基于梯度提升机(GBM)优化算法的低矿化度水驱黏土质砂岩渗透率降低预测研究

针对低矿化度水驱过程中黏土质砂岩渗透率降低的预测难题，研究人员采用梯度提升机(GBM)结合高斯过程优化(GPO)等算法，构建了高精度预测模型。研究揭示了离子强度(IS)等关键参数的影响机制，R2达最优水平，为油田提高采收率(EOR)提供了数据驱动的新范式。

　　

在能源需求持续增长的背景下，提高原油采收率(EOR)技术成为石油工业的核心课题。低矿化度水驱作为砂岩油藏EOR的重要方法，却因黏土矿物遇水膨胀、微粒迁移等问题导致渗透率急剧下降，严重制约开发效果。传统实验方法耗时耗力，而现有机器学习模型又存在参数覆盖不全、预测精度不足等缺陷。

针对这一技术瓶颈，九江共青科技职业学院机械与电气工程学院的研究团队在《Physics and Chemistry of the Earth, Parts A/B/C》发表创新研究。该工作通过整合多源实验数据，采用梯度提升机(Gradient Boosting Machine, GBM)算法，结合高斯过程优化(Gaussian Process Optimization, GPO)等四种策略进行超参数调优，构建了渗透率降低预测模型。研究团队从已发表文献中系统收集了黏土含量、离子强度(IS)、总溶解固体(TDS)和流速等关键参数数据集，通过k折交叉验证评估模型性能，并采用SHAP值解析特征重要性。

关键技术方法包括：1) 从文献中提取的黏土质砂岩低矿化度水驱实验数据集构建；2) 梯度提升机(GBM)基础模型搭建；3) 高斯过程优化(GPO)、进化策略(ES)、贝叶斯概率改进(BBI)和批量贝叶斯优化(BBO)四种超参数优化方法对比；4) 基于SHAP值的特征敏感性分析。

【Detailed data scrutinization】
研究团队整合了黏土含量(5-35%)、IS(0.01-1.2 mol/L)、TDS(1000-80000 ppm)和流速(0.1-10 mL/min)等参数构成的多元数据集。通过皮尔逊相关系数分析发现，IS与渗透率降低呈最强负相关(r=-0.82)，显著高于黏土含量(r=-0.63)和TDS(r=-0.57)。

【Sensitivity analysis】
SHAP分析揭示IS贡献度达42.3%，是主导预测结果的核心特征。当IS<0.1 mol/L时，渗透率降低幅度可达初始值的60-80%，这与黏土矿物阳离子交换机制相吻合。GPO优化后的GBM模型R²达0.941，均方根误差(RMSE)较基准模型降低37.2%。

【Conclusions】
研究表明，GPO-GBM组合在预测精度和计算效率上均优于其他优化方法，其预测结果与实验数据误差<8%。该模型为低矿化度水驱方案设计提供了量化工具，特别适用于高黏土含量(>20%)砂岩油藏。研究同时指出，当IS<0.05 mol/L时需警惕渗透率骤降风险，建议通过调节注入水矿化度平衡采收率与储层伤害矛盾。

这项研究首次将多目标优化算法系统应用于低矿化度水驱预测领域，其数据驱动框架可扩展至其他EOR过程建模。成果对延长老油田经济开采寿命、降低开发风险具有重要实践价值，也为智能油气田建设提供了算法支撑。研究强调，未来需结合数字孪生技术实现实时动态预测，以充分发挥机器学习在油藏管理中的决策优化潜力。