Durante el proceso de desarrollo del gas de esquisto en capas medias y profundas del sur de Sichuan, los métodos de ingeniería convencionales para yacimientos de petróleo y gas, como la expansión de fracturas, el análisis de esfuerzos inducidos y la simulación numérica, hacen que el trabajo de predicción para pozos densificados sea pesado y no pueda responder efectivamente a las diferencias de capacidad en diferentes etapas de producción, con condiciones de aplicación estrictas. Para predecir rápida y precisamente la capacidad de producción de los pozos densificados, basado en la característica de disminución en tres etapas del comportamiento de la curva de presión de producción de pozos viejos, se considera el período de descenso pronunciado como la fase temprana de producción de agua, y los períodos de descenso rápido y lento como la fase tardía de producción de gas. Se utiliza el algoritmo de optimización de lobos grises (GWO), que es rápido, adaptable y tiene un mecanismo de retroalimentación, para la selección óptima de hiperparámetros del modelo de red neuronal de memoria a largo corto plazo (LSTM). Se construyen modelos de fases temprana y tardía determinando el número óptimo de neuronas en la capa oculta, la tasa de pérdida de paquetes y el tamaño del lote calculados por GWO. El número de iteraciones se define a través de curvas de pérdida e indicadores de rendimiento. Se adopta un método de calentamiento con tasa de aprendizaje lineal para ajustar dinámicamente la tasa de aprendizaje, logrando un proceso de entrenamiento rápido y formando un modelo de predicción de producción por etapas. El estudio de caso muestra que el modelo LSTM optimizado por GWO, con tasa de aprendizaje establecida en 0.002 y 450 iteraciones, puede converger rápidamente en poco tiempo, alcanzando un índice de rendimiento final de 0.923. Comparado con el modelo LSTM tradicional, el error absoluto medio en las fases temprana y tardía disminuyó en 1.290 m³/d y 0.213×10⁴ m³/d respectivamente; comparado con los resultados de simulación numérica, el error absoluto medio en la predicción de producción de gas disminuyó en 0.24×10⁴ m³/d. Por lo tanto, el modelo LSTM mejorado muestra un rendimiento excelente en la predicción de la capacidad de producción en diferentes etapas, y el modelo correspondiente puede predecir con precisión los cambios en la capacidad de los pozos densificados de gas de esquisto en capas medias y profundas del sur de Sichuan, proporcionando una base teórica para el método de predicción de capacidad de pozos densificados.

gas de esquisto;pozos densificados;red neuronal;GWO;predicción de capacidad