水分布对煤中CH4和CO2吸附的影响：实验与分子模拟揭示的煤层气增效与碳封存优化机制

本文通过实验与分子模拟结合，揭示了CO2注入煤层后对煤力学性能（ΔS/ΔE）的弱化机制，构建了涵盖CO2饱和条件（Pcs/Tcs/tcs）与煤质特征（Mad/Vdaf等）的多维数据库，开发了基于SHAP可解释性分析的集成学习模型（准确率99%），为CO2地质封存安全评估与煤层气高效开采提供新范式。

　　

Highlight

本研究基于1000余组实验数据，首次将可解释性机器学习（SHAP）与Stacking集成模型（ANN/SVM/KNN/RF/GBDT）结合，精准预测CO₂作用下煤的峰值强度降幅（ΔS）和弹性模量降幅（ΔE）。关键发现：

1. 主导因素解析：通过三折SHAP交叉验证，CO₂饱和压力（P_cs）以22.02%贡献率成为影响ΔS/ΔE的首要因子，而挥发分（V_daf）则表现出18.49%的显著抑制效应。

2. 工程优化启示：高P_cs/长t_cs/高固定碳（FC_ad）条件虽可提升煤层气采收率，但会加剧煤体力学性能劣化，对CO₂封存安全性构成挑战。

Performance comparison and application of ML model

ANN模型凭借其多层非线性变换架构，在ΔS/ΔE预测中表现最优（R²>0.99）。相比传统Langmuir模型仅能描述低压区规律，本模型通过sigmoid激活函数捕捉了高压区"基质收缩效应"导致的力学性能恢复现象，为深部煤层气开发提供动态风险评估工具。

Conclusions

1. 机器学习模型可精准预测不同煤质在CO₂作用下的力学响应，性能排序：ANN > GBDT > RF > SVM > KNN。

2. 高P_cs条件使ΔS/ΔE最大下降59%，但需警惕诱发盖层滑移和CO₂泄漏风险。

3. 该可解释框架为CO₂-ECBM（增强型煤层气开采）项目的参数优化提供了"预测-机理解析-决策支持"一体化解决方案。