来源：期刊VIP网 时间：
作者：何恩洋;施文光;王全荣;
单位：中国地质大学(武汉)未来技术学院;中国地质大学(武汉)环境学院;
摘要：机器学习方法被广泛用于模拟和预测不同温压条件下地层水中CO2溶解度的变化规律。然而，该方法的效果高度依赖于训练数据集的样本数量与取值范围，且不同机器学习方法的性能存在差异。为此，在前人研究基础上拓宽了训练数据集范围，其中温度范围为0～180℃，压强范围为0.1～40 MPa,NaCl浓度范围为0.070～5.999mol/kg，并分别采用4种机器学习方法对H2O-NaCl-CO2体系中的CO2溶解度进行预测，包括K-近邻（K-nearest neighbor, KNN）回归模型、最小绝对值选择与收缩算子（least absolute selection and shrinkage operator, Lasso）回归模型、支持向量机回归（support vector regression, SVR）模型、多层感知机（multilayer perceptron, MLP）回归模型；最后，采用沙普利加和解释（Shapley additive explanations,SHAP）方法分析了MLP回归模型中不同因素对CO2溶解度的影响。结果表明：4种方法的预测精度由高到低依次为MLP回归模型、SVR模型、Lasso回归模型、KNN回归模型；MLP回归模型的稳定性和准确度最佳，其平均决定系数R2高达0.982；压强是影响溶解度的主要因素，呈正相关；而NaCl浓度和温度对CO_2溶解度的影响相对较小，呈负相关。本研究训练得到的模型提高了CO2溶解度的预测范围与精度，在预测精度上显著优于前人的机器学习模型，为咸水层CO2地质封存机理研究提供了数据支撑。
关键词：机器学习;;CO_2溶解度;;碳封存;;咸水层
基金资助：国家自然科学基金优秀青年基金项目（42222704）;; 中国海油有限公司综合科研项目（KJZH-2023-2203）;; 海南省院士创新平台科研项目（ZDYF2024GXJS037）;; 国家重点研发计划项目（2021YFA0715900）
