在多孔介質中準確預測氣體吸附的跨溫度行為仍然是能源和環(huán)境應用中的一個基本挑戰(zhàn)，因為傳統(tǒng)的物理理論在不同條件下面臨系統(tǒng)性偏差，而純粹的數(shù)據(jù)驅動方法缺乏熱力學一致性，并且無法推廣到訓練數(shù)據(jù)之外的情況。我們通過一個分層物理引導的機器學習框架來解決這一挑戰(zhàn)，該框架將廣義范德華分配函數(shù)作為機制基礎，結合基于機器學習的參數(shù)-溫度映射和熱力學約束的殘差校正，從而實現(xiàn)了機制可解釋性和高預測準確性。我們在六個具有不同材料類型（干酪根、煤、石墨和金屬有機框架）和吸附劑（CH?和CO?）的代表性系統(tǒng)中驗證了該框架，訓練溫度被策略性地設置在極端范圍和較大差距上，以嚴格測試僅使用中間溫度作為盲預測目標的外推能力。混合模型在所有系統(tǒng)中都表現(xiàn)出卓越的準確性，顯著優(yōu)于傳統(tǒng)的經(jīng)驗模型、基線物理理論和物理信息神經(jīng)網(wǎng)絡。重要的是，系統(tǒng)參數(shù)分析揭示了不同類型有機物質之間溫度依賴性吸附機制的系統(tǒng)性差異，表明存在一個定性上的靈活性-剛性梯度：靈活的無定形干酪根通過構象重排表現(xiàn)出異常的溫度增強相互作用，剛性的交聯(lián)煤表現(xiàn)出經(jīng)典的熱衰減，而有序的晶體石墨則表現(xiàn)出卓越的參數(shù)穩(wěn)定性——這一模式與結構靈活性方向一致，為預測不同類型有機物質中的吸附參數(shù)演變提供了初步指導。該框架提供了一種結合物理透明度和機器學習能力的一般化方法，可直接應用于非常規(guī)氣體提取、地質二氧化碳封存和能源存儲優(yōu)化。