В процессе разработки среднего и глубокого слоёв сланцевого газа на юге провинции Чуань традиционные инженерные методы для нефтегазовых месторождений, такие как распространение трещин, анализ индуцированных напряжений и численное моделирование, делают прогнозирование продуктивности уплотнённых скважин трудоёмким и неспособным эффективно справляться с различиями в производительности на разных стадиях добычи, с жёсткими условиями применения. Для быстрой и точной оценки продуктивности уплотнённых скважин, основываясь на характере трёхфазного снижения давления добычи старых скважин, период резкого падения рассматривается как ранняя стадия производства воды, а периоды быстрого и медленного снижения — как поздняя стадия производства газа. Используется алгоритм оптимизации серого волка (GWO) с быстрой оптимизацией, адаптивностью и механизмом обратной связи для подбора гиперпараметров модели нейронной сети с долгой краткосрочной памятью (LSTM). Построены ранняя и поздняя модели, в которых числа нейронов скрытого слоя, скорость потерь пакетов и размеры батчей определяются оптимальными решениями GWO. Число итераций определяется с помощью кривых потерь и показателей производительности. Путём динамической настройки скорости обучения методом линейной «разогрева» осуществляется быстрый процесс обучения и формируется поэтапная модель прогнозирования продукции. Пример исследования показывает, что оптимизированная GWO модель LSTM при установленной скорости обучения 0.002 и 450 итерациях способна быстро сходиться за короткое время, достигая итогового показателя 0.923. По сравнению с результатами традиционной модели LSTM средняя абсолютная ошибка для ранней и поздней стадий снизилась на 1.290 м³/д и 0.213×10⁴ м³/д соответственно; по сравнению с численным моделированием средняя абсолютная ошибка прогноза добычи газа уменьшилась на 0.24×10⁴ м³/д. Следовательно, улучшенная модель LSTM демонстрирует превосходные результаты прогнозирования производительности на различных этапах добычи, а соответствующая модель этапа способна точно предсказывать изменения производительности уплотнённых скважин среднего и глубокого слоев сланцевого газа на юге Чуань, предоставляя теоретическую основу для методов прогнозирования продукции таких скважин.

сланцевый газ;уплотнённые скважины;нейронная сеть;GWO;прогнозирование продуктивности