Das Kohleflözgas-Reservoir im südlichen Qinshui-Becken ist stark heterogen, was die Prognose der Gasproduktivität von Bohrlöchern erschwert, und das Fehlen eines gezielten Frac-Designs führt zu erheblichen Unterschieden in der Produktionsleistung zwischen den Bohrlöchern nach der Frakturierung. Daher wurde basierend auf geologischen, Messungs-, Frac- und Produktionsdaten von 187 vertikalen Kohleflözgas-Bohrlöchern im Süden des Qinshui-Beckens ein Produktivitätsprognosemodell für Bohrlöcher unter Verwendung eines Random-Forest-Algorithmus mit Multi-Task-Lernstrategie entwickelt, und die Frac-Parameter wurden mittels Schwarmoptimierungsalgorithmus optimiert. Die Studie verwendete einen tiefen Faltungs-Autoencoder zur Verarbeitung unstrukturierter Daten wie Messkurven und kombinierte den Random-Forest-Algorithmus mit Multi-Task-Lernstrategien, um die Probleme begrenzter Stichprobendaten und geringer Generalisierungsleistung effektiv zu mildern, sodass das Modell auch bei kleinen Stichprobendaten eine hohe Prognosegenauigkeit beibehält. Die Analyse zeigte, dass Tiefe, Förderflüssigkeitsmenge und die Menge des feinkörnigen Stützmittels die Hauptfaktoren sind, die die Produktivität beeinflussen; geologische Bedingungen sind der Schlüssel zur langfristigen Produktivität der Bohrlöcher; die Frac-Parameter beeinflussen vor allem die Spitzenproduktivität der Bohrlöcher. Der Random-Forest-Algorithmus mit Multi-Task-Lernen zeigte auf kleinen Stichprobendaten eine hohe Prognosegenauigkeit, wobei die Bestimmtheitsmaße (R²) der Spitzenproduktion über 30 Tage und der kumulierten Produktion über 5 Jahre im Testdatensatz 0,883 bzw. 0,887 betrugen. Die Prognose der 5-jährigen kumulierten Produktion von 6 neuen Bohrlöchern erreichte ein R² von 0,901, was die hohe Genauigkeit und Stabilität des Modells in der Praxis demonstriert. Die mittels Schwarmoptimierung verbesserten Frac-Parameterpläne konnten die Produktivitätsklassifikation oder das Produktivitätsniveau der Bohrlöcher signifikant erhöhen. Die optimierte Einzelbohrlochproduktivität stieg um etwa 153 % bis 188 % im Vergleich zum ursprünglichen Plan, was den erheblichen Effekt der Optimierung in der praktischen Anwendung zeigt. Durch die Kombination von Multi-Task-Lernen und Schwarmoptimierungsalgorithmus wurden erfolgreich die Probleme der Produktivitätsprognose und Frac-Parameteroptimierung bei kleinen Stichprobendaten gelöst. Das erstellte Produktivitätsprognosemodell und der Frac-Parameteroptimierungsalgorithmus bieten theoretische Unterstützung und praktische Referenzen für die effiziente Entwicklung von Kohleflözgas im südlichen Qinshui-Becken.

Kohleflözgas;Random-Forest-Algorithmus;Multi-Task-Lernen;Schwarmoptimierungsalgorithmus;Produktivitätsprognose;Optimierung der Frac-Parameter