基于粒子群优化遗传编程的盐水中甲烷溶解度预测模型
《International Journal of Hydrogen Energy》:Prediction model for methane solubility in brines based on particle swarm optimization genetic programming
【字体:
大
中
小
】
时间:2026年07月01日
来源:International Journal of Hydrogen Energy 9.2
编辑推荐:
刘成|陈鹏|郑宇辉|叶辉如 中国湖北省武汉市长江大学地球科学学院,邮编430100 摘要 地层卤水中甲烷的溶解度是评估水溶性气体储量的关键参数。为克服传统模型在复杂条件下的预测局限及高昂成本问题,本研究基于粒子群优化增强遗传编程算法开发并验证了一种机器学习模型,旨在准确预测各种操
刘成|陈鹏|郑宇辉|叶辉如 中国湖北省武汉市长江大学地球科学学院,邮编430100 摘要 地层卤水中甲烷的溶解度是评估水溶性气体储量的关键参数。为克服传统模型在复杂条件下的预测局限及高昂成本问题,本研究基于粒子群优化增强遗传编程算法开发并验证了一种机器学习模型,旨在准确预测各种操作条件下的甲烷溶解度。研究首先建立了包含1378个实验数据点的综合数据库,涵盖压力5-140 MPa、温度273.15-493.15 K以及盐度0-310028 mg/L的范围,涉及NaCl、CaCl2、KCl、KBr、LiCl和LiBr等多种盐体系。随后利用粒子群优化算法自动优化遗传编程的超参数,从而得出明确的预测公式。统计分析表明,该PSO-GP模型具有很强的预测性能和良好的适用性,决定系数R2高达0.9916,均方根误差仅为0.0156。此外,研究还引入SHAP方法对训练后的模型进行解释,其结果表明模型所学到的规律与已知的热力学趋势一致。最后,针对不同油田的天然气样品进行了预测,整体结果进一步证明了该模型在高温、高压及多种卤水环境条件下仍具备良好的稳定性。引言 天然气作为一种清洁高效的化石能源,在全球能源结构转型中发挥着重要作用。与煤炭和石油相比,天然气燃烧产生的二氧化碳排放量显著更低,且几乎不产生二氧化硫和颗粒物[1,2]。然而,由于全球对清洁能源的需求不断增长,加之传统油气资源日益枯竭,人们不得不将目光转向非常规天然气资源[3,4]。作为天然气的主要成分,甲烷在不同地质条件下的相平衡行为一直是石油天然气工程领域的热点研究课题。在此背景下,存在于地下高温高压含水层中的溶解气是一种储量巨大的非常规天然气资源,其中溶解的甲烷含量极为可观,具有巨大的开发潜力和前景[5,6,7]。这类气体指的是储存在高压储层的气水带和饱和溶解气带中的天然气,而甲烷在地层水中的溶解度直接决定了此类气藏的资源丰度和开采价值[8,9,10]。决定溶解度的因素主要包括压力、温度和地层水盐度,因此研究这三者对甲烷溶解度的影响对于开发利用溶解气具有重要意义[11];Haikang也进行了相关研究[12,13]。近几十年来,关于甲烷溶解度的研究十分广泛,主要集中在热力学方程和机器学习模型方面。许多研究者致力于研究甲烷在水或卤水中的溶解度,这些研究主要可分为通过实验测定甲烷溶解度,以及利用热力学模型或机器学习模型进行预测两类。在实验方法方面,Lekvam使用高压恒容装置通过观察压力变化来测定纯水中的甲烷溶解度[14]。Thomas等人则利用搅拌式高压釜提取液相样本进行快速分析,以此测定在4 m NaCl浓度、600 atm压力以及50至125°C温度条件下的甲烷溶解度[15]。Wang使用ROP和RUSKA PVT装置采集液相样本,分析了在10至30°C和2至40 MPa条件下的纯水、甲醇水溶液以及乙二醇水溶液中的甲烷溶解度[16,17]。Liu则采用了可视化PVT装置,将样本降至常温和常压后进行分离,并利用数字测高仪测量气液柱高度来计算甲烷溶解度,研究温度范围为0至90°C,压力为10至30 MPa,盐度为0至45292.3 mg/L[18]。近年来,Li设计了一种高温高压溶解度平衡装置,在达到平衡后进行等温等压采样,通过气相色谱分析气相和液相成分来确定甲烷溶解度,研究温度可达到200°C,压力范围为5 MPa至200 MPa[19]。这些实验方法所得的甲烷溶解度数值相对准确,但实验成本高且耗时较长。因此,在经过多年对甲烷溶解度的研究之后,利用相关的热力学方程和机器学习模型来预测甲烷溶解度已成为主流做法。尽管诸如立方状态方程EOS之类的热力学方程可在石油工程领域中使用,但它们存在明显局限性,精度也相对较低。例如,Duan和Mao构建了一个基于更严谨理论方法并结合最新实验数据的热力学模型,用于计算特定条件下含甲烷流体的相关性质。他们用Pitzer电解质溶液理论描述液相,结合高精度的气态状态方程EOS描述气相,运用半经验方程估算气相中的含水量,引入交互参数以提高模型精度,通过实验数据回归确定模型参数,并简化多盐体系交互参数的计算以扩大适用范围。虽然精度有所提升,但仍不算很高[20]。因此,用于预测溶解度的机器学习模型似乎成为了一个新的研究方向。随着计算机的普及和计算性能的提升,相关研究成果接连涌现。Taherdangkoo比较了四种算法,包括回归树(RT)、增强型回归树(BRT)、最小二乘支持向量机(LSSVM)和高斯过程回归(GPR),用于预测不同低浓度盐环境中的甲烷溶解度。研究还使用了网格搜索(GS)、随机搜索(RS)和贝叶斯优化(BO)来调整机器学习模型的超参数,结果表明,结合贝叶斯优化的增强型回归树(BRT-BO)是精度最高的模型,预测精度可达0.99[21]。Kooti等人也采用了回归树(RT)和增强型回归树(BRT)算法来预测纯水及电解质溶液中甲烷、乙烷和丙烷的溶解度,通过贝叶斯优化调整超参数,这些模型也取得了非常高的精度[22]。Youcefi等人则使用了三种集成学习模型,即CatBoost、Extra Trees(ET)和Light Gradient Boosting Machine(LightGBM),来预测卤水中的硫化氢浓度。他们采用随机搜索算法调整模型超参数,目标是最小化均方误差,该方法具有较高的可解释性[23]。同样,Youcefi还采用了多基因遗传编程(MGGP)这种白盒机器学习技术,构建了可用于预测二氧化碳溶解度的可解释性明确的相关关系。该技术的适用系统包括含有单一盐类的电解质溶液,如CaCl2、NaCl、MgCl2、Na2SO4、KCl溶液以及纯水,预测精度良好[24]。Reza Nakhaei-Kohani则采用了六种机器学习模型,包括随机森林(RF)、决策树(DT)、梯度提升决策树(GB-DT)、自适应提升决策树(AdaBoost-DT)、自适应提升支持向量回归(AdaBoost-SVR)以及梯度提升支持向量回归(GB-SVR),建立了用于预测水和卤水系统中CO2–N2气体混合物溶解度的精确预测模型,为碳捕集与封存(CCS)等工程应用提供了支撑[25]。Nait Amar等人也使用了多基因遗传编程(MGGP)模型研究甲烷溶解度,虽然预测精度较高,但盐类仅限于氯化钠,且浓度也不高[26]。上述研究在预测甲烷或其他气体在水中或卤水中的溶解度方面取得了良好进展,但在某些方面仍有进一步提升的空间。本文的重点是一种能够准确预测适当温度和压力范围内甲烷溶解度的机器学习模型,尤其适用于地层卤水浓度较高且盐类种类多样的情况。本研究的目标是开发一种机器学习模型,以解决石油工程领域中气体溶解度方面的问题,具体而言,就是利用机器学习模型预测甲烷在地层卤水中的溶解度。研究收集了温度高达220°C、压力高达140 MPa、卤水盐度高达310028 mg/L的甲烷溶解度数据,涉及多种盐体系,最终建立了包含1378个数据点的数据库。这个覆盖范围广、涉及多种盐体系的数据库对甲烷溶解度研究具有重要意义,也有助于验证模型的稳定性。本文采用了粒子群优化-遗传编程(PSO-GP)机器学习算法来预测水或卤水中的甲烷溶解度。这是一种遗传算法的变体,粒子群优化功能可以自动选择最优的遗传参数,大大提升了模型与数据的拟合程度。此外,它也是一种白盒模型,所生成的拟合公式显著提高了预测的可解释性。另外,本文还引入了SHAP技术,重点分析温度、压力和盐度对溶解度各自的影响。数据库 为了使机器学习模型能够进行准确预测,一个可靠的数据库至关重要。本研究构建的数据库涵盖了5 MPa至140 MPa的压力范围、0°C至220°C的温度范围,以及0 mg/L至310,028 mg/L的盐度范围。所研究的卤水类型包括NaCl、CaCl2、KCl、KBr、LiCl和LiBr。数据来源包括Culberson等人[27]、Thomas D. O'Sullivan等人[15]、Blanco等人[28]、Price[29]、Susak等人[30]、Kiepe等人[31]、Wang等人[16]、Duan等人[20]、Ou等人[32]以及Li等人的研究结果。结果与讨论 图5展示了使用PSO-GP模型和MGGP模型训练后得到的相关性曲线图,详细对比了两种模型预测的甲烷溶解度值与实际实验测量值之间的差异。图5(a)直观且生动地展示了PSO-GP模型在训练阶段和测试阶段与真实数据之间的匹配程度。从沿对角线分布的高密度点可以看出,该模型的预测效果非常好。实际应用 最后,为了进一步评估PSO-GP模型在实际野外条件下的工程适用性,研究人员收集了若干以甲烷为主的天然气-地层水样本,以便对其外部适用性进行初步评估。需要指出的是,PSO-GP模型是基于甲烷溶解度数据而非多组分天然气溶解度数据开发的,因此以下的对比仅可作为该模型工程适用性的初步评估。结论 本研究通过建立包含1378组实验数据的高质量数据库,并提出一种基于粒子群优化增强遗传编程的机器学习模型,有效解决了地层卤水中甲烷溶解度预测这一重要问题。本研究的主要发现和结论如下:1. 构建了一个覆盖压力5–140 MPa、温度273.15–493.15 K以及盐度范围的全面数据库。作者贡献声明 刘成:研究设计、方法论、数据获取、软件应用、模型验证、结果可视化、论文撰写——初稿完成。陈鹏:概念构思、项目监督、论文审阅与修改。郑宇辉:项目监督、模型验证、结果可视化。叶辉如:项目监督、模型验证、结果可视化。利益冲突声明 作者声明存在以下可能被视为潜在利益冲突的财务利益/个人关系:陈鹏表示其与长江大学存在就业关系。其他作者则声明没有已知的可能影响本文研究成果的财务利益或个人关系。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号