油气藏评价与开发

数据来源	样品来源	黏土质量分数/%	ω（TOC） /%	BET比表面积/(m²/g)	温度/K	压力/MPa	CO₂摩尔分数/%	数据数量
齐荣荣^[26]	四川盆地	15.70~27.40	2.28~3.61	13.86~20.09	303~353	0~20	0、20、 50、100	446
DU等^[27]	四川盆地	36.40	2.78	19.26	278~318	0~2	0、25、50、75、100	359
DUAN等^[28]	四川盆地	23.96	1.85~3.83	35.41	278~318	0~2	0、80、100	131
NIU等^[29]	四川盆地	34.00~48.20	1.06~5.15	15.97~21.35	323~363	0~15	0、100	162
胡楠^[30]	四川盆地鄂尔多斯盆地	8.70~36.10	1.05~5.14	1.48~19.36	308~328	0~15	0、100	384
李钟原^[31]	四川盆地	15.70~25.50	2.34~3.64	13.9~19.1	303~353	0~20	0、8、25、53、100	986
刘启力^[32]	四川盆地鄂尔多斯盆地	8.90~35.80	4.86	1.47~28.97	308~328	0~12	0、50、100	482
LUO等^[33]	柴达木盆地	70.00	1.10~1.80	8.40~12.60	308~358	0~10	0、20、40、60、80、100	468

数据来源

样品来源

黏土质量分数/%

ω（TOC） /%

BET比表面积/(m²/g)

温度/K

压力/MPa

CO₂摩尔分数/%

数据数量

齐荣荣^[26]

四川盆地

15.70~27.40

2.28~3.61

13.86~20.09

303~353

0~20

0、20、 50、100

446

DU等^[27]

四川盆地

36.40

2.78

19.26

278~318

0~2

0、25、50、75、100

359

DUAN等^[28]

四川盆地

23.96

1.85~3.83

35.41

278~318

0~2

0、80、100

131

NIU等^[29]

四川盆地

34.00~48.20

1.06~5.15

15.97~21.35

323~363

0~15

0、100

162

胡楠^[30]

四川盆地

鄂尔多斯盆地

8.70~36.10

1.05~5.14

1.48~19.36

308~328

0~15

0、100

384

李钟原^[31]

四川盆地

15.70~25.50

2.34~3.64

13.9~19.1

303~353

0~20

0、8、25、53、100

986

刘启力^[32]

四川盆地

鄂尔多斯盆地

8.90~35.80

4.86

1.47~28.97

308~328

0~12

0、50、100

482

LUO等^[33]

柴达木盆地

70.00

1.10~1.80

8.40~12.60

308~358

0~10

0、20、40、60、80、100

468

数据来源	样品来源	黏土质量分数/%	ω（TOC） /%	BET比表面积/(m²/g)	温度/K	压力/MPa	CO₂摩尔分数/%	数据数量
齐荣荣^[26]	四川盆地	15.70~27.40	2.28~3.61	13.86~20.09	303~353	0~20	0、20、 50、100	446
DU等^[27]	四川盆地	36.40	2.78	19.26	278~318	0~2	0、25、50、75、100	359
DUAN等^[28]	四川盆地	23.96	1.85~3.83	35.41	278~318	0~2	0、80、100	131
NIU等^[29]	四川盆地	34.00~48.20	1.06~5.15	15.97~21.35	323~363	0~15	0、100	162
胡楠^[30]	四川盆地鄂尔多斯盆地	8.70~36.10	1.05~5.14	1.48~19.36	308~328	0~15	0、100	384
李钟原^[31]	四川盆地	15.70~25.50	2.34~3.64	13.9~19.1	303~353	0~20	0、8、25、53、100	986
刘启力^[32]	四川盆地鄂尔多斯盆地	8.90~35.80	4.86	1.47~28.97	308~328	0~12	0、50、100	482
LUO等^[33]	柴达木盆地	70.00	1.10~1.80	8.40~12.60	308~358	0~10	0、20、40、60、80、100	468

数据来源

样品来源

黏土质量分数/%

ω（TOC） /%

BET比表面积/(m²/g)

温度/K

压力/MPa

CO₂摩尔分数/%

数据数量

齐荣荣^[26]

四川盆地

15.70~27.40

2.28~3.61

13.86~20.09

303~353

0~20

0、20、 50、100

446

DU等^[27]

四川盆地

36.40

2.78

19.26

278~318

0~2

0、25、50、75、100

359

DUAN等^[28]

四川盆地

23.96

1.85~3.83

35.41

278~318

0~2

0、80、100

131

NIU等^[29]

四川盆地

34.00~48.20

1.06~5.15

15.97~21.35

323~363

0~15

0、100

162

胡楠^[30]

四川盆地

鄂尔多斯盆地

8.70~36.10

1.05~5.14

1.48~19.36

308~328

0~15

0、100

384

李钟原^[31]

四川盆地

15.70~25.50

2.34~3.64

13.9~19.1

303~353

0~20

0、8、25、53、100

986

刘启力^[32]

四川盆地

鄂尔多斯盆地

8.90~35.80

4.86

1.47~28.97

308~328

0~12

0、50、100

482

LUO等^[33]

柴达木盆地

70.00

1.10~1.80

8.40~12.60

308~358

0~10

0、20、40、60、80、100

468

机器学习模型	参数	取值
BP神经网络	激活函数	satlin
隐藏层神经元数量	11
学习率	0.006
KNN	邻近样本数量	5
距离度量方法	欧式距离
随机森林	决策树数量	200
决策树深度	10
特征选择方法	auto
支持向量机	正则化参数	2
学习率	0.001
迭代次数	1 000

机器学习模型

参数

取值

BP神经网络

激活函数

satlin

隐藏层神经元数量

学习率

0.006

KNN

邻近样本数量

距离度量方法

欧式距离

随机森林

决策树数量

200

决策树深度

特征选择方法

auto

支持向量机

正则化参数

学习率

0.001

迭代次数

1 000

机器学习模型	参数	取值
BP神经网络	激活函数	satlin
隐藏层神经元数量	11
学习率	0.006
KNN	邻近样本数量	5
距离度量方法	欧式距离
随机森林	决策树数量	200
决策树深度	10
特征选择方法	auto
支持向量机	正则化参数	2
学习率	0.001
迭代次数	1 000

机器学习模型

参数

取值

BP神经网络

激活函数

satlin

隐藏层神经元数量

学习率

0.006

KNN

邻近样本数量

距离度量方法

欧式距离

随机森林

决策树数量

200

决策树深度

特征选择方法

auto

支持向量机

正则化参数

学习率

0.001

迭代次数

1 000

基于机器学习的页岩内CH₄-CO₂体系吸附特性预测

刘树阳 1^,2 , 黄洪略 1 , 王江龙 1 , 刘峻嵘 1 , 孟思炜 3^,4

油气藏评价与开发 | 油气开发 2026,16(4): 855-864

收起

油气藏评价与开发 |油气开发 2026 , 16 (4) : 855 -864

基于机器学习的页岩内CH₄-CO₂体系吸附特性预测

全屏

刘树阳1^,2, 黄洪略1, 王江龙1, 刘峻嵘1, 孟思炜3^,4

作者信息

¹　中国石油大学（华东）石油工程学院，山东　　青岛　266580

²　深层油气全国重点实验室（中国石油大学（华东）），山东　　青岛　266580

³　中国石油勘探开发研究院，北京　100083

⁴　多资源协同陆相页岩油绿色开采全国重点实验室，黑龙江　　大庆　163412

通讯作者:

孟思炜（1988—），男，博士，高级工程师，主要从事非常规储集层综合评价和效益开发技术、CO₂地质封存与资源化利用等研究。地址：北京市海淀区学院路20号，邮政编码：100083。E-mail： mengsw@petrochina.com.cn

作者简介:

刘树阳（1990—），男，博士，副教授，主要从事CCUS与提高采收率、非常规油气开发、油气智能开发方向的研究。地址：山东省青岛市黄岛区长江西路66号，邮政编码：266580。E-mail： shuyang_liu@126. com

Prediction of adsorption characteristics of CH₄-CO₂ system in shale based on machine learning

SHUYANG LIU1^,2, HONGLUE HUANG1, JIANGLONG WANG1, JUNRONG LIU1, SIWEI MENG3^,4

Affiliations

¹ School of Petroleum Engineering, China University of Petroleum (East China), Qingdao, Shandong 266580, China

² State Key Laboratory of Deep Oil and Gas, China University of Petroleum (East China), Qingdao, Shandong 266580, China

³ Research Institute of Petroleum Exploration and Development, Beijing 100083, China

⁴ State Key Laboratory of Continental Shale Oil, Daqing, Heilongjiang 163412, China

出版时间: 2026-07-26 doi: 10.13809/j.cnki.cn32-1825/te.20250080

文章导航

关键词

页岩 / CH₄-CO₂ / 吸附 / 朗缪尔模型 / 机器学习

Key words

shale / CH₄-CO₂ / adsorption / Langmuir model / machine learning

引用本文

刘树阳, 黄洪略, 王江龙, 刘峻嵘, 孟思炜. 基于机器学习的页岩内CH₄-CO₂体系吸附特性预测. 油气藏评价与开发, 2026 , 16 (4) : 855 -864 . DOI: 10.13809/j.cnki.cn32-1825/te.20250080

SHUYANG LIU, HONGLUE HUANG, JIANGLONG WANG, JUNRONG LIU, SIWEI MENG. Prediction of adsorption characteristics of CH₄-CO₂ system in shale based on machine learning[J]. Petroleum Reservoir Evaluation and Development, 2026 , 16 (4) : 855 -864 . DOI: 10.13809/j.cnki.cn32-1825/te.20250080

正文

收起

“碳中和”与清洁能源供应是当前人类社会面临的两大关键问题^[1]。相较于其他化石燃料，天然气燃烧所产生的污染物较少，因而被视为可再生能源转型过程中的过渡性清洁能源^[2]。页岩气、煤层气和天然气水合物等非常规天然气资源全球储量丰富，其规模化开发利用^[3-5]对保障人类社会日益增长的天然气供应需求具有重要战略意义。中国页岩气技术可采储量约31.55×10¹²m³，居世界首位，主要分布在鄂尔多斯、四川、吐哈、松辽、渤海湾等盆地^[5-6]。与常规气藏不同，页岩气藏中的天然气通常以游离气和吸附气2种形式赋存，其中吸附气含量不可忽视^[4]，可占20%~85%^[6]。页岩储层气体吸附特性是页岩气资源开发的关键控制因素之一^[7-9]。

CO₂提高页岩气采收率（CO₂-ESGR）技术不仅能够提升页岩气产量，还可将CO₂封存于页岩储层中，是一种具有重要潜力的CO₂捕集、利用与储存（CCUS）技术，有助于实现“碳中和”目标^[8-11]。CO₂-ESGR机理与常规气藏中CO₂驱提高天然气采收率（CO₂-EGR）^[12]存在一定的差异，CH₄与CO₂竞争吸附^[13]是其核心机制，显著影响页岩气采收率及CO₂封存安全性^[14-16]。因此，准确预测CO₂-ESGR工程中CH₄和CO₂在页岩上的吸附能力，具有重要的研究价值。

在吸附模型研究方面，朗缪尔（Langmuir）模型及其改进模型被广泛应用于页岩气吸附特性研究^[17-18]。其中，LIU等^[17]基于Langmuir模型建立了页岩CO₂-CH₄广义竞争吸附模型，研究表明该改进模型适用于较宽的温度、压力和总有机碳（TOC）含量范围，可准确预测CH₄、CO₂及其混合气在页岩上的吸附行为；WU等^[18]提出了多位点Langmuir模型，以表征页岩表面的能量非均质性，结果表明该模型相比传统单位点Langmuir模型能够更准确地预测页岩中的CH₄吸附行为；LIAO等^[9]研究了CH₄和CO₂在页岩中的吸附动力学特征，并采用多种动力学模型对吸附过程进行表征，结果表明不同模型对吸附行为的拟合效果存在差异，说明页岩中CH₄-CO₂二元体系的吸附预测仍具有较强的模型依赖性。目前，常规Langmuir模型、多组分朗缪尔（E-L）模型考虑的影响因素比较单一，且无法直接反映出TOC含量、黏土矿物含量、BET比表面积、温度、压力、CO₂含量等复杂多因素对页岩气体吸附的影响；其预测精度依赖于饱和吸附量、Langmuir压力等参数，而这些参数需通过实验数据拟合获得，导致预测结果对实验数据的依赖性较大。因此，在复杂多因素条件下，对CH₄-CO₂混合体系吸附性质的预测精度仍有待进一步提高。

人工智能算法凭借其在解决复杂科学难题方面的优异性能，已广泛应用于页岩吸附行为预测研究。ZHOU等^[19]基于机器学习方法建立了页岩CH₄吸附能力预测模型，综合考虑TOC含量、黏土矿物含量、温度、压力和含水率等因素，结果表明高斯过程回归模型具有较好的预测性能；WANG等^[20]提出了耦合分子模拟、格子Boltzmann方法与机器学习的耦合方法，用于预测页岩纳米孔隙中CO₂和CH₄的竞争吸附行为，结果表明该方法能够较准确、快速地预测不同CO₂摩尔分数和矿物类型条件下的竞争吸附量；ZENG等^[21]基于随机森林、支持向量回归、XGBoost和多层感知机等模型，对侏罗系页岩中CO₂绝对吸附量进行了预测，结果表明机器学习方法能够有效提高吸附预测精度；ZHOU等^[22]进一步将分形Langmuir模型与机器学习框架相结合，对非均质页岩中CH₄/CO₂吸附行为进行了更精细的预测，结果显示该方法能更好地反映孔隙结构差异对吸附特征的影响。此外，也有研究尝试利用物理信息神经网络（PINN）方法预测不同页岩岩心中的CH₄/CO₂吸附等温线，体现了数据驱动方法在复杂吸附体系预测的潜力^[23]。然而，目前人工智能在页岩内CH₄-CO₂混合体系吸附能力评估方面的应用仍较为有限，特别是同时考虑TOC含量、黏土矿物含量、BET比表面积、温度、压力和CO₂含量等多因素条件下的吸附性质预测模型，仍有待进一步建立和完善^[24]。

针对上述问题，本文旨在实现对页岩储层气体吸附与竞争吸附性质的快速精准预测，综合考虑不同地质参数及温压条件等复杂因素，应用机器学习构建页岩内CH₄-CO₂吸附预测模型，将其作为传统吸附性质测量实验的高效替代方案，显著提升页岩储层气体吸附性质评价的便捷性，为页岩气开发潜力评估与CO₂封存可行性评价提供科学指导。

1　页岩内气体吸附性质数据库建立

收起

1.1　数据来源

如表1所示，本文研究数据取自中国主要页岩气资源富集区，兼顾典型海相和陆相页岩气储层类型，具体包括：代表海相沉积环境的四川盆地上奥陶统五峰组—下志留统龙马溪组页岩，以及代表陆相沉积环境的鄂尔多斯盆地延长组页岩和柴达木盆地大煤沟组页岩。四川盆地作为高产油气区，是目前中国页岩气产量最高的区域，也是本研究数据库的主要来源，相关样品约占总样品的89%。前人研究表明，影响页岩气吸附的主要因素包括温度、压力、TOC含量、黏土矿物含量、BET比表面积和CO₂含量^{[7，16，25]}。本研究收集的页岩吸附实验数据，温度范围介于278~363 K，压力范围介于0~20 MPa，TOC含量介于1.05%~5.15%。单组分气体CH₄和CO₂的吸附数据分别占总数据的38.2%和35.3%，CH₄-CO₂混合体系的吸附数据占26.5%。

1.2　主控因素分析

首先，对比分析了相近条件下不同文献的吸附数据，验证了实验数据的一致性和可比性。在一定的温度和压力范围内，页岩气体吸附量随压力、温度、TOC、BET比表面积、黏土矿物含量和CO₂含量的变化规律如图1所示。在压力0~10 MPa、温度303 ~ 358 K、TOC含量1.80%~3.71%的条件下，气体吸附量随上述各参数的改变呈现显著变化。本文将以上6种主控因素作为影响页岩吸附性质的关键参数，用于机器学习吸附模型的训练与验证。

2　基于机器学习的吸附模型建立

收起

2.1　模型建立与训练

基于机器学习的页岩CH₄-CO₂竞争吸附模型建立过程如图2所示：首先确定变量整合得到数据集，将6种主控因素作为自变量（输入特征x），吸附量作为因变量（输出特征y），整理两类变量得到完整数据集。其次，将数据划分为训练集和测试集，并采用最大最小法对数据进行归一化处理。然后，构建4种机器学习吸附模型，用训练集训练模型、测试集验证准确性，得到预测结果反归一化，再调试优化参数；针对BP（反向传播）神经网络，根据验证效果确定激活函数、迭代次数、学习率等关键参数的最优取值，使模型获得最佳预测性能。最后，通过对比预测值与实验值的相对误差，并计算均方误差（MSE）和决定系数（R²）来评价模型的预测效果。

本研究基于表1数据库，在温度303 ~363 K、压力0~11 MPa、TOC含量1.05%~5.15%范围内筛选出2 618组页岩吸附实验数据（涵盖CH₄单组分气体、CO₂单组分气体、CH₄-CO₂混合体系、混合体系CH₄组分、混合体系CO₂组分5类）。采用85%的数据作为训练集，15%的数据作为测试集，用于机器学习模型的训练与测试

2.2　模型关键参数的确定

为了实现页岩内CH₄-CO₂吸附性质的高精度预测，本研究选取BP神经网络、K近邻（KNN）算法、随机森林、支持向量机4种机器学习方法建立了吸附模型，通过多次训练和测试，优选确定了各机器学习模型的关键参数（表2）。

BP神经网络^[34]是一种基于误差反向传播训练的多层前馈网络，具备很强的非线性映射能力。本研究采用“交叉验证”方法筛选最优激活函数，发现satlin激活函数对应的损失函数相对误差最小，因此确定其为最优激活函数；同理，通过计算不同隐藏层神经元数量与学习率组合下的损失函数值，最终确定当隐藏层神经元数量为11、学习率为0.006时，模型预测性能最优。

KNN ^[35]作为典型的非参数回归方法，是一种基于特征空间相似度的分类与回归算法，其核心原理是通过计算待预测样本与训练样本间的距离，选取最近的k个邻近样本的输出结果进行综合预测。本研究通过“交叉验证”的方法，测试最近的邻近样本数量（K值）在1~20范围内的预测误差，最终确定最佳K值为5；此时预测均方误差最小；由于页岩中气体的吸附属于连续性行为，特征变量为连续型，因此选取欧氏距离作为距离度量方法。

随机森林是一种基于集成学习的算法，通过构建多个决策树并将所有决策树的预测结果进行融合，从而完成回归任务^[36]。本研究采用auto方式进行特征选择，利用交叉验证方法，在决策树数量100~1 000、深度3~20范围内分析模型误差变化规律，确定最佳决策树数量为200、深度为10，此时模型预测误差最小、性能最优。

支持向量机是一种基于监督学习的广义线性分类器，适用于特征空间的二元分类问题，是机器学习领域的经典算法之一^[37]。本研究通过交叉验证对正则化参数、学习率和迭代次数进行联合优化，在正则化参数（C）0.1~10.0、学习率（η） 0.000 1~0.010 0、迭代次数（N）100~2 000范围内进行测试，结果显示：C为2、η为0.001、N为1 000时，模型的预测误差最小且稳定性最佳。

3　基于机器学习的吸附模型预测精度分析

收起

本研究按照单组分气体和CH₄-CO₂混合体系分类分别进行分析，采用BP神经网络、KNN、随机森林和支持向量机4种机器学习模型对吸附实验数据开展训练与测试，通过对比模型预测值与实验值相对偏差范围、均方误差、决定系数及平均绝对相对误差（AARD），综合评估各机器学习模型的预测精度。

3.1　单组分气体吸附性质预测精度

3.1.1　CH₄吸附量预测

开展了4种机器学习模型对页岩内CH₄单组分气体吸附量的预测。其中，随机森林回归模型的预测效果最好，预测值与实验值的相对偏差在±3.5%的范围内（图3a），AARD为1.57%、MSE为0.016 2%，R²为0.996 1，预测精度优于其他模型。其次，KNN与BP神经网络的预测相对偏差分别为±5.0%与±4.0%，AARD分别为1.79%和2.35%，MSE分别为0.025 5%和0.032 8%，R²分别为0.993 5和0.990 1，说明二者具有一定的拟合能力，但仍存在局部偏差。相比之下，支持向量机算法预测点分散度较大，预测相对偏差分布范围为±8.5%，AARD为4.27%，MSE为0.087 4%，R²为0.943 2，预测效果最差。

3.1.2　CO₂吸附量预测

针对CO₂单组分气体吸附量预测，随机森林和KNN模型的预测相对偏差均在±4.0%；其次是BP神经网络模型，相对偏差为±5.0%；支持向量机模型的预测效果最差，相对偏差在±9.0%。如图3b所示，随机森林模型R²达到0.984 4，明显高于其余3种模型，同时其MSE（0.039 3%）和AARD（1.89%）均为最低，说明随机森林在CO₂单组分气体吸附量预测中的拟合精度和泛化能力最优。相比之下，支持向量机模型虽具有一定线性相关性，但误差指标明显高于随机森林，预测性能相对较弱。BP神经网络与KNN模型的精度虽不及随机森林，但整体误差仍处于可接受范围。

综上，对于CH₄、CO₂单组分气体吸附量预测，4种机器学习模型中随机森林表现最优，KNN表现次之，BP神经网络和支持向量机的预测精度相对偏低。

3.2　CH₄-CO₂混合体系吸附性质预测精度

3.2.1　CH₄-CO₂混合体系总吸附量预测

针对CH₄-CO₂混合体系总吸附量的预测结果表明：KNN与随机森林模型的预测偏差分布相对集中，误差范围分别为±4.5%和±4.0%，表明2种模型均能较准确地捕捉混合体系吸附量的变化规律；BP神经网络模型的预测误差略大，偏差约为±5.5%，但整体仍呈现较好的线性一致性；相比之下，支持向量机模型的预测偏差最大，误差范围扩大至±9.0%，部分预测值明显偏离实验值，表明其在预测混合气体总吸附量时的稳定性较弱。

4种机器学习模型针对CH₄-CO₂混合体系总吸附量及其各组分吸附量的预测偏差如图4所示。可以看出，随机森林模型对该体系总吸附量预测的R²最高，为0.982 7，同时MSE和AARD最低，分别为0.041 3%和1.94%，综合预测性能最优，KNN模型次之；BP神经网络模型预测表现中等，3项评价指标均在随机森林模型、KNN之后；支持向量机在3项指标上均表现相对较差，较大的预测误差反映出其对混合体系吸附行为的刻画能力有限。

3.2.2　混合体系CH₄组分吸附量预测

针对页岩内CH₄-CO₂混合体系中CH₄组分吸附量预测问题，本文对比了BP神经网络、KNN和随机森林和支持向量机模型的预测值与实验值，其相对偏差范围分别是±5.0%、±4.0%、±3.5%和±8.5%。如图4b所示，4种机器学习模型的AARD分别为2.41%、1.85%、1.62%和4.32%，MSE分别为0.039 2%、0.024 1%、0.018 5%和0.912%，R²分别为0.988 7、0.992 4、0.994 2和0.942 7。可以发现，随机森林模型的相对偏差最小，预测效果最好，其次是BP神经网络模型和KNN模型，支持向量机模型的预测效果最差。

3.2.3　混合体系CO₂组分吸附量预测

针对页岩内CH₄-CO₂混合体系中CO₂组分吸附量预测问题，BP神经网络、KNN和随机森林和支持向量机模型的预测值与实验值的相对偏差范围分别是±5.0%、±4.0%、±3.5%和±9.0%，对应的AARD分别为2.44%、1.91%、1.69%和4.37%，MSE分别为0.042 5%、0.028 9%、0.019 6%、0.935 0%，R²分别为0.984 2、0.991 5、0.993 8、0.941 3，如图4c所示。可以发现，随机森林模型的相对偏差最小，预测效果最好，其次是BP神经网络模型和KNN模型，支持向量机模型的预测效果最差。这一规律与CH₄-CO₂混合体系总吸附量和CH₄组分吸附量预测的规律基本一致。

因此，针对页岩内CH₄-CO₂混合体系吸附量预测问题，无论是总吸附量还是各组分吸附量预测方面，基于随机森林建立的吸附模型预测精度更高。

4　机器学习吸附模型准确性分析

收起

4.1　基于文献与实验数据的模型验证

为了进一步验证基于机器学习建立的吸附模型的准确性，本研究分别从单组分气体吸附和混合体系吸附两个方面，新增实验数据和文献数据，与机器学习模型预测值进行了对比检验。

4.1.1　单组分气体模型验证

建立机器学习吸附模型的训练数据的压力主要集中在0~11 MPa内（表1），本研究开展CH₄和CO₂单组分气体在页岩样品内等温吸附实验的条件为：温度313 K，压力0~10 MPa，TOC含量3.18%，黏土质量分数19.8%，BET比表面积8.03 m²/g；同时，为了进一步检验机器学习吸附模型针对训练条件之外预测准确性的拓展能力，选用温度303~353 K、压力0~15 MPa、TOC含量3.64%条件下的页岩气体吸附实验数据进行了对比分析^[31]。如图5所示，随机森林模型对页岩内CH₄和CO₂吸附量的预测值与实验值吻合较好，平均R²分别为0.991 7和0.988 7，AARD分别为1.78%和1.90%。

4.1.2　混合体系模型验证

为了验证随机森林回归算法模型针对CH₄-CO₂混合体系吸附性质预测的准确性，本研究进一步开展了同一岩心温度313 K、压力0~10 MPa条件下CO₂摩尔分数为15%的CH₄-CO₂混合体系等温吸附实验，同时，选用温度303、353 K，压力0~15 MPa条件下TOC含量2.34%的页岩内CO₂摩尔分数53%的CH₄-CO₂混合体系吸附量文献实验数据^[31]，与模型预测值进行对比分析。如图6所示，CH₄-CO₂混合体系吸附量的随机森林模型预测值与实验值吻合较好，平均R²为0.9901，AARD为1.90%，随机森林模型对于不同温度、压力、TOC含量以及CO₂浓度下的页岩内CH₄-CO₂体系气体吸附性质具有较好的预测能力。

4.2　机器学习吸附模型与Langmuir模型对比分析

Langmuir模型是一种基于分子动力学理论建立的气体分子在固体表面的低压吸附模型，具有求解简单、预测精度高等特点，被广泛应用于描述页岩气吸附特性^[26]。本研究进一步对比分析了机器学习吸附模型与Langmuir模型对页岩内CH₄-CO₂吸附量预测准确性，对比条件设定为：页岩中TOC含量 2.28%^[26]、温度353 K、压力0~20 MPa，分别对单组分气体、CH₄-CO₂混合体系的吸附量进行对比研究。

如图7所示，针对CH₄和CO₂单组分气体吸附量的预测结果显示：随机森林模型预测的平均R²分别为0.981 6和0.978 9，AARD分别为2.46%和2.51%；而Langmuir模型预测的平均R²分别为0.945 7和0.943 8，AARD分别为4.26%和4.29%。针对CH₄-CO₂混合体系总吸附量，随机森林模型和Langmuir模型预测的平均R²分别为0.976 8和0.942 2，AARD分别为2.58%和4.34%。上述结果表明，随机森林模型对CH₄-CO₂单组分体系和混合组分体系的预测效果均优于Langmuir模型。

5　基于机器学习模型的CH₄-CO₂混合体系竞争吸附特性预测

收起

竞争吸附是影响页岩气藏中多组分气体运移与富集的关键机制，CH₄-CO₂竞争吸附更是CO₂-ESGR技术的重要机理之一，深入开展页岩内CH₄-CO₂混合体系竞争吸附特性预测研究具有重要意义。基于前文建立的随机森林吸附模型，本节进行了CH₄-CO₂混合体系的竞争吸附规律预测分析。

本研究选择压力0~15 MPa、温度303~353 K条件下的4组页岩样品（TOC含量分别为1.10%、2.34%、3.18%和3.64%）内不同比例CO₂-CH₄混合气体的吸附实验数据，通过吸附选择系数来表征混合状态下CO₂与CH₄之间的竞争吸附性质，并探究温度、TOC含量和CO₂含量等关键因素的影响规律。CO₂/CH₄吸附选择系数的计算公式^[8]为：

S C O 2 / C H 4 = x C O 2 / y C O 2 x C H 4 / y C H 4

（1）

式中：

S C O 2 / C H 4

为吸附选择系数；x为CH₄-CO₂混合体系中各个组分在吸附相中的摩尔分数，%；y为CH₄-CO₂混合体系中各个组分在自由相中的摩尔分数，%。

如图8所示，随机森林吸附模型对CO₂/CH₄吸附选择系数的预测数据与实验数据吻合性较好，平均R²为0.972 4，表明该模型对页岩内CH₄-CO₂混合体系竞争吸附性质的预测具有良好的准确性。在混合状态下CO₂/CH₄吸附选择系数均大于1，表明页岩对CO₂具有优先吸附特性，并且选择系数越大，CO₂被优先吸附的程度越强。随压力升高，CO₂/CH₄吸附选择系数呈现增长趋势，其具体的增长速率随页岩TOC含量不同而变化。随着混合体系内CO₂浓度增高，CO₂/CH₄吸附选择系数也逐步增高。

进一步研究温度（303~353 K）和TOC含量（1.10%~3.64%）对页岩内CH₄-CO₂混合状态下CO₂/CH₄吸附选择系数的影响规律（图9）。CO₂/CH₄吸附选择系数，随TOC含量增大而增大，随温度增高而增大。

6　结论

收起

1）本文基于BP神经网络、KNN、随机森林与支持向量机4种机器学习方法，通过优化确定各模型最佳关键参数取值，建立了基于机器学习的页岩内CH₄-CO₂吸附预测模型，实现对CH₄、CO₂单组分气体吸附量和CH₄-CO₂混合体系总吸附量及其组分吸附量的准确预测。

2）在4种机器学习模型中，随机森林模型对CH₄、CO₂单组分气体和CH₄-CO₂混合体系吸附性质的预测效果最好，平均R²均大于0.99，预测平均绝对相对偏差介于1.57%~1.94%，具备极高的预测精度。

3）基于实验数据与文献数据对随机森林模型进行了验证，结果表明：在TOC含量2.34%~3.64%、温度303 ~353 K、压力0~15 MPa的范围内，该模型对CH₄、CO₂单组分气体和CH₄-CO₂混合体系的吸附量预测平均绝对相对偏差为1.78%~1.90%，不仅预测精度较高，且具有较好的预测范围拓展性。

4）利用构建的机器学习吸附模型研究了CH₄-CO₂混合状态下的竞争吸附特性，预测精度较高，并分析了温度、压力、TOC含量和CO₂浓度对页岩内CH₄-CO₂混合体系竞争吸附的影响规律。

5）本文所构建的机器学习预测模型可以作为传统的吸附性质测量实验的高效替代方案，大幅提高页岩储层气体吸附性质评价的便捷性，能够为页岩气开发潜力评估与CO₂封存可行性提供科学指导。在后续研究中可进一步拓展模型适用性与吸附机理融合深度，以增强模型在复杂地质条件下的工程适用性。

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

ARORA

, SARAN

R K

, KUMAR

, et al. Separation and sequestration of CO₂ in geological formations[J]. Materials Science for Energy Technologies, 2019, 2(3): 647-656.

窦立荣, 郜峰, 王曦, 等. 全球 CCUS 行业发展趋势及国际油公司业务发展模式[J]. 钻采工艺, 2025, 48(5): 21-29.

DOU

Lirong

, GAO

Feng

, WANG

, et al. Global trends in the CCUS industry and business development models of international oil companies[J]. Drilling and Production Technology, 2025, 48(5): 21-29.

Y J

, LI

X Y

, WANG

Y L

, et al. Effects of composition and pore structure on the reservoir gas capacity of Carboniferous shale from Qaidam Basin, China[J]. Marine and Petroleum Geology, 2015, 62: 44-57.

WANG

, TIAN

, YU

X Y

, et al. Advances in improved/enhanced oil recovery technologies for tight and shale reservoirs[J]. Fuel, 2017, 210: 425-445.

张金川, 孙梦莲, 姜心怡, 等. 中国陆域非常规天然气资源分布[J]. 世界石油工业, 2026, 33(1): 99-129.

ZHANG

Jinchuan

, SUN

Menglian

, JIANG

Xinyi

, et al. Distribution of unconventional natural gas resources in China's terrestrial domain[J]. World Petroleum Industry, 2026, 33(1): 99-129.

白桦. 全球非常规天然气开发利用及经验借鉴[J]. 中国石油企业, 2019, (12): 64-68.

BAI

Hua

. Development and utilization of unconventional natural gas in the world and its experience[J]. China Petroleum Enterprise, 2019,(12): 64-68.

, ZHANG

, HU

, et al. The methane adsorption ability of lacustrine shale and its controlling factors: A case study of shale from the Jurassic Lianggaoshan Formation in the Sichuan Basin[J]. Processes, 2025, 13(4): 1061.

CAO

, QIN

, JIANG

, et al. Review of competitive adsorption of CO₂/CH₄ in shale: Implications for CO₂ sequestration and enhancing shale gas recovery[J]. ACS Omega, 2025, 10(13): 12756-12771.

LIAO

, ZHOU

, ZHENG

, et al. Adsorption kinetics of CH₄ and CO₂ on shale: Implication for CO₂ sequestration[J]. Separation and Purification Technology, 2024, 337: 126427.

张烈辉, 韦棋, 廖广志, 等. 双碳背景下中国CCUS-EOR发展现状、思考与展望[J]. 钻采工艺, 2025, 48(5): 10-20.

ZHANG

Liehui

, WEI

, LIAO

Guangzhi

, et al. Current status, reflections and prospects of CCUS-EOR development in China under the dual-carbon goals[J]. Drilling and Production Technology, 2025, 48(5): 10-20.

高玉巧, 郑永旺, 张莉娜, 等. 南川常压页岩气田注CO₂吞吐矿场实践[J]. 石油实验地质, 2025, 47 (2): 395-405.

GAO

Yuqiao

, ZHENG

Yongwang

, ZHANG

Lina

, et al. Field tests of CO₂ huff-n-puff technology in Nanchuan normal-pressure shale gas field[J]. Petroleum Geology & Experiment, 2025, 47(2): 395-405.

胡书勇, 郭学强, 张佳轶, 等. 双碳愿景下CCUS提高油气采收率技术[J]. 世界石油工业, 2024, 31(1): 81-91.

Shuyong

, GUO

Xueqiang

, ZHANG

Jiayi

, et al. CCUS improves oil and gas recovery technology under the vision of carbon neutral and carbon peak[J]. World Petroleum Industry, 2024, 31(1): 81-91.

ZHANG

J Y

, ZHOU

J P

, XIAN

X F

, et al. Adsorption behavior and thermodynamic analysis of pure and binary CO₂/CH₄ mixture on shale[J]. Gas Science and Engineering, 2025, 134: 205520.

ZHAO

Y L

, LUO

M Y

, ZHANG

, et al. Competitive adsorption of CH₄/CO₂ in shale nanopores during static and displacement process[J]. Natural Gas Industry B, 2024, 11(3): 239-251.

CHANG

, LIN

S S

, YANG

C H

, et al. Enhancing shale gas recovery and CO₂ sequestration: Microscopic mechanisms of adsorption and diffusion in shale pores[J]. Physics of Fluids, 2024, 36(11): 116614.

SIKIRU

, MAHAT

M M

, GIRI

, et al. Molecular insights into shale gas adsorption: Thermodynamics, pore architecture, and CO₂ utilization in next-generation energy systems[J]. Results in Engineering, 2025, 28: 107370.

LIU

S Y

, WANG

J L

, LI

H Y

, et al. A generalized adsorption model of CO₂-CH₄ in shale based on the improved Langmuir model[J]. Fuel, 2025, 379: 132971.

, JI

, ZHANG

, et al. On the use of the multi-site Langmuir model for predicting methane adsorption on shale[J]. Energies, 2024, 17(19): 4990.

ZHOU

, HUI

, SHI

J W

, et al. Machine learning method for shale gas adsorption capacity prediction and key influencing factors evaluation[J]. Physics of Fluids, 2024, 36: 016604.

WANG

, ZHANG

M S

, XIA

X Z

, et al. Lattice Boltzmann prediction of CO₂ and CH₄ competitive adsorption in shale porous media accelerated by machine learning for CO₂ sequestration and enhanced CH₄ recovery[J]. Applied Energy, 2024, 370: 123638.

ZENG

C H

, KALAM

, ZHANG

H Y

, et al. Predicting absolute adsorption of CO₂ on Jurassic shale using machine learning[J]. Fuel, 2025, 381: 133050.

ZHOU

, XIAO

A L

, DENG

G Z

, et al. A novel fractal Langmuir and machine learning framework for precise prediction of CH₄/CO₂ adsorption in heterogeneous shale: Implications for CO₂ sequestration[J]. Physics of Fluids, 2025, 37(8): 086639.

WANG

, CHEN

, WANG

, et al. Physics-informed neural network for CH₄/CO₂ adsorption characterization[C]//SPE Canadian Energy Technology Conference and Exhibition. Richardson: Society of Petroleum Engineers, 2024: SPE 218029-MS.

张欢, 柴昊楠, 赵洪宝, 等. 重质烷烃对页岩中CO₂与CH₄竞争吸附的影响机制[J]. 油气藏评价与开发, 2025, 15(4): 579-588.

ZHANG

Huan

, CHAI

Haonan

, ZHAO

Hongbao

, et al. Mechanism of heavy alkane influence on CO₂ and CH₄ competitive adsorption in shale[J]. Petroleum Reservoir Evaluation and Development, 2025, 15(4): 579-588.

PAN

, XU

, YANG

, et al. Research on shale reservoir characterization and control factors[J]. Chemistry and Technology of Fuels and Oils, 2024, 60(3): 773-785.

齐荣荣. 页岩气多组分竞争吸附机理研究[D]. 北京: 中国石油大学(北京), 2019.

Rongrong

. Study on multi-component competitive adsorption mechanism of shale gas[D]. Beijing: China University of Petroleum (Beijing), 2019.

, CHENG

, LIU

, et al. Study on the adsorption of CH₄, CO₂ and various CH₄/CO₂mixture gases on shale[J]. Alexandria Engineering Journal, 2020, 59(6): 5165-5178.

DUAN

, GU

, DU

X D

, et al. Adsorption equilibrium of CO₂ and CH₄ and their mixture on Sichuan Basin Shale[J]. Energy & Fuels, 2016, 30(3): 2248-2256.

NIU

, YUE

, LI

, et al. Influencing factors and selection of CH₄ and CO₂ adsorption on Silurian Shale in Yibin, Sichuan Province of China[J]. Energy & Fuels, 2018, 32(3): 3202-3210.

胡楠. 页岩中超临界CH₄、CO₂吸附特性研究[D]. 重庆: 重庆大学, 2018.

Nan

. Adsorption characteristics of supercritical CH₄ and CO₂ in shale[D]. Chongqing: Chongqing University, 2018.

李钟原. 页岩超临界CH₄/CO₂吸附实验及影响因素研究[D]. 北京: 中国石油大学(北京), 2020.

Zhongyuan

. Experimental research and influencing factors of supercritical CH₄/CO₂ adsorption on shale[D]. Beijing: China University of Petroleum (Beijing), 2020.

刘启力. 超临界CO₂作用对页岩微观结构及CH₄、CO₂吸附性能的影响研究[D]. 重庆: 重庆大学, 2017.

LIU

Qili

. Study on the influence of super-critical CO₂ treatment on the microstructure and CH₄/CO₂adsorption characteristics of shale[D]. Chongqing: Chongqing University, 2017.

LUO

X R

, WANG

S Z

, WANG

Z G

, et al. Adsorption of methane, carbon dioxide and their binary mixtures on Jurassic shale from the Qaidam Basin in China[J]. International Journal of Coal Geology, 2015, 150: 210-223.

RUMELHART

D E

, HINTON

G E

, WILLIAMS

R J

. Learning representations by back-propagating errors[J]. Nature, 1986, 323(6088): 533-536.

COVER

, HART

. Nearest neighbor pattern classification[J]. IEEE Transactions on Information Theory, 1967, 13(1): 21-27.

BREIMAN

. Random forests[J]. Machine Learning, 2001, 45(1): 5-32.

CORTES

, VAPNIK

. Support-vector networks[J]. Machine Learning, 1995, 20(3): 273-297.

2026年第16卷第4期

引用本文

BibTeX

文章信息

doi: 10.13809/j.cnki.cn32-1825/te.20250080

接收时间：2025-12-11
首发时间：2026-10-30
出版时间：2026-07-26

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2025-12-11

基金

作者信息

¹　中国石油大学（华东）石油工程学院，山东　　青岛　266580

²　深层油气全国重点实验室（中国石油大学（华东）），山东　　青岛　266580

³　中国石油勘探开发研究院，北京　100083

⁴　多资源协同陆相页岩油绿色开采全国重点实验室，黑龙江　　大庆　163412

通讯作者:

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/yqcpjykf/CN/10.13809/j.cnki.cn32-1825/te.20250080

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT