خلال عملية تطوير الغاز الصخري في الطبقات العميقة والمتوسطة في جنوب منطقة تشوان، تجعل طرق الهندسة التقليدية لخزانات النفط والغاز مثل توسيع التشققات، تحليل الإجهادات، والمحاكاة العددية عملية التنبؤ بالآبار المحشوة مرهقة ولا يمكنها التعامل بشكل فعال مع اختلاف القدرات الإنتاجية في مراحل الإنتاج المختلفة، مع وجود شروط استخدام صارمة. من أجل التنبؤ بسرعة ودقة بقدرة الإنتاج للآبار المحشوة، وبناءً على خصائص منحنى ضغط الإنتاج لآبار قديمة التي تظهر تراجعًا ثلاثي المراحل متتاليًا، تم اعتبار فترة الانخفاض الحاد كمرحلة إنتاج مائي مبكرة، وفترات الانخفاض السريع والبطيء كمرحلة إنتاج غازي لاحقة. تم استخدام خوارزمية تحسين الذئب الرمادي (GWO) ذات السرعة العالية والقدرة التكيفية وآلية ملاحظات المعلومات لتحديد المعلمات المثلى لشبكة الأعصاب ذات الذاكرة الطويلة القصيرة المدى (LSTM)، وبناء نماذج مرحلية مبكرة ومتأخرة باستخدام عدد العُصبونات في الطبقة المخفية، معدل فقد الحُزم، وعدد الدُفعات التي حسبتها خوارزمية GWO، وتحديد عدد التكرارات بناءً على منحنيات الخسارة وأداء المؤشرات، مع استخدام طريقة تدفئة المعدل الخطي للتعلم لضبط المعدل ديناميكيًا، محققين تدريبًا سريعًا ونموذجًا تنبؤيًا مرحليًا للإنتاج. أظهرت الدراسة التطبيقية: أن نموذج الشبكة العصبية LSTM المحسن بواسطة GWO عند معدل تعلم محدد 0.002 وتكرار 450، قادر على التقارب السريع في فترة قصيرة، محققًا مؤشر أداء نهائي 0.923. مقارنة بنتائج نموذج LSTM التقليدي، انخفض متوسط الخطأ المطلق في المرحلتين المبكرة والمتأخرة بمقدار 1.290 م³/يوم و0.213×10⁴ م³/يوم على التوالي؛ مقارنة بنتائج التوافق مع المحاكاة العددية، انخفض متوسط الخطأ المطلق لتنبؤ حجم الغاز بمقدار 0.24×10⁴ م³/يوم. لذا، يُظهر نموذج LSTM المحسن أداءً ممتازًا في التنبؤ بقدرة الإنتاج في مراحل الإنتاج المختلفة، ويستطيع النموذج المرحلي التنبؤ بدقة بتغيرات قدرة الإنتاج لآبار الغاز الصخري المحشوة في جنوب منطقة تشوان، مما يوفر أساسًا نظريًا لطريقة التنبؤ بقدرة الإنتاج للآبار المحشوة.

غاز صخري;آبار محشوة;شبكة عصبية;GWO;تنبؤ القدرة الإنتاجية