《Frontiers in Earth Science》：Research on a machine learning-based prediction method for methane adsorption capacity in shale
编辑推荐：
准确预测页岩甲烷吸附容量对储层评价至关重要。研究人员整合486组实验数据集构建多元机器学习预测模型，选取深度、总有机碳（TOC）、水分、孔隙度、镜质体反射率（Ro）和黏土矿物六项关键地质参数作为特征变量。通过相关性分析方法揭示各地质参数与甲烷吸附容量间的非线性
准确预测页岩甲烷吸附容量对储层评价至关重要。研究人员整合486组实验数据集构建多元机器学习预测模型，选取深度、总有机碳（TOC）、水分、孔隙度、镜质体反射率（Ro）和黏土矿物六项关键地质参数作为特征变量。通过相关性分析方法揭示各地质参数与甲烷吸附容量间的非线性关系及参数间固有耦合结构。系统比较支持向量机（SVM）、随机森林（RF）和极端梯度提升（XGBoost）三种机器学习模型预测性能，结果表明TOC与Ro为控制甲烷吸附的显著因素，XGBoost在训练集与测试集均取得最优性能，较SVM和RF具备更高预测精度与更强泛化能力。该研究为评估页岩气吸附潜力与优化开发策略提供新方法学见解。
研究背景方面，全球能源结构转型背景下页岩气作为重要非常规天然气资源受关注，甲烷吸附容量是决定储层含气量及资源潜力的关键参数。传统等温吸附实验虽能提供可靠等吸附数据，但周期长、成本高且对样品完整性要求严苛，难以满足区域快速大规模评价需求；同时甲烷吸附受TOC、Ro、孔隙结构、矿物组成与水分等多因素耦合控制，呈现显著非线性，单一参数或传统经验公式难以准确刻画。既有机器学习研究多聚焦TOC或孔隙度等单参数或最终产能，针对吸附容量这一核心储层属性、基于大规模跨区数据系统构建并比较多种先进模型，且系统分析多参数耦合关系对模型影响的研究仍有限。为此，研究人员整合八篇文献486组多源页岩样品数据，旨在厘清地质参数与吸附容量关系、系统比较集成模型、建立高精度强泛化智能预测模型，以克服传统方法局限，论文发表于《Frontiers in Earth Science》。
关键技术方法上，研究人员从八篇已发表文献收集486组页岩样品数据，涵盖深度、TOC、水分、Ro、总黏土、孔隙度及甲烷吸附容量（mmol/g），按80%/20%划分训练集与测试集，以训练集拟合最值做[0,1]归一化防数据泄漏。采用Pearson相关系数分析单参数线性关联，辅以主成分分析（PCA）揭示参数间耦合结构；分别构建SVM回归（SVR，rbf核、γ=0.1、C=1）、RF（100棵树、最大深度5、叶最小样本4）与XGBoost（学习率0.05、最小子权重8、最大深度7、500棵树）模型，以网格搜索结合5折交叉验证调参，用决定系数（R2）、均方误差（MSE）与平均绝对误差（MAE）评价，并设多元线性回归（MLR）为基线。
研究结果部分，4.1相关性分析显示TOC与甲烷吸附容量正相关最强（r=0.48），因有机质提供纳米级孔隙与比表面积作为核心吸附介质；Ro呈强正相关（r=0.41），热演化生成有机纳米孔增加吸附空间；深度、水分、黏土矿物线性关联弱（r<0.15），孔隙度略负（r=-0.09），因总孔隙含大量对吸附贡献低的大孔。RF的MDI特征重要性佐证TOC与Ro为关键预测因子。PCA中PC1（24.28%）反映深度与TOC、Ro负向关联；PC2（17.93%）中Ro正载荷（+0.68）与TOC负载荷（-0.59）体现热成熟过程原始有机质裂解转化致残余TOC降低；PC3（16.77%）水分与TOC正向协同，源于有机孔亲水表面滞留束缚水引发水甲烷竞争吸附。
4.2机器学习模型训练与预测表明，MLR基线测试集R2仅0.650、MSE0.300；SVM测试R20.766、MSE0.201、MAE0.358；RF测试R20.826、MSE0.149、MAE0.309；XGBoost训练集R20.924、MSE0.065、MAE0.204，测试集R20.843、MSE0.135、MAE0.294，10次重复抽样测试R2均值0.841±0.018。SVM测试集R2较训练降0.116泛化偏弱；RF高值段有系统偏差；XGBoost残差拟合加L1/L2正则，测试R2降0.081仍最优。预测值对比实测散点图显示XGBoost点最聚拢理想线。
讨论部分指出，线性Pearson局限由树模型重要性弥补，PCA揭示参数耦合而非单纯独立影响，XGBoost凭借残差逼近与正则化在异质小样本地质数据中平衡偏拟与泛化。结论部分翻译如下：基于486组实测数据，本研究建立预测页岩甲烷吸附容量多元机器学习框架。主要结论为——TOC与Ro同甲烷吸附容量呈最强正相关，为关键预测参数；深度、水分与黏土矿物关联较弱，孔隙度略负。PCA揭示地质参数复杂耦合，TOC与Ro载荷反向、水分与TOC正向协同，表明吸附为多因素控制需多元机器学习建模。XGBoost预测最稳健，测试集R20.843、MSE0.135、MAE0.294，较MLR基线（R20.650、MSE0.300）显著提升，优于SVM（0.766）与RF（0.826），可有效支撑该回归任务。
