진수이 분지 남부 석탄층 가스 단지는 저장층 이질성이 강해 가스정 생산성 예측이 어렵고, 파쇄 시공에 대한 맞춤형 설계가 부족하여 파쇄 후 정 간 생산성 차이가 뚜렷하게 나타난다. 이에, 진수이 분지 남부 187개 석탄층 가스 직정의 지질, 측정, 파쇄 및 생산 데이터를 기반으로 다중 작업 학습 전략에 기반한 랜덤 포레스트 알고리즘의 가스정 생산성 예측 모델을 구축하고, 입자 군집 최적화 알고리즘으로 파쇄 파라미터를 최적화하였다. 연구에서는 측정곡선 등 비구조화 데이터를 처리하기 위해 심층 컨볼루션 자동 인코더-디코더를 사용하였고, 랜덤 포레스트 알고리즘에 다중 작업 학습 전략을 결합하여 샘플 데이터의 한계와 일반화 성능 저하 문제를 효과적으로 완화시켜, 소량 샘플 데이터에서도 높은 예측 정확도를 유지할 수 있게 하였다. 분석 결과 깊이, 시공 유체량, 미립자 크기 지지제 사용량이 생산성에 영향을 미치는 주요 요소임을 확인하였고, 지질 조건은 가스정 장기 생산성을 결정하는 핵심 요소이며, 파쇄 파라미터는 가스정 최고 생산성에 주로 영향을 미치는 것으로 나타났다. 다중 작업 학습 기반 랜덤 포레스트 알고리즘은 소량 샘플 데이터에서 높은 예측 정확도를 보였으며, 테스트 집합 내 최고 30일 및 5년 누적 생산량의 결정 계수(R²)는 각각 0.883과 0.887이었다. 6개 신규정 5년 누적 생산량 예측의 R²는 0.901로, 실제 적용에서 모델의 높은 정확성과 안정성을 입증하였다. 입자 군집 최적화 알고리즘을 통한 파쇄 파라미터 최적화方案은 가스정 생산성 분류 등급 또는 생산성 수준을 현저히 향상시켰다. 최적화된 단정 생산성 예측치는 기존方案 대비 약 153%에서 188%까지 증가하여 최적화方案의 실제 적용 효과를 보여주었다. 다중 작업 학습과 입자 군집 최적화 알고리즘 결합을 통해 소량 샘플 데이터 하에서 생산성 예측 및 파쇄 파라미터 최적화 문제를 성공적으로 해결하였다. 구축된 생산성 예측 모델과 파쇄 파라미터 최적화 알고리즘은 진수이 분지 남부 석탄층 가스의 효율적인 개발에 이론적 기반과 실무적 참고를 제공한다.

석탄층 가스;랜덤 포레스트 알고리즘;다중 작업 학습;입자 군집 최적화 알고리즘;생산성 예측;파쇄 파라미터 최적화