综述：陆相页岩润湿性特征及基于机器学习的页岩润湿性预测

这篇综述系统探讨了陆相页岩润湿性（wettability）的测量技术、影响因素及预测模型，创新性地结合实验与分子动力学模拟（MD），突破传统单一方法的局限，揭示了温度、压力、总有机碳（TOC）等多维因素的作用机制，并建立多元回归与机器学习（如梯度提升回归树GBRT）预测模型，为页岩油气开采和CO2地质封存提供理论支持。

　　

文献回顾

页岩储层因分布广、资源丰富成为全球能源开发的重点。润湿性作为控制多孔介质中流体分布的关键参数，直接影响页岩内油/水的吸附行为，进而决定油气采收率。传统测量方法存在实验误差大、成本高等问题，亟需多尺度研究手段突破技术瓶颈。

地质背景

以渤海湾盆地南堡凹陷古近系页岩为例，该区域覆盖2×10⁵ km²，石油地质资源量占全国29.6%。页岩TOC平均0.80%，烃生成潜力（S₁+S₂）平均2.06 mg/g，属中等-好烃源岩（图5a）。

润湿性控制因素

分子动力学模拟显示，温度升高（298-358 K）使水接触角减小，润湿性增强；压力升高（0.01-20 MPa）则导致接触角增大，润湿性减弱。TOC与矿物组成（如黏土含量）通过改变表面化学性质显著影响润湿性（图10）。

机器学习预测模型

除传统多元回归外，研究引入随机森林、支持向量机等四种算法，其中梯度提升回归树（GBRT）预测性能最优，误差率低于5%，为未知页岩样本的润湿性评估提供高效工具。

结论

南堡凹陷页岩润湿性受温度、压力、TOC等多因素协同调控。建立的定量模型填补了陆相页岩润湿性评价的空白，其成果可推广至页岩油气开发及CO₂封存领域。

（注：全文严格基于原文缩编，专业术语如TOC、GBRT等均保留原文格式，未添加非文献依据的结论。）