长江大学地球科学学院2025级硕士研究生刘铖以第一作者身份，在《International Journal of Hydrogen Energy》（中科院分区大类2区，2025年影响因子9.2）发表题为“Prediction model for methane solubility in brines based on particle swarm optimization genetic programming”的研究论文，陈鹏老师为论文通讯作者。该研究以地层卤水中甲烷溶解度为研究对象，建立了基于粒子群优化遗传编程（PSO-GP）的机器学习预测模型，分析了压力、温度和盐度对甲烷溶解度的影响规律，并对油田实际气样进行了预测验证。

图1 论文首页

地层卤水中溶解的甲烷是重要的非常规天然气资源，其溶解度是评价水溶性气资源潜力的关键参数。传统热力学模型在高温高压、高盐度等复杂条件下预测精度有限，而实验测定成本高、耗时长。研究基于1378组实验数据建立了基础数据库，数据覆盖压力5—140 MPa、温度273.15—493.15 K、盐度0—310028 mg/L，涉及NaCl、CaCl2、KCl、KBr、LiCl、LiBr等多种盐体系，并引入NaCl等效盐度统一表征不同盐体系的离子强度影响；同时利用粒子群优化算法自动寻优遗传编程超参数，最终生成具有显式表达式的甲烷溶解度预测公式。

PSO-GP模型在全部数据集上的决定系数R²达到0.9916，均方根误差RMSE仅为0.0156，能够有效克服传统方法在复杂高压、高盐度条件下预测精度不足的问题。与多基因遗传编程（MGGP）模型的对比结果表明，该模型对数据的匹配程度更高、误差分布更集中，预测精度和泛化能力均表现更优。研究结果可为地层卤水中甲烷溶解度的快速准确预测和水溶性气资源评价提供参考。

图2 PSO-GP模型构建流程图

论文链接：https://www.sciencedirect.com/science/article/abs/pii/S0360319926029332?via%3Dihub