Die Entgasungsproduktionsregelmäßigkeiten von Tiefkohlegasschicht-Schachtbrunnen sind sowie der Zeitpunkt der Umwandlung von freiem Gas zu desorbiertem Gas noch nicht klar, die Hauptkontrollfaktoren für Produktionsunterschiede sind weiterhin unbestimmt, was die Steigerung der Produktionskapazität beeinflusst. Zur weiteren Bewertung der Hauptproduktionskontrollfaktoren wurde anhand der dynamischen Produktionsparameter von 36 Schachtbrunnen und unter Einbeziehung eines neuronalen Netzwerks zur Vorhersage des Bodendrucks eine neue Methode zur Bewertung der Einflussfaktoren auf die Produktionskapazität entwickelt, die auf dem anfänglichen Meter-Gasindex basiert und verschiedene maschinelle Lernalgorithmen integriert. Die Ergebnisse zeigen: ① Die Beggs & Bill und Gray Modelle sind für die Vorhersage des Bodendrucks von Tiefkohlegasbohrungen ungeeignet. Mit abnehmender Wasserproduktion verringert sich der Gesamtfehler des Einphasen-Gasmodells. Die neuronale Netzwerkmethode erzielt gute Vorhersagen mit einer relativen Abweichung von unter 10 % im Vergleich zu den Messwerten. ② Die Analyse mit Kendall’s tau-b (Kendall-Korrelationskoeffizient) ergab, dass diskrete Hauptkontrollfaktoren die mikrofaktorielle Strukturposition sind, hauptsächlich im Hebungsgebiet und in der positiven Strukturzone; gefolgt vom Entwicklungsgrad der Frakturen, der überwiegend gut bis mittelhoch entwickelt ist. ③ Durch die Kombination von Lasso-Regression, Random Forest und Entscheidungsbaum wurden irrelevante Einflussfaktoren schrittweise ausgeschlossen, wodurch die kontinuierlichen Hauptkontrollfaktoren für die Produktionskapazität von groß nach klein wie folgt sortiert wurden: Aschegehalt, durchschnittliches Frac-Volumen, gesamte Sandmenge, Rückführrate bei Gaseintritt, vertikale Mächtigkeit, akustische Laufzeit, Gamma, durchschnittlicher Frackdruck, Anteil von Sand mit 100-Mesh-Körnung, gemessener Gasdurchschnittswert. Die Einflussnahme von ingenieurtechnischen Faktoren auf die Gasbrunnenproduktion darf nicht vernachlässigt werden. Diese Methode kombiniert die Vorteile mehrerer maschineller Lernalgorithmen, ist gut anwendbar und verbessert die Genauigkeit der dynamischen Prognose von Kohlegas, was zur Optimierung der Frac-Design-Parameter beiträgt und eine wissenschaftliche Grundlage für die Steigerung der Produktion nach dem Frac liefert.

Tiefkohlegas; Lasso-Regression-Random Forest-Entscheidungsbaum; geologische und ingenieurtechnische Faktoren; Korrelationsanalyse; Produktionskapazität