La zona de reservorios de gas de capa de carbón en el sur de la cuenca de Qinshui presenta una fuerte heterogeneidad, lo que dificulta la predicción de la productividad de los pozos de gas, y la falta de un diseño dirigido en la operación de fracturamiento da lugar a diferencias significativas en el desempeño de producción entre los pozos después del fracturamiento. Por ello, con base en los datos geológicos, de registro, de fracturamiento y de producción de 187 pozos verticales de gas de capa de carbón en el sur de la cuenca de Qinshui, se construyó un modelo de predicción de productividad de pozos utilizando un algoritmo de bosque aleatorio basado en una estrategia de aprendizaje multitarea, y se optimizaron los parámetros de fracturamiento mediante un algoritmo de optimización por enjambre de partículas. El estudio utilizó un autoencoder convolucional profundo para procesar datos no estructurados como las curvas de registro, empleando el algoritmo de bosque aleatorio junto con la estrategia de aprendizaje multitarea para mitigar eficazmente el problema de muestras limitadas y el bajo rendimiento generalizable, permitiendo que el modelo mantuviera una alta precisión de predicción incluso con datos de muestra pequeña. El análisis mostró que la profundidad, el volumen de líquido de fracturamiento y la cantidad de propante de tamaño pequeño son los principales factores que afectan la productividad; las condiciones geológicas son el factor clave que determina la productividad a largo plazo de los pozos; mientras que los parámetros de fracturamiento afectan principalmente la productividad máxima de los pozos. El algoritmo de bosque aleatorio multitarea mostró alta precisión de predicción en datos de muestra pequeña, con coeficientes de determinación (R²) de productividad acumulada a 30 días y 5 años en el conjunto de prueba de 0.883 y 0.887 respectivamente. La predicción de productividad acumulada a 5 años para 6 pozos nuevos alcanzó un R² de 0.901, demostrando la alta precisión y estabilidad del modelo en aplicaciones prácticas. Los esquemas de optimización de parámetros de fracturamiento mediante el algoritmo de optimización por enjambre de partículas mejoraron significativamente la categoría de productividad o el nivel de producción de los pozos. La productividad de predicción optimizada por pozo aumentó aproximadamente entre un 153% y 188% en comparación con el plan original, mostrando un efecto significativo en la aplicación práctica. La combinación de aprendizaje multitarea y algoritmo de optimización por enjambre de partículas permitió resolver con éxito los problemas de predicción de productividad y optimización de parámetros de fracturamiento con datos de muestra pequeña. El modelo de predicción de productividad y el algoritmo de optimización de parámetros de fracturamiento construidos proporcionan apoyo teórico y referencia práctica para el desarrollo eficiente del gas de capa de carbón en el sur de la cuenca de Qinshui.

gas de capa de carbón;algoritmo de bosque aleatorio;aprendizaje multitarea;algoritmo de optimización por enjambre de partículas;predicción de productividad;optimización de parámetros de fracturamiento