Um die Genauigkeit und Zuverlässigkeit der Produktionsprognose von natürlich geklüfteten Schiefergasbohrungen zu verbessern, wurde ein Prognosemodell für die Schiefergasbohrungsproduktion vorgeschlagen, das den verbesserten Möwen-Optimierungsalgorithmus (Improved Seagull Optimization Algorithm, ISOA) mit Convolutional Neural Networks (CNN) kombiniert. Zunächst wurde durch die Integration des verbesserten Möwen-Optimierungsalgorithmus mit den Convolutional Neural Networks ein Modell zur Vorhersage der Spitzenausbeute und der Parameter des hyperbolischen Abfalls erstellt. Anschließend wurde die lateinische Hyperwürfel-Probe (Latin hypercube sampling) verwendet, um die prognostizierten Werte mit einem ausgewählten Modell zur Analyse des Abfallverlaufs zu kombinieren und so ein dynamisches Produktionsprofil für natürlich geklüftete Schiefergasbohrungen zu erstellen. Schließlich wurde durch Simulation der Produktion natürlich geklüfteter Schiefergasbohrungen die Zuverlässigkeit der vorgeschlagenen Methode bestätigt. Die experimentellen Ergebnisse zeigen, dass die prognostizierten kumulierten Gasproduktionen über verschiedene Produktionszeitskalen (1, 5, 10, 15, 20 Jahre) gut mit den simulierten Werten übereinstimmen, wobei der Fehler unter 15,6 % liegt, was die Effektivität und Zuverlässigkeit der Methode in der Produktionsprognose bestätigt. Das Modell basiert auf einem hyperbolischen Modell, der Vorhersage des Spitzenertrags und der Abfallsparameter, wodurch es den Schiefergasproduktionsverlauf genau vorhersagen kann; die simulierten kumulierten Gasproduktionswerte stimmen gut mit den prognostizierten überein, und der durchschnittliche Fehler konnte von 18,13 % auf 16,03 % gesenkt werden. Das vorgeschlagene Prognosemodell benötigt keine langfristigen historischen Produktionsdaten für genaue Vorhersagen, was seine Anwendbarkeit für Bohrungen mit begrenzter Produktionshistorie und neu entwickelte Bohrungen erhöht. Die Forschungsergebnisse bieten eine starke theoretische und praktische Unterstützung für Forschungen zu Produktionsprognosemethoden von Schiefergasbohrungen und besitzen gute Anwendungsaussichten.

Möwenalgorithmus;Convolutional Neural Networks;Schiefergas;Produktionsprognose;Klufthnetzwerk;quantitatives Charakterisierungsmodell;Simulation;Produktionsdynamik