準(zhǔn)確預(yù)測(cè)鹽水-氣體界面張力對(duì)于優(yōu)化儲(chǔ)層中氣體的分布和運(yùn)移至關(guān)重要。這有助于減少氣體泄漏風(fēng)險(xiǎn)、提高儲(chǔ)存容量，并保障地下氣體儲(chǔ)存的長(zhǎng)期穩(wěn)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(yù)測(cè)界面張力的方法（如實(shí)驗(yàn)法）存在耗時(shí)、費(fèi)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(zhǔn)確的數(shù)學(xué)表達(dá)式。

近年來，機(jī)器學(xué)習(xí)算法顯示出了良好的預(yù)測(cè)潛力。在眾多機(jī)器學(xué)習(xí)方法中，自動(dòng)機(jī)器學(xué)習(xí)（AutoML）算法可處理具有多個(gè)因素的復(fù)雜預(yù)測(cè)任務(wù)，適用于鹽水-多組分氣體界面張力的預(yù)測(cè)問題。符號(hào)回歸（SR）可通過數(shù)據(jù)生成相應(yīng)的數(shù)學(xué)表達(dá)式，從而為機(jī)器學(xué)習(xí)模型提供可解釋性。然而，這兩種方法在訓(xùn)練和發(fā)現(xiàn)過程中非常耗時(shí)，需要一種先進(jìn)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(yīng)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(jī)器學(xué)習(xí)和符號(hào)回歸模型（GA-AutoML-SR），以準(zhǔn)確預(yù)測(cè)鹽水-氣體界面張力，并生成相應(yīng)的數(shù)學(xué)表達(dá)式。

遺傳算法優(yōu)化的界面張力智能預(yù)測(cè)方法

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

初始化自動(dòng)機(jī)器學(xué)習(xí)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(jī)器學(xué)習(xí)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(jī)器學(xué)習(xí)模型，作為個(gè)體；

基于所述歸一化數(shù)據(jù)，對(duì)每個(gè)所述個(gè)體的第一預(yù)測(cè)結(jié)果進(jìn)行性能評(píng)估，得到每個(gè)所述個(gè)體的選擇概率；

根據(jù)所述選擇概率，構(gòu)建累積序列，并基于所述累積序列，確定被選個(gè)體；

設(shè)置所述被選個(gè)體的數(shù)量加1，并判斷所述被選個(gè)體的數(shù)量是否小于第二數(shù)量，若是，跳轉(zhuǎn)至從所述候選模型集合中選擇第一數(shù)量的候選機(jī)器學(xué)習(xí)模型步驟；若否，對(duì)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(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(zhuǎn)至從所述候選模型集合中選擇第一數(shù)量的候選機(jī)器學(xué)習(xí)模型步驟；若否，將當(dāng)前所述后代個(gè)體作為預(yù)測(cè)模型；

基于所述原始數(shù)據(jù)，生成多組樣本數(shù)據(jù)，并對(duì)所述樣本數(shù)據(jù)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(yù)測(cè)模型，得到第二預(yù)測(cè)結(jié)果；

將所述第二預(yù)測(cè)結(jié)果和所述歸一化樣本作為補(bǔ)充數(shù)據(jù)集，合并所述補(bǔ)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(dá)式算子；

基于符號(hào)回歸，根據(jù)所述表達(dá)式算子和所述合并數(shù)據(jù)，生成初始模型表達(dá)式；

利用遺傳算法搜索所述初始模型表達(dá)式的空間，確定候選表達(dá)式；

對(duì)所述候選表達(dá)式的適應(yīng)度進(jìn)行性能評(píng)估，搜索得到最優(yōu)的模型表達(dá)式。

可選地，基于所述歸一化數(shù)據(jù)，對(duì)每個(gè)所述個(gè)體的第一預(yù)測(cè)結(jié)果進(jìn)行性能評(píng)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(shù)據(jù)作為所述個(gè)體的輸入，得到所述個(gè)體的第一預(yù)測(cè)結(jié)果；

采用適應(yīng)度函數(shù)對(duì)所述第一預(yù)測(cè)結(jié)果進(jìn)行性能評(píng)估，得到對(duì)應(yīng)個(gè)體的適應(yīng)度值；

可選地，根據(jù)所述選擇概率，構(gòu)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(dāng)前值與累積序列中對(duì)應(yīng)位置的前一個(gè)值的和，作為累積序列的當(dāng)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(shù)值，作為所述被選個(gè)體。

可選地，對(duì)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(jié)構(gòu)或參數(shù)。

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(shù)進(jìn)行組合，得到新的參數(shù)，對(duì)所述新的參數(shù)進(jìn)行訓(xùn)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(jié)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(jié)構(gòu)個(gè)體，作為所述后代個(gè)體。

可選地，對(duì)所述候選表達(dá)式的適應(yīng)度進(jìn)行性能評(píng)估，搜索得到最優(yōu)的模型表達(dá)式，具體為：

基于所述合并數(shù)據(jù)，對(duì)每個(gè)所述候選表達(dá)式的第三預(yù)測(cè)結(jié)果進(jìn)行性能評(píng)估，確定被選表達(dá)式集合；

對(duì)所述被選表達(dá)式集合中的所有被選表達(dá)式進(jìn)行變異，生成變異表達(dá)式；

基于所述變異表達(dá)式，進(jìn)行交叉，生成后代表達(dá)式；

最終得到具體模型表達(dá)式為：

基于遺傳算法優(yōu)化的自動(dòng)機(jī)器學(xué)習(xí)和符號(hào)回歸模型融合遺傳算法、自動(dòng)機(jī)器學(xué)習(xí)和符號(hào)回歸方法，進(jìn)行界面張力的預(yù)測(cè)，相較于傳統(tǒng)實(shí)驗(yàn)測(cè)量方法，提高了界面張力的預(yù)測(cè)速度和精度，同時(shí)通過數(shù)學(xué)表達(dá)式提高了數(shù)據(jù)驅(qū)動(dòng)模型的可解釋性。