基于多类别特征工程的自适应物理信息神经网络：用于黄土层、页岩和煤层中氢气吸附预测
机器学习
2025-09-03 v1
摘要
准确预测黄土层、页岩和煤层中的氢气吸附，是推动地下氢气储存、天然氢气勘探和放射性废物封存的关键。传统实验方法虽然具有基础性意义，但耗时、易出错，且难以捕捉地质异质性。本研究引入一种基于自适应物理信息神经网络（PINN）框架，结合多类别特征工程，以提升氢气吸附预测精度。该框架将经典等温模型与热力学约束相结合，确保物理一致性，同时利用深度学习的灵活性。本文采用包含155个样本的综合数据集，其中包括50个黄土层、60个页岩和45个煤层，纳入多样化的组成成分和实验条件。通过七类别特征工程，捕捉复杂的吸附动力学。PINN采用深度残差网络，运用多头注意力机制，基于自适应损失函数和蒙特卡洛 Dropout进行不确定性量化。采用K折交叉验证和超参数优化，实现显著精度（R2=0.979，RMSE=0.045 mol/kg），同时实现67%更快的收敛速度，尽管模型复杂度增加了15倍。该框架在黄土矿物（R2=0.981）、页岩（R2=0.971）和煤层（R2=0.978）方面均表现出稳健的岩相特定性能，保持85%-91%的可靠性得分。通过SHAP、累积局部效应和弗里德曼H统计量进行可解释性分析，发现氢气吸附容量主导预测，而86.7%的特征对之间存在强烈相互作用，验证了非线性建模方法的必要性。该自适应物理信息框架加速了场地筛选，通过稳健的不确定性量化，实现风险导向的决策。
引用
@article{arxiv.2509.00049,
title = {Adaptive Physics-Informed Neural Networks with Multi-Category Feature Engineering for Hydrogen Sorption Prediction in Clays, Shales, and Coals},
author = {Mohammad Nooraiepour and Mohammad Masoudi and Zezhang Song and Helge Hellevang},
journal= {arXiv preprint arXiv:2509.00049},
year = {2025}
}