使用进化优化的梯度提升机开创性研究油与氮界面张力

这对未来石油产量的意义

即便采用了现代钻采和抽汲技术，油藏中仍有大量石油顽固地滞留在地下。促使更多石油流出的方法之一是注入有助于松动并搬运油的气体。这项研究展示了如何利用一种强大的人工智能形式来预测一个关键性质——它决定了注入氮气释放滞留石油的效果——从而帮助工程师在无需反复做大量实验的情况下，设计更清洁、更高效的采油方法。

用更清洁的手段获取更多石油

油气公司长期以来一直采用气体注入来推动老油田的剩余油产出。二氧化碳尤其有效，但也带来问题：它可导致设备腐蚀，使油中较重组分絮凝并堵塞孔隙，并且依赖于持续的CO₂捕集供应。相比之下，氮气便宜、储量丰富且化学惰性。它可以稳定油藏压力、与轻质组分形成可混溶体系，并将石油扫向生产井，使其在CO₂风险或经济性不足的情况下成为有吸引力的替代方案。

油—气界面处的隐性拉锯

气体驱采的核心在于界面张力——位于油与气体边界处的“表皮”。当界面张力高时，油滴会顽固地附着在岩石表面；当张力低时，它们可以更自由地移动。界面张力取决于压力、温度和油的类型，而在所有可能的条件下进行实验测量成本高昂。传统方程往往需要油的详细化学组分信息，且在不同油藏间可靠性有限。这一差距促使人们寻求能够从更简单、广泛可得的测量中做出准确预测的数据驱动工具。

教模型从稀缺数据中学习

作者汇编了先前实验中关于氮—油界面张力的148条精确测量数据，涵盖了广泛的压力、温度和油品特性（以API度表示）。他们首先用基于蒙特卡洛的统计检验筛除异常值，确保罕见或错误的数据点不会扭曲结果。随后训练了梯度提升机（gradient boosting machine），这是一类通过组合许多小决策树以捕捉微妙非线性模式的集成模型。为避免对这个相对小的数据集过拟合，他们采用了五折交叉验证，反复打乱训练与测试数据的划分。

让自然启发的算法微调模型

研究人员没有靠猜测模型的最佳参数，而是使用四种模拟自然行为的“元启发式”搜索方法：蜜蜂觅食、鸟群聚集、杜鹃寄生筑巢以及鲸鱼捕食模式。每种方法探索模型深度、学习速率及其他控制参数的不同组合，目标是最小化预测误差。在这些试验中，受蜜蜂启发的人工蜂群（Artificial Bee Colony）优化产生了最可靠的模型，在已知数据的准确性与对新、未见条件的泛化能力之间取得了良好平衡。

为机器学习的黑箱开窗

为了理解模型学到了什么，团队使用了名为SHAP的可解释性工具，该工具为每个输入分配对单次预测的贡献份额。该分析显示，压力和温度在氮—油界面张力中占据决定性作用，而API度则起到较小但可察觉的影响。所学到的趋势与物理直觉相符：较高压力压缩气相并促进混合，从而降低界面张力；较高温度增大分子运动，削弱界面“表皮”；较轻的油（API度更高）内聚力较低，因此界面张力往往也更低。

实际意义

通俗地说，这项研究提供了一条智能捷径：一个经过验证、与物理一致的AI模型，能够仅用三项易测输入估算氮气与石油之间界面的“黏着性”在多种不同地下条件下的表现。经蜂群优化的模型提供了最值得信赖的预测，并清楚表明调控压力和温度是软化界面、动员滞留石油的最有效手段。借助更可靠的预测，工程师可以更自信地设计氮气注入方案，减少对昂贵实验室测试的依赖，并探索更清洁的气体与添加剂组合，以在减少浪费的前提下从现有油藏中榨取更多能量。

引用: Abushuhel, M., Mohammad, H., Rao P S, R. et al. Pioneering oil and nitrogen interfacial tension using evolutionarily optimized gradient boosting machine. Sci Rep 16, 13086 (2026). https://doi.org/10.1038/s41598-026-43758-4

关键词: 提高采油率, 氮气注入, 界面张力, 机器学习模型, 梯度提升