时也获得了中央高校基础研究基金以及中国地质大学（武汉）的资助（编号：2023006）。

周山东|陈瑞斌|刘新宇|张伟新|严德田