В южном блоке угольного сланца бассейна Циньшуй наблюдается высокая неоднородность коллекторов, что затрудняет прогнозирование производительности газовых скважин, а также отсутствие целенаправленного проектирования технологии гидроразрыва, что приводит к значительным различиям в производительности между скважинами после ГРП. Для решения этой задачи, на основе геологических, каротажных, гидроразрывных и эксплуатационных данных 187 угольных скважин в южной части бассейна Циньшуй, была построена модель прогнозирования производительности на базе алгоритма случайного леса с использованием стратегии многозадачного обучения, а оптимизация параметров ГРП осуществлена с помощью алгоритма роя частиц. В исследовании применён глубокий сверточный автоэнкодер для обработки неструктурированных данных, таких как каротажные кривые, и сочетание алгоритма случайного леса с многозадачным обучением эффективно снизило проблемы ограниченности выборки и низкой обобщающей способности модели, обеспечивая высокую точность прогнозирования на малых данных. Анализ показал, что глубина залегания, объём эксплуатационной жидкости и расход мелкодисперсного проппанта являются основными факторами, влияющими на производительность; геологические условия определяют долгосрочную производительность скважин; параметры ГРП в основном влияют на пик производительности. Алгоритм случайного леса с многозадачным обучением показал высокую точность прогнозирования на малых данных, коэффициенты детерминации (R²) пикового 30-дневного и пятилетнего суммарного газовыделения в тестовой выборке составили 0,883 и 0,887 соответственно. Прогноз 5-летнего суммарного газовыделения для шести новых скважин показал R² равный 0,901, демонстрируя высокую точность и стабильность модели на практике. Схемы оптимизации параметров ГРП с помощью алгоритма роя частиц значительно повысили классификационный уровень производительности или общий уровень продуктивности скважин. Оптимизированные прогнозы единичной производительности скважин увеличились на 153%–188% по сравнению с исходными планами, что демонстрирует значительный эффект оптимизации в практическом применении. Сочетание многозадачного обучения и алгоритма роя частиц успешно решило задачи прогнозирования производительности и оптимизации параметров ГРП при малых объемах данных. Созданные модель прогнозирования производительности и алгоритм оптимизации параметров ГРП обеспечивают теоретическую поддержку и практические рекомендации для эффективной разработки угольного газа в южной части бассейна Циньшуй.

угольный газ;алгоритм случайного леса;многозадачное обучение;алгоритм роя частиц;прогнозирование производительности;оптимизация параметров гидроразрыва