可解释机器学习技术在宽温域及组分范围内CO2最小混相压力确定中的评价

《International Journal of Coal Science & Technology》：Evaluation of explainable machine learning techniques for CO2 minimum miscibility pressure determination in a vast range of temperatures and compositions

　　

精确估计最小混相压力（MMP）对于基于CO₂的驱油（EOR）应用以及CO₂捕集、封存与利用（CCUS）具有优势。然而，实验方法（包括细管测试）成本高昂且耗时。此外，常规经验关联式通常适用性范围有限。因此，在本研究中，研究人员使用了四种基于数据的机器学习技术，即分类提升（CatBoost）、极端梯度提升（XGBoost）、数据处理分组法（GMDH）和遗传编程（GP），用于MMP估计。为训练模型，研究人员向模型输入了一个包含超过910行数据及多个特征的数据集，包括轻组分分子量、CO₂流杂质、中间和重烃组分，以及不同元素的摩尔分数。所有模型均能在各种条件下准确预测MMP，其R²为0.89–0.99。在所有方法中，XGBoost精度最高，GP精度最低。为阐明模型性能，研究人员对提出的模型进行了敏感性分析和特征重要性分析，并确定了每个模型中最具影响力的特征。在研究最后阶段，研究人员将模型的有效性和适用性与文献中四个成熟的MMP关联式进行了比较。本研究中开发的模型性能显著更优（最高达35%）。本研究使用的大规模数据集使得模型比大多数先前的实验和经验方法具有更广泛的适用性范围。

**论文解读文章**

**研究背景与问题**
在石油开采中，一次和二次采油后仍有大量原油（OOIP）残留于储层，因此提高采收率技术（EOR）至关重要。CO₂驱油（CO₂-EOR）因其能显著降低原油粘度并提高波及效率而被视为高效方法，同时与CO₂封存（CCUS）结合可减少碳排放。最小混相压力（MMP）是CO₂驱油设计和实施的关键参数，它决定了CO₂与原油能否形成混相前缘，直接影响驱油效率和经济效益。然而，MMP的测定方法（如细管实验、上升气泡装置等）成本高、耗时长，且传统经验关联式（如Lee、Yellig-Metcalfe、Orr-Jensen等）适用性有限，往往仅针对特定油藏条件，在宽温域和复杂组分下精度不足。此外，已有研究多基于小数据集（如150-270个数据点），且未考虑CO₂流中杂质的影响，模型可重复性差。因此，亟需开发一种准确、可解释且可复现的数据驱动方法，以在更广泛的温度和组分范围内预测MMP。

**研究内容与方法**
研究人员收集了来自多个可靠来源的910个实验MMP数据点，涵盖纯CO₂和含杂质（如H₂S、N₂等）的CO₂流，以及多种烃组分（C₅₊、C₇₊、中间组分、挥发组分等）。输入变量包括温度（TR）、临界温度（TC）、摩尔分数（C₅₊、C₇₊、中间组分、挥发组分、挥发/中间比、C₂–C₄、C₅–C₆等）共21个特征。研究人员将数据分为5个不同输入组合的数据集，并采用四种机器学习技术：分类提升（CatBoost）、极端梯度提升（XGBoost）、数据处理分组法（GMDH）和遗传编程（GP）。其中，XGBoost和CatBoost基于树模型，不提供显式数学公式，但精度高；GMDH和GP则能生成显式多项式关联式，便于复现。模型训练采用随机分割法避免过拟合，并通过统计指标（R²、RMSE、MAE等）评估性能。此外，研究人员进行了敏感性分析，以识别各输入特征对MMP的影响程度，并将模型预测结果与四个经典经验关联式（Lee、Yellig-Metcalfe、Orr-Jensen、Alston等）及修正因子（Sebastian调整）进行对比。

**研究结果**
1. **模型性能统计**：所有模型在数据集中均表现出良好预测能力，R²范围为0.89–0.99。XGBoost和CatBoost在所有数据集中精度最高（测试集R²可达0.99），其中XGBoost整体最优；GP精度最低，但GMDH和GP在部分数据集（如数据集1、3、5）中仍可接受（R² 0.85–0.91）。数据集2（仅含MW_C7+、TC、TR）的模型精度最差（R² 0.23–0.77），表明输入参数不足时算法难以捕捉规律。
2. **图形评估**：交叉图显示所有模型预测值均集中在10°线附近，其中XGBoost偏差最小，误差分布图（残差直方图）进一步证实其相对误差范围最窄（-0.15至0.15），而GP误差范围较大（-0.4至0.3）。
3. **趋势分析与文献对比**：将XGBoost和GMDH模型与经典经验关联式（Lee、Yellig-Metcalfe、Orr-Jensen、Alston等）在新数据集上对比，发现本研究模型预测精度显著优于经验关联式（最高提升67%）。例如，Orr-Jensen关联式在纯CO₂流中AARD为18.95%，而Sebastian调整后的Alston关联式在含杂质CO₂流中AARD高达31.79%。
4. **敏感性分析**：通过相关性因子分析，发现临界温度（TC）和储层温度（TR）对所有数据集MMP影响最大（TC呈负相关，TR呈正相关），挥发/中间比（VOL/INT）影响最小。该结果与实验和理论认知一致，且TC参数内涵盖了流体组分的影响。不同输入组合下，各参数的影响力排序和正负方向可能因共线性而改变。

**讨论与结论**
讨论部分指出，尽管实验方法仍是最可靠手段，但数据驱动模型（尤其是XGBoost和CatBoost）在精度、速度和广泛适用性上具有优势，且可处理多维大数据。然而，GMDH和GP的优势在于能生成显式关联式（如文中给出的多项式方程），便于第三方直接使用，而XGBoost和CatBoost模型不可直接复现。研究结论总结如下：
（1）基于数据集1和4（输入参数全面）的模型在所有算法中精度最高，R²分别为0.84–0.99和0.67–0.99。
（2）数据集2的模型精度最低（R² 0.23–0.77），原因在于输入参数过少（仅MW_C7+、TC、TR），数据模式不足以支撑算法学习。
（3）XGBoost和CatBoost在所有算法中精度最高，GMDH次之，GP性能波动较大，需谨慎使用。
（4）敏感性分析确认TC和TR是影响MMP的最关键参数。
（5）本模型相比经典经验关联式（Lee、Yellig-Metcalfe、Orr-Jensen）性能提升显著（最高达67%）。
（6）GMDH和GP可生成显式关联式，便于复现，而XGBoost和CatBoost无法直接提供公式。
（7）适合的机器学习方法依赖于输入数据数量/类型、所需模型类型及用户经验，建议尝试多种算法。
（8）数据驱动模型在训练参数范围内准确，但在极端值（最小/最大值）附近精度可能下降，因数据点稀疏。未来工作建议通过数据增强提高精度，并扩展至其他气体（如CH₄）的MMP预测，以建立通用模型。

论文发表在《International Journal of Coal Science》。