Im Entwicklungsprozess von mittleren und tiefen Schichten des Schiefergases im südlichen Sichuan machen herkömmliche Ingenieurmethoden für Öl- und Gaslagerstätten, wie Rissausbreitung, spannungsinduzierte Analysen und numerische Simulationen, die Prognose der Förderleistung von verdichteten Bohrungen aufwendig und können die Produktionsunterschiede in verschiedenen Produktionsphasen nicht effektiv bewältigen; die Anwendungsbedingungen sind streng. Um die Förderleistung von verdichteten Bohrungen schnell und genau vorherzusagen, wird basierend auf dem trendmäßigen „dreiphasigen“ Abfall der Produktionsdruckkurve alter Bohrungen die Phase des starken Abfalls als frühzeitige Wasserproduktionsphase betrachtet, die Phasen des schnellen und langsamen Abfalls als spätere Gasproduktionsphase. Der schnell optimierende, adaptive und über einen Informationsrückkopplungsmechanismus verfügende Grauwolf-Optimierungsalgorithmus (GWO) wird zur Hyperparameter-Optimierung des Langzeit-Kurzzeit-Gedächtnis (LSTM)-Neuronennetzmodells eingesetzt. Es werden Vor- und Nachphasenmodelle konstruiert, bei denen die Anzahl der Neuronen in der verborgenen Schicht, die Paketverlustquote und die Batchgröße durch GWO ermittelt werden. Die Anzahl der Iterationen wird anhand der Verlustkurven und Leistungsindikatoren bestimmt. Durch eine lineare Aufwärmmethode zur dynamischen Anpassung der Lernrate wird ein schneller Trainingsprozess erreicht und ein phasenweises Produktionsvorhersagemodell erstellt. Die Fallstudie zeigt, dass das mit GWO optimierte LSTM-Neuronennetzmodell bei einer voreingestellten Lernrate von 0,002 und 450 Iterationen schnell konvergieren kann und eine Endleistungskennzahl von 0,923 erreicht. Im Vergleich zum traditionellen LSTM-Modell wurden die mittleren absoluten Fehler in der Vor- und Nachphase um 1,290 m³/d bzw. 0,213×10⁴ m³/d reduziert; im Vergleich zur numerischen Simulation wurde der mittlere absolute Fehler bei der Gasproduktionsvorhersage um 0,24×10⁴ m³/d verringert. Somit zeigt das verbesserte LSTM-Modell ausgezeichnete Leistungen bei der Vorhersage der Förderleistung in verschiedenen Produktionsphasen, und das entsprechende Phasenmodell kann die Förderleistungsänderungen der verdichteten Schiefergasbohrungen in den mittleren und tiefen Schichten Süd-Sichuans genau vorhersagen und bietet eine theoretische Grundlage für Methoden der Förderleistungsprognose von verdichteten Bohrungen.

Schiefergas;verdichtete Bohrungen;Neuronennetz;GWO;Kapazitätsvorhersage