تتميز طبقة الغاز القطعي في جنوب حوض تشينشوي بتجانس منخفض للغاية، مما يصعب التنبؤ بإنتاجية آبار الغاز، كما يفتقر تصميم عمليات التكسير إلى استهداف مناسب، مما يؤدي إلى اختلافات كبيرة في إنتاجية الآبار بعد التكسير. لذلك، استنادًا إلى بيانات جيولوجية وحفرية وتكسير وإنتاجية 187 بئر غاز قطعي في جنوب حوض تشينشوي، تم بناء نموذج تقدير إنتاجية الآبار باستخدام خوارزمية الغابة العشوائية القائمة على استراتيجية التعلم متعدد المهام، وتم تحسين معلمات التكسير باستخدام خوارزمية تحسين سرب الجسيمات. استخدم البحث مشفر-فك ترميز تلقائي عميق يعتمد على الالتفاف لمعالجة البيانات غير الهيكلية مثل منحنيات الحفر، ودمج خوارزمية الغابة العشوائية مع استراتيجية التعلم متعدد المهام لتخفيف مشكلة محدودية بيانات العينات وضعف الأداء العام بفعالية، مما حافظ على دقة عالية في التنبؤ حتى مع بيانات صغيرة الحجم. تشير نتائج التحليل إلى أن العمق وحجم سائل التكسير وكمية الدعامات ذات الحجم الصغير هي العوامل الرئيسية التي تؤثر على الإنتاجية؛ أما الظروف الجيولوجية فهي العامل الحاسم لإنتاجية الآبار طويلة الأمد؛ وتؤثر معلمات التكسير بشكل رئيسي على الإنتاجية القصوى للآبار. أظهرت خوارزمية الغابة العشوائية متعددة المهام دقة توقع عالية لبيانات صغيرة الحجم، حيث بلغ معامل التحديد (R²) للإنتاج التراكمي لـ 30 يومًا و5 سنوات في مجموعة الاختبار 0.883 و0.887 على التوالي. كما بلغ R² للتنبؤ بالإنتاج التراكمي لخمس سنوات لستة آبار جديدة 0.901، مما يدل على دقة وثبات النموذج في التطبيق العملي. خطط تحسين معلمات التكسير التي تمت باستخدام خوارزمية تحسين سرب الجسيمات حسنت بشكل كبير تصنيف إنتاجية الآبار أو مستوى الإنتاج. ارتفعت القدرة التنبؤية لكل بئر محسّن بنسبة تقارب من 153% إلى 188% عن الخطط الأصلية، مما يظهر تأثير الحلول المحسنة في التطبيقات العملية. من خلال الجمع بين التعلم متعدد المهام وخوارزمية تحسين سرب الجسيمات، تم حل مشاكل التنبؤ بالإنتاجية وتحسين معلمات التكسير في بيانات صغيرة الحجم بنجاح. يوفر نموذج التنبؤ بالإنتاجية وخوارزمية تحسين معلمات التكسير دعمًا نظريًا ومرجعًا عمليًا للتطوير الفعال لغاز الفحم في جنوب حوض تشينشوي.

غاز الفحم;خوارزمية الغابة العشوائية;التعلم متعدد المهام;خوارزمية تحسين سرب الجسيمات;تنبؤ الإنتاجية;تحسين معلمات التكسير