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重要。這有助于減少氣體泄漏風險、提高儲存容量，并保障地下氣體儲存的長期穩(wěn)定性，同時推動清潔能源發(fā)展和減少碳排放。然而，目前預測界面張力的方法（如實驗法）存在耗時、費力、成本高以及難以表征多組分氣體共同影響的問題。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(shù)學表達式。

近年來，機器學習算法顯示出了良好的預測潛力。在眾多機器學習方法中，自動機器學習（AutoML）算法可處理具有多個因素的復雜預測任務，適用于鹽水-多組分氣體界面張力的預測問題。符號回歸（SR）可通過數(shù)據(jù)生成相應的數(shù)學表達式，從而為機器學習模型提供可解釋性。然而，這兩種方法在訓練和發(fā)現(xiàn)過程中非常耗時，需要一種先進的算法來提高效率。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)化問題，從而提高模型開發(fā)和應用的效率。

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

遺傳算法優(yōu)化的界面張力智能預測方法

采集原始數(shù)據(jù)，并對所述原始數(shù)據(jù)進行歸一化，得到歸一化數(shù)據(jù)；

初始化自動機器學習模型的候選模型集合，所述候選模型集合包括多個候選機器學習模型；

定義遺傳算法的參數(shù)；

從所述候選模型集合中選擇第一數(shù)量的候選機器學習模型，作為個體；

基于所述歸一化數(shù)據(jù)，對每個所述個體的第一預測結果進行性能評估，得到每個所述個體的選擇概率；

根據(jù)所述選擇概率，構建累積序列，并基于所述累積序列，確定被選個體；

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

基于所述變異后個體，進行個體間交叉，生成后代個體；

第一迭代次數(shù)加1，并判斷第一迭代次數(shù)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(shù)量的候選機器學習模型步驟；若否，將當前所述后代個體作為預測模型；

基于所述原始數(shù)據(jù)，生成多組樣本數(shù)據(jù)，并對所述樣本數(shù)據(jù)進行歸一化，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(shù)據(jù)集，合并所述補充數(shù)據(jù)集和所述歸一化數(shù)據(jù)，得到合并數(shù)據(jù)；

定義表達式算子；

基于符號回歸，根據(jù)所述表達式算子和所述合并數(shù)據(jù)，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(shù)據(jù)，對每個所述個體的第一預測結果進行性能評估，得到每個所述個體的選擇概率，具體為：

將所述歸一化數(shù)據(jù)作為所述個體的輸入，得到所述個體的第一預測結果；

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

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

順序排列所有個體的選擇概率，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(shù)值，作為所述被選個體。

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

可選地，基于所述變異后個體，進行個體間交叉，生成后代個體，具體為：

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

可選地，基于所述變異后個體，進行個體間交叉，生成后代個體，具體為：

將各個變異后個體的參數(shù)進行組合，得到新的參數(shù)，對所述新的參數(shù)進行訓練，得到所述后代個體。

可選地，基于所述變異后個體，進行個體間交叉，生成后代個體，具體為：

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

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

基于所述合并數(shù)據(jù)，對每個所述候選表達式的第三預測結果進行性能評估，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行變異，生成變異表達式；

基于所述變異表達式，進行交叉，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)化的自動機器學習和符號回歸模型融合遺傳算法、自動機器學習和符號回歸方法，進行界面張力的預測，相較于傳統(tǒng)實驗測量方法，提高了界面張力的預測速度和精度，同時通過數(shù)學表達式提高了數(shù)據(jù)驅動模型的可解釋性。