四川南部中深層のシェールガス開発過程において、亀裂拡張、応力誘起解析、数値シミュレーションなどの従来の油気層工学手法は、密集井の予測作業を煩雑にし、生産段階の異なる段階での生産能力の差異に効果的に対応できず、適用条件も厳しい。速やかかつ正確に密集井の生産能力を予測するために、古井の生産圧力曲線が傾向的に“三段階”の減少を示す特徴に基づき、急激な減少期を初期の産水期、急減期と緩減期を後期の産気期とし、最適化速度が速く、適応性および情報フィードバック機構を持つグレーウルフ最適化アルゴリズム（GWO）を用いて、長短期記憶（LSTM）ニューラルネットワークモデルのハイパーパラメータを選択した。GWOで計算された隠れ層ニューロン数、パケット損失率、バッチ数により前期・後期モデルをそれぞれ構築し、損失曲線と性能指標曲線で反復回数を決定した。線形学習率ウォームアップ法で学習率を動的に調整し、高速な訓練プロセスを実現し、段階的な生産予測モデルを形成した。事例研究により、学習率を0.002、反復450回に設定した条件下で、GWO最適化LSTMニューラルネットワークモデルは短時間で高速に収束でき、最終性能指標が0.923に達したことが示された。GWO最適化LSTMモデルは従来のLSTMモデルと比較して、前期および後期での平均絶対誤差がそれぞれ1.290 m³/日および0.213×10⁴ m³/日減少し、数値シミュレーションとの適合結果と比べてガス生産量予測の平均絶対誤差が0.24×10⁴ m³/日減少した。したがって、改良されたLSTMモデルは異なる生産段階における生産能力予測で優れた性能を示し、対応段階モデルは四川南部中深層シェールガスの密集井の生産能力変化を正確に予測でき、密集井生産能力予測手法の理論的基盤を提供する。

シェールガス;密集井;ニューラルネットワーク;GWO;生産能力予測