Las reglas de desorción en la producción de pozos directos de gas de capas profundas de carbón, así como el momento de conversión de gas libre a gas desorbido, aún no están claros, y los factores principales que controlan las diferencias de producción siguen sin estar determinados, lo que afecta el aumento de la capacidad. Para evaluar mejor los factores principales que controlan la capacidad, basándonos en parámetros dinámicos de producción de 36 pozos directos y combinando la predicción de la presión en el fondo del pozo mediante redes neuronales, se ha desarrollado un nuevo método de evaluación de factores que influencian la capacidad, centrado en el índice de producción inicial por metro e integrando múltiples algoritmos de aprendizaje automático. Los resultados muestran: ① Los modelos de Beggs & Bill y Gray son poco adecuados para predecir la presión en el fondo de pozos de gas de carbón profundos. El modelo de gas monofásico mejora sus errores totales conforme disminuye la producción de agua. El método de redes neuronales predice con buenos resultados, con un error relativo menor al 10% en comparación con las mediciones reales. ② El análisis de tau-b de Kendall indica que los factores principales discretos son la ubicación de la microestructura, principalmente ubicada en la zona de elevación y la zona estructural positiva; seguido por el grado de desarrollo de las fracturas, principalmente medias y bien desarrolladas. ③ La combinación de regresión Lasso, bosques aleatorios y árboles de decisión permitió eliminar gradualmente los factores no relacionados, determinando los factores continuos que controlan la capacidad ordenados de mayor a menor: contenido de ceniza, volumen medio de construcción, cantidad total de arena inyectada, tasa de recirculación al detectar gas, espesor vertical, retardo acústico, gamma, presión media de construcción, proporción de arena de malla 100, promedio medido de gas. No se puede ignorar la influencia de los factores de ingeniería en la capacidad de los pozos de gas. Este método combina las ventajas de varios algoritmos de aprendizaje automático, es operativamente eficiente, mejora la precisión de la predicción dinámica del gas de las capas de carbón y ayuda a optimizar los parámetros de diseño de fracturamiento, proporcionando una base científica para mejorar la capacidad después de la fracturación.

gas de carbón profundo; regresión Lasso-bosque aleatorio-árbol de decisión; factores geológicos e ingenieriles; análisis de correlación; capacidad