摘要
准确预测最小混相压力（MMP）对于二氧化碳驱油（CO2-EOR）和地质碳封存项目的成功至关重要。传统的经验相关公式和实验方法受限于精度、成本和时间，而机器学习（ML）为稳健的MMP估算提供了一种有前景的替代方案。本研究开发了五种成熟的机器学习模型，包括随机森林（RF）、支持向量回归器（SVR）、类别提升（Cat）、极端梯度提升（XGB）和人工神经网络（ANN），并使用灰狼优化器（GWO）进行超参数调优。这些模型基于980个来自细胞间模拟的样本进行训练，输入特征包括储层温度、流体组成、C?+馏分的分子量和比重。通过5折交叉验证验证模型的稳健性，确保在不同数据集上的一致性能。所有优化后的机器学习模型均显著优于传统相关公式，测试数据的R2值介于0.9918至0.9985之间，而Yellig方法的R2仅为0.7918。SVR模型表现最优，具有最低的平均相对误差（0.0066），且残差分布良好、以零为中心对称分布。六个独立案例证实了SVR模型的优越泛化能力，其平均相对误差（MRE）仅为3.77%。这些结果表明，SVR兼具高预测精度和计算效率，在CO2-EOR MMP预测中展现出稳健且可泛化的性能。
利益冲突声明
作者声明不存在任何利益冲突。
同行评审
出于透明度的考虑，与本文章相关的同行评审文档可在https://doi.org/10.1002/cjce.70573获取。
| 评审第5轮 | |
| 编辑决定信 | 2026/08/05 |
| 审稿人1报告 | 2026/07/31 |
| 评审第4轮 | |
| 编辑决定信 | 2026/07/07 |
| 审稿人1报告 | 2026/07/05 |
| 审稿人2报告 | 2026/07/01 |
| 评审第3轮 | |
| 编辑决定信 | 2026/06/23 |
| 审稿人3报告 | 2026/06/20 |
| 审稿人2报告 | 2026/06/20 |
| 审稿人1报告 | 2026/06/19 |
| 评审第2轮 | |
| 编辑决定信 | 2026/06/15 |
| 审稿人3报告 | 2026/06/06 |
| 审稿人2报告 | 2026/06/04 |
| 审稿人1报告 | 2026/06/03 |
| 评审第1轮 | |
| 编辑决定信 | 2026/04/22 |
| 审稿人3报告 | 2026/04/20 |
| 审稿人2报告 | 2026/03/17 |
| 审稿人1报告 | 2026/03/12 |
数据可用性声明
支持本研究结果的数据可从通讯作者处获取，需提出请求。由于隐私或伦理限制，数据不公开提供。
