準確預測鹽水-氣體界面張力對于優(yōu)化儲層中氣體的分布和運移至關(guān)重要。這有助于減少氣體泄漏風(fēng)險、提高儲存容量，并保障地下氣體儲存的長(cháng)期穩定性，同時(shí)推動(dòng)清潔能源發(fā)展和減少碳排放。然而，目前預測界面張力的方法（如實(shí)驗法）存在耗時(shí)、費力、成本高以及難以表征多組分氣體共同影響的問(wèn)題。此外，在鹽水-多組分氣體（如H2，CH4,CO2等）界面張力方面，缺乏準確的數學(xué)表達式。

近年來(lái)，機器學(xué)習算法顯示出了良好的預測潛力。在眾多機器學(xué)習方法中，自動(dòng)機器學(xué)習（AutoML）算法可處理具有多個(gè)因素的復雜預測任務(wù)，適用于鹽水-多組分氣體界面張力的預測問(wèn)題。符號回歸（SR）可通過(guò)數據生成相應的數學(xué)表達式，從而為機器學(xué)習模型提供可解釋性。然而，這兩種方法在訓練和發(fā)現過(guò)程中非常耗時(shí)，需要一種先進(jìn)的算法來(lái)提高效率。遺傳算法（GA）是一種生物啟發(fā)式算法，具有高效的全局搜索能力，可用于解決優(yōu)化問(wèn)題，從而提高模型開(kāi)發(fā)和應用的效率。

因此，本文提供了一中基于遺傳算法優(yōu)化的自動(dòng)機器學(xué)習和符號回歸模型（GA-AutoML-SR），以準確預測鹽水-氣體界面張力，并生成相應的數學(xué)表達式。

遺傳算法優(yōu)化的界面張力智能預測方法

采集原始數據，并對所述原始數據進(jìn)行歸一化，得到歸一化數據；

初始化自動(dòng)機器學(xué)習模型的候選模型集合，所述候選模型集合包括多個(gè)候選機器學(xué)習模型；

定義遺傳算法的參數；

從所述候選模型集合中選擇第一數量的候選機器學(xué)習模型，作為個(gè)體；

基于所述歸一化數據，對每個(gè)所述個(gè)體的第一預測結果進(jìn)行性能評估，得到每個(gè)所述個(gè)體的選擇概率；

根據所述選擇概率，構建累積序列，并基于所述累積序列，確定被選個(gè)體；

設置所述被選個(gè)體的數量加1，并判斷所述被選個(gè)體的數量是否小于第二數量，若是，跳轉至從所述候選模型集合中選擇第一數量的候選機器學(xué)習模型步驟；若否，對所述被選個(gè)體進(jìn)行變異，得到變異后個(gè)體；

基于所述變異后個(gè)體，進(jìn)行個(gè)體間交叉，生成后代個(gè)體；

第一迭代次數加1，并判斷第一迭代次數是否小于第一迭代閾值，若是，跳轉至從所述候選模型集合中選擇第一數量的候選機器學(xué)習模型步驟；若否，將當前所述后代個(gè)體作為預測模型；

基于所述原始數據，生成多組樣本數據，并對所述樣本數據進(jìn)行歸一化，得到歸一化樣本；

將所述歸一化樣本輸入所述預測模型，得到第二預測結果；

將所述第二預測結果和所述歸一化樣本作為補充數據集，合并所述補充數據集和所述歸一化數據，得到合并數據；

定義表達式算子；

基于符號回歸，根據所述表達式算子和所述合并數據，生成初始模型表達式；

利用遺傳算法搜索所述初始模型表達式的空間，確定候選表達式；

對所述候選表達式的適應度進(jìn)行性能評估，搜索得到最優(yōu)的模型表達式。

可選地，基于所述歸一化數據，對每個(gè)所述個(gè)體的第一預測結果進(jìn)行性能評估，得到每個(gè)所述個(gè)體的選擇概率，具體為：

將所述歸一化數據作為所述個(gè)體的輸入，得到所述個(gè)體的第一預測結果；

采用適應度函數對所述第一預測結果進(jìn)行性能評估，得到對應個(gè)體的適應度值；

可選地，根據所述選擇概率，構建累積序列，并基于所述累積序列，確定被選個(gè)體，具體為：

順序排列所有個(gè)體的選擇概率，形成第一集合；

將第一集合中的當前值與累積序列中對應位置的前一個(gè)值的和，作為累積序列的當前值；

選擇介于0到1之間的一個(gè)值，作為判定值；

將所述累積序列中與所述判定值的距離最近的數值，作為所述被選個(gè)體。

可選地，對所述被選個(gè)體進(jìn)行變異，得到變異后個(gè)體，具體為：改變所述個(gè)體的結構或參數。

可選地，基于所述變異后個(gè)體，進(jìn)行個(gè)體間交叉，生成后代個(gè)體，具體為：

分別從各個(gè)變異后個(gè)體中提取特征進(jìn)行組合，生成新的特征集，作為后代個(gè)體的特征表示，得到所述后代個(gè)體。

可選地，基于所述變異后個(gè)體，進(jìn)行個(gè)體間交叉，生成后代個(gè)體，具體為：

將各個(gè)變異后個(gè)體的參數進(jìn)行組合，得到新的參數，對所述新的參數進(jìn)行訓練，得到所述后代個(gè)體。

可選地，基于所述變異后個(gè)體，進(jìn)行個(gè)體間交叉，生成后代個(gè)體，具體為：

將一個(gè)變異后個(gè)體的分部，結合到另一個(gè)不同的變異后個(gè)體的決策邊界中，創(chuàng )建具有新結構個(gè)體，作為所述后代個(gè)體。

可選地，對所述候選表達式的適應度進(jìn)行性能評估，搜索得到最優(yōu)的模型表達式，具體為：

基于所述合并數據，對每個(gè)所述候選表達式的第三預測結果進(jìn)行性能評估，確定被選表達式集合；

對所述被選表達式集合中的所有被選表達式進(jìn)行變異，生成變異表達式；

基于所述變異表達式，進(jìn)行交叉，生成后代表達式；

最終得到具體模型表達式為：

基于遺傳算法優(yōu)化的自動(dòng)機器學(xué)習和符號回歸模型融合遺傳算法、自動(dòng)機器學(xué)習和符號回歸方法，進(jìn)行界面張力的預測，相較于傳統實(shí)驗測量方法，提高了界面張力的預測速度和精度，同時(shí)通過(guò)數學(xué)表達式提高了數據驅動(dòng)模型的可解釋性。