能源是人类社会发展的物质基础，能源安全是国家安全的命脉所在，是实现国家可持续发展和民族复兴的重要保障，当前我国能源对外依存度极高，时刻可能成为被人卡住的“最细的脖子”。我国已探明的页岩气和页岩油储量分别居世界第一、第三，但是由于我国页岩油气藏在地质学上相对较为年轻，整体处于中低成熟度，不适合直接开采，需要开发原位催熟技术促进发育。干酪根是石油和天然气的母质，也是地球上最丰富的有机质存在形式，深入理解干酪根结构和熟化机理是指导页岩油气原位催熟与油气藏储量评估的基础。干酪根分子结构模型是从分子层面自下而上地研究干酪根化学-力学性质的基石，但在分子模型重构领域存在“组合爆炸”问题，分子重构难度随着分子量的增大指数增长。干酪根具有起源复杂，分子量大，官能团种类多样的特性，组合爆炸问题尤为突出，导致传统干酪根分子重构方法需要专业人员综合分析多种实验数据，并反复试错逼近真实分子结构，需要花费大量的人力物力，但效率极低，严重制约了对干酪根化学-力学性质的研究。因此，亟待开发新的干酪根分子高通量重构方法，并实现对干酪根分子化学-力学性质的智能化预测。

本学位论文根据上述背景，针对干酪根分子结构模型重构中的组合爆炸和干酪根化学-力学性质智能化预测难题，在力能学指导下，围绕干酪根分子模型智能化重构与干酪根裂解化学-力学机理两大关键科学问题，采用机器学习结合分子动力学模拟、核磁谱模拟计算以及实验分析的方法开展研究。

建设干酪根分子的机器学习数据库。经过标注的海量样本数据是实现机器学习方法的前提条件，但是尚无可满足机器学习高通量重构未知分子模型的数据库，针对此问题，本文通过实验和模拟建设了包含超过 200 万组分子样本的机器学习数据库，其中收录了分子结构、量子轨道构成、热解时序以及拉伸模拟应力-应变曲线等干酪根各项力学、化学特征信息，并且设计了 ¹H 和 ¹³C 核磁谱的一维、二维离散化重构方法，为机器学习方法高通量重构干酪根分子模型和干酪根化学-力学性质研究奠定了坚实基础。

干酪根分子组分、类型和成熟度的机器学习智能化预测。由于干酪根分子模型的复杂度极高，本文设计了从原子到分子层层递进的策略。首先通过机器学习方法，智能化预测了干酪根分子的骨架组分，并实现了对干酪根类型和成熟度指数的高精度分析。验证了通过机器学习方法结合实验数据智能化获取干酪根分子结构信息的可行性，可在不需要人为干预的情况下直接给出分析结果，极大降低干酪根样品的分析和测试成本。

干酪根分子模型的机器学习法智能化重构。为提高干酪根分子模型的预测性能，解决单一谱图特征对机器学习模型训练效率低下的问题，设计了组合核磁谱特征重构方案和与其相匹配的机器学习神经网络模型，实现了多种谱图输入，使得机器学习模型可同时对多种谱图综合分析，获得了显著高于单一谱图分析的预测性能，实现了对干酪根分子模型的高通量重构，有助于缩短对干酪根的熟化机理和力学性能的研究周期。

干酪根分子裂解化学-力学性质分析及预测。通过密度泛函理论和分子动力学等分子模拟方法，从官能团层面研究不同 sp²/sp³ 原子占比干酪根分子模型的高温裂解和拉伸裂解机理，分析了干酪根受热裂解和拉伸裂解的主导机制。并针对干酪根热解行为分析困难的问题，设计机器学习方案，实现了对干酪根热解点位的智能化预测，可为页岩油气藏的生烃潜能评估提供指导。

本论文结合机器学习设计了干酪根分子模型智能化高通量重构方案，并从官能团尺度揭示了干酪根裂解化学-力学行为主导机理，实现对干酪根类型、成熟度及热解位点的智能化预测。为促进非常规油气原位熟化技术的开发提供了更为经济高效的新方法。