英国威廉集团博士研究生吴亚娟在《Processes》上发表题为“Rock Brittleness Prediction with BDEGTO-Optimized XGBoost”的研究论文，威廉williamhill为论文第一单位，博士研究生吴亚娟为论文第一作者，温韬教授为通讯作者。

岩石脆性是决定井筒完整性及储层改造效果的关键力学性质，尤其在页岩气、致密油气等资源的水力压裂设计中具有重要指导意义。然而，目前岩石脆性指数的定义和直接测量方法尚未统一，传统方法多基于特定工程背景，适用范围有限。近年来，机器学习方法被逐步引入岩石脆性预测中，但模型的精度和泛化能力仍有待提升。元启发式优化算法虽能改善模型性能，但传统的大猩猩部队优化器存在初期探索能力弱、易陷入局部最优等问题。

本文提出了一种改进的人工大猩猩部队优化器（GTO）优化算法——伯努利差分进化大猩猩部队优化器（BDEGTO）。该算法在种群初始化中引入伯努利混沌映射，并在探索阶段嵌入差分进化策略，从而增强了全局搜索能力和跳出局部最优的能力。基于32种岩石类型的91组数据，使用BDEGTO分别优化最小二乘提升、极限梯度提升和轻量梯度提升机模型，并与支持向量回归、人工神经网络和卷积神经网络进行对比。结果表明，BDEGTO-XGB模型在岩石脆性指数预测中表现最优。SHAP分析进一步揭示，点荷载指数是影响预测结果最重要的输入参数。

论文链接：https://doi.org/10.3390/pr14050878

图1 论文首页