国产油气资源不足是制约我国经济发展的最大瓶颈，严重威胁我国能源安全。如何提升页岩油气的开发利用率是力学学科的“卡脖子”问题。干酪根是油气的生成母质和主要赋存介质，热成熟度是评价油气生成潜力的重要指标之一，定量描述干酪根成熟度演化的理论模型是油气勘探及原位催熟的理论基础，也是指导油气增产的关键科学问题。

近期，中科院力学所非线性力学国家重点实验室赵亚溥研究团队在“Mechano-energetics”(力能学) 的整体学术思想下 [Science China Technological Science 65, 490？492 (2022)]，首次采用机器学习结合实验数据的方法预测干酪根组分及其结构特征 [Fuel 290, 120006 (2021)]，目前已被引用 17 次，引起国内外专家对机器学习在能源应用方面的高度关注。在此基础上，进一步实现了机器学习智能化高通量重构干酪根分子，对未知分子重构平均相似度达到了 90% 以上 [Energy & Fuels 36(11), 5749–5761 (2022)]。通过机器学习方法提取 ¹³C NMR 谱图中的轨道杂化和化学键信息，预测干酪根的热成熟度 (图 1)；提出了一种新的基于轨道杂化的干酪根成熟度指数 (orbital hybridization maturity index, OrbHMI)，并与分子成熟度指数 (molecule-maturity index, MMI) 和模型预测值进行比较 (图 2)。机器学习模型预测结果的平均泛化误差低于 5%，超过 87% 的预测误差在 10% 以内，表明机器学习对干酪根成熟度预测的高精确度。研究阐明干酪根熟化过程是 sp² 杂化碳占比升高，sp³ 杂化碳占比降低的过程，干酪根分子结构由脂肪结构逐步向芳香结构转变。该方法同样可推广用于其他成熟度指标 (如镜质体反射率 %Ro) 的预测，为干酪根裂解成油成气机理的研究奠定理论基础。

该成果以“Defining kerogen maturity from orbital hybridization by machine learning”为题发表在中科院一类国际权威期刊 Fuel (Ma J, Kang DL, Wang XH and Zhao YP*. Fuel, 2022, 310: 122250. https://doi.org/10.1016/j.fuel.2021.122250) 上，一经发表即被中美学者引用。该工作得到国家自然科学基金重点项目 (No. 12032019) 和中国科学院前沿重点研究计划 (No. QYZDJ-SSW-JSC019) 等项目的支持。

图 1 基于机器学习的干酪根成熟度表征模型示意图

图 2 新指标 OrbHMI 与 MMI 以及机器学习模型预测结果之间的比较