基于网格搜索-随机森林算法的水合物结构与生成条件预测

杨 威，薛 钊，蔡文慧，王 婷，田东海，梁昌晶

1.华北石油管理局有限公司苏里格勘探开发分公司，内蒙古鄂尔多斯150626

2.中国石油华北油田公司友信勘探开发服务有限公司，河北任丘062552

3.中国石油华北油田公司第二采油厂，河北霸州065700

4.中国石油华北油田公司二连分公司，内蒙古锡林浩特026000

目前，水合物生成条件的预测方法主要有经验图解法、关联公式法和热力学模型法[1-3]，其中经验图解法和关联公式法在油气田现场应用较多，但预测精度及效果不好，热力学模型法是基于室内试验的结果，通过引入状态方程以提高预测结果精度，但涉及的参数较多，专业性较强，不能很好地推广使用。

随着机器学习技术的不断发展，越来越多的学者采用人工智能算法对水合物的生成条件进行预测[4]。卞小强等[5]通过引入CO2和H2S 的贡献因子，采用SVM 对含酸性气体的水合物生成条件进行了预测，其平均相对偏差为5.7%；Mesbah 等[6]为了解决SVM 算法产生局部最优问题，引入了最小二乘向量机，可有效预测高酸天然气水合物的生成；唐永红等[7]将小波分析和神经网络相结合，通过求解权值向量、平滑因子、伸缩因子等变量，对I 型水合物的生成温度进行了预测；马贵阳等[8]将遗传算法与SVM 相结合，通过数值计算拟合了相平衡曲线，其精度与热力学模型的精度接近。综上所述，以上研究均基于大量的试验数据，本身容易陷入局部最优，出现超参数选取困难的现象，且未考虑抑制剂、水中盐类的影响，对水合物结构进行智能算法分类也未见报道。在此，采用具有分类和回归功能的随机森林算法[9-10]，以不同的气体组分为输入变量，对水合物结构进行分类；以气体组分、压力、抑制剂、盐类等为输入变量，对水合物的生成温度进行预测，以期为水合物的相关研究提供理论依据和实际参考。

1 水合物相平衡影响因素

影响水合物相平衡的因素可分为气体组分和外部因素两方面，外部因素包括抑制剂、盐类、温度、压力等[11]。

（1） 气体组分。首先，水合物结构的形成主要与气体组分相关，CH4、C2H6等小分子气体和非烃类气体可形成I 型水合物；C3H8、i-C4H10和非烃类气体可形成II 型水合物；H 型水合物的形成需要2，2-二甲基丁烷、甲基环己烷、甲基环戊烷等大分子配合CH4、N2等小分子[12]，在现场未检测到有关组分，在此不予讨论。其次，气体组分的差异化可改变相平衡曲线，在纯CH4中分别加入C2H6和C3H8可以促进水合物的生成，且C3H8与十六面体大空腔的结合作用更强；加入H2S 和CO2也会使相平衡曲线右移，由于H2S 的溶解度更高，对水合物的促进作用更强。

（2） 水合物抑制剂。常用的水合物抑制剂有甲醇、乙醇、乙二醇、二甘醇、三甘醇[13]，不同抑制剂的抑制效果不同。随着抑制剂摩尔分数的增加，甲醇的抑制效果基本不变，乙醇和二甘醇的抑制效果变小，乙二醇的抑制效果变大，三甘醇的抑制效果先变小后变大，主要与气- 水两相体系中非电荷基团的数量和性能有关。

（3） 水中盐类。对于气田采出水，水中盐类的成分和含量对水合物相平衡影响较大[14]。由于水中溶解的离子会形成强弱不同的电场，而水合物形成笼型结构需要额外的能量来破坏这种电场，根据分子间氢键的破坏程度，Cl-对水合物的抑制作用比S要强[15]。

（4） 温度、压力。高压、低温环境下容易生成水合物，这是水合物生成的最重要热力学因素[16]。低压下相平衡曲线较敏感，高压下敏感程度降低；低温下相平衡曲线不敏感，高温下敏感程度上升很快。

2 数据来源及研究方法

2.1 数据来源

分类问题方面，以不同的气体组分为输入变量，其中C1+C2的摩尔分数为第一变量，C3+C4+N2的摩尔分数为第二变量，C5+摩尔分数为第三变量，CO2摩尔分数为第四变量，H2S 摩尔分数为第五变量，以水合物的结构类型为输出值，对结构类型进行数字化标签转化，I 型水合物定义为1，II 型水合物定义为2。回归问题方面，以气体组分、压力、抑制剂含量、盐类含量等为输入变量，其中气体组分变量输入与回归模型一致，抑制剂中以甲醇和乙二醇应用最为广泛，且一般不同时使用，以甲醇+乙二醇摩尔分数为第六变量，对水合物形成影响最大的孔隙水中主要含有NaCl 和MgCl2，以NaCl+MgCl2的摩尔分数为第七变量，以井口压力为第八变量，以Du-Guo 公式计算的水合物形成温度为输出变量。

采用华北油田2018—2019 年气井的水合物数据，包括气质组分、水质组分、抑制剂注入量、压力、温度等，这些数据充分考虑了不同影响因素对水合物生成的贡献程度，按照现场工况，CH4摩尔分数为80%～96%，C2H6摩尔分数为0%～5%，C3H8摩尔分数为0%～5%，H2S 摩尔分数为0%～5%，CO2摩尔分数为0%～10%，N2摩尔分数为0%～6%，抑制剂在水相中的摩尔分数为0% ～30% ，NaCl+MgCl2在水相中的摩尔分数为3%～8%，井口经节流后压力不超过5 MPa。取100 组数据，按照4∶1 的比例，取其中80 组作为训练集用于建立模型，取其中20 组作为测试集用于评价模型，部分数据见表1。

表1 水合物生成条件部分数据

2.2 随机森林算法

随机森林算法RF（Random Forest） 由Leo Breiman 在2001 年提出，根据bootstrap 重抽样方法，从原始数据样本中随机抽取M 个观测值，同时再随机抽取k 个自变量作为分类树的节点，产生成百上千个分类树，是决策树的随机集成[17]。对于分类问题，可根据不同分类树的投票结果，按照特征判定标准决定分类结果，模型为RFC（Random Forest Classification）；对于回归问题，可根据预测均值，按照待回归属性决定回归结果，模型为RFR（Random Forest Regression）。随机森林算法中最为重要的两个超参数为树的数量（Nt） 和候选特征子集的数量（Mt）[18]，同时随机森林算法本身对节点最小样本数（Nodesize） 不敏感，在此不予考虑。采用运算速度最快的网格搜索法GS（Grid Search），通过对不同固定范围内的超参数进行寻优，得到最优解。

2.3 评价指标

为了防止模型出现高方差或高偏差问题，需要对模型的适应性进行评估，在此采用K 折交叉验证的方式，K 取5。采用二维混淆矩阵对分类模型的预测结果进行评价，评价指标为召回率Recall、精确率Precision 以及召回率和精确率的调和均值Fβ，为了加大Recall 的相对重要程度，β 值取2，公式如下：

采用相对误差百分比、平均绝对百分比误差MAPE、均方根误差RMSE 对回归模型的预测结果进行评价，公式如下：

式中：n 为测试集样本的个数，n=16；y 为实际值；y'为预测值，即经随机森林算法计算的预测值。

3 结果与讨论

3.1 水合物结构类型预测

（1） 超参数Mt预选。采用GS 对超参数Mtry进行预选，采用残差均方值（mean of squared residuals） 和拟合优度（var explained） 作为判定依据，见表2。当Mt=3 时，残差均方值最小，拟合优度最大，模型在计算精度、运算时间、拟合程度上最优。

表2 不同Mt 的残差均方值和拟合优度

当Mt=3 时，对不同决策树的数量Nt的残差均方值变化进行验算，见图1。当Nt＞100 时，模型误差较小，但Nt在100～200 之间时，仍有小幅波动。Nt数量过小，训练不稳定，容易过拟合，过大则影响运算速度，综合各方因素，Nt取300。

图1 Nt 数量与残差均方值的关系

（2） 模型的适应性对比。为了进一步评价模型的适应性，对比不同的超参数寻优方法和分类模型，选取经网格搜索优化后的支持向量机分类模型（GS-SVC）、经遗传算法优化后的支持向量机分类模型（GA-SVC）、神经网络分类模型（BP） 与经网格搜索优化后的随机森林分类模型（GS-RFC）进行对比，见表3。

表3 不同超参数寻优方法和分类模型的交叉验证结果

GA-SVC 和BP 算法的训练集和测试集的准确率均较低，训练集的准确率不超过88%，测试集的准确率不超过83%，这是由于SVC 求解的是二次规划问题，计算量较大，虽然经过GA 算法进行了超参数寻优，但适应性较差；BP 算法由于不同层数神经元的连接，容易造成参数膨胀，出现过拟合，且网络深度太浅，数据区分度不高，因此适应性最差。GS-SVC 算法的训练集准确率为92.8%，测试集准确率为87.6%，较GA-SVC 有所提高，证明GS 比GA 的寻优方式更好，模型适应性有所提高。GS-RFC 算法训练集和测试集的准确率均超过了92%，对于不同水合物结构类型，虽然不同气体组分形成的水合物类型具有明显的指向性，但具体轻微的含量差别对于水合物结构的内在影响不易区分，不同组分的区分度不大，随机森林算法可以处理离散型或连续性数据，也可以处理异常数据的缺失，因此模型的适应型最佳。

（3） 预测结果对比。不同分类模型的预测结果对比见表4。

表4 不同分类模型的预测结果

BP 算法的召回率、精确率和Fβ值最小，共出现了4 个分类错误，BP 模型需要具有独立的分类假设，因此分类效果不佳；GA-SVC 算法出现了3个分类错误，数据集的数据具有离散非线性特点，对于除二元分类问题外，表现效果不佳；GS-RFC算法的召回率、精确率和Fβ值分别为0.94、0.91和0.915，共出现了1 个分类错误，在4 种算法模型中的准确率最高，分类效果最好。

3.2 水合物生成温度预测

水合物生成温度预测模型与水合物结构类型预测模型相比，输入变量增加了压力、抑制剂和盐类等参数。超参数寻优过程与分类模型相同，其中Mt=3，Nt=300。选取经网格搜索优化后的支持向量机回归模型（GS-SVR） 和基于径向基核函数的支持向量机模型（RBF-SVR） 与经网格搜索优化后的随机森林回归模型（GS-RFR） 进行对比，预测结果见图2、图3、表5。其中GS-SVR 和RBF-SVR 的平均绝对误差和均方根误差较大，预测模型效果较差，而GS-RFR 预测模型的误差最小，平均绝对误差为1.91%，均方根误差为0.35。主要是由于SVR 模型虽然是将非线性的数据映射到高维空间后再进行分类处理，但仍然属于浅层模型，对于区分度不大、维度较高的数据集预测效果不好，而随机森林算法抗过拟合能力较强，对于预测不平衡的数据集误差很小，属于无偏估计数据驱动的深层模型，更适合水合物生成条件的预测。从相关系数R 来看，GS-RFR预测模型的相关系数最大为0.987，证明预测结果与实际值更接近。

图2 水合物生成温度预测结果

图3 水合物生成温度预测结果相对误差

表5 预测结果评价

4 结论

（1） 通过交叉验证，GS-RFC 算法训练集和测试集的准确率均超过了92%，模型的适应性最佳，召回率、精确率和Fβ值分别为0.94、0.91 和0.915，共出现了1 个分类错误，分类效果最好。

（2） 对于水合物形成温度的预测，GS-RFR预测模型的误差最小，平均绝对误差为1.91%，均方根误差为0.35，相关系数为0.987，模型的准确性和保守性最好，属于无偏估计数据驱动的深层模型，证明机器学习算法可为水合物的相关研究提供理论依据和实际参考。

（3） 研究表明，可通过预测结果判断是否采取添加抑制剂或电加热等措施。