基于SHAP可解释性堆叠机器学习模型的CO2作用下煤体力学性能演变机制与安全评估研究

本研究创新性地结合堆叠机器学习模型（Stacking）与SHAP可解释性分析，构建了CO2地质封存中煤体力学性能（ΔS/ΔE）的高精度预测体系。通过多维数据库（>1000样本）解析CO2饱和压力（Pcs）、挥发分（Vdaf）等关键因子的贡献度，揭示高Pcs/tcs条件虽提升煤层气采收率但威胁封存安全的矛盾机制，为碳封存安全评估与能源开发提供智能决策工具。

　　

亮点

• 堆叠模型（Stacking）集成ANN、SVM等5种基学习器，实现ΔS/ΔE预测精度99%的突破

• SHAP三折交叉解读揭示：CO₂饱和压力（P_cs）以22.02%贡献度主导煤体弱化，挥发分（V_daf）则呈现18.49%抑制效应

• 超临界CO₂（ScCO₂）作用下，高P_cs/t_cs/固定碳（FC_ad）条件形成"双刃剑"效应——提升CH₄采收率但加剧封存风险

机器学习模型性能对比与应用

ANN模型凭借多层非线性变换架构，在ΔS/ΔE预测中表现最优，其sigmoid激活函数能精准捕捉CO₂压力-煤质参数的复杂相互作用。相较传统Langmuir模型（仅适用低压阶段），该模型突破了高压区"基质收缩效应"导致的预测瓶颈。

结论

本研究通过千组实验数据构建的智能模型，首次实现：

1. 量化CO₂饱和时间（t_cs）对煤体弱化的非线性影响——前9天强度骤降56%，后期趋缓至4-6%

2. 提出"临界安全阈值"概念：当P_cs>7.38MPa（ScCO₂临界点）时需重点监控盖层稳定性