A zona de reservatório de gás de carvão na parte sul da bacia de Qinshui apresenta forte heterogeneidade, dificultando a previsão da produtividade dos poços de gás, e a falta de um projeto direcionado para a operação de fraturamento resulta em diferenças significativas no desempenho de produção entre os poços após o fraturamento. Para isso, com base em dados geológicos, de registros, de fraturamento e de produção de 187 poços verticais de gás de carvão no sul da bacia de Qinshui, foi construído um modelo de previsão de produtividade dos poços utilizando um algoritmo de floresta aleatória baseado em uma estratégia de aprendizado multitarefa, e os parâmetros de fraturamento foram otimizados por meio de um algoritmo de otimização por enxame de partículas. O estudo utilizou um codificador automático convolucional profundo para processar dados não estruturados, como curvas de registro, empregando o algoritmo de floresta aleatória em combinação com a estratégia de aprendizado multitarefa para mitigar eficazmente os problemas de dados limitados de amostra e baixo desempenho de generalização, permitindo que o modelo mantenha alta precisão de previsão mesmo com amostras pequenas. A análise indicou que a profundidade, o volume de fluido de fraturamento e a quantidade de suporte de pequeno tamanho são os principais fatores que afetam a produtividade; as condições geológicas são o fator chave que determina a produtividade a longo prazo dos poços; os parâmetros de fraturamento influenciam principalmente a produtividade máxima dos poços. O algoritmo de floresta aleatória multitarefa apresentou alta precisão de previsão em dados de amostra pequena, com coeficientes de determinação (R²) para a produção acumulada em 30 dias e 5 anos no conjunto de teste de 0,883 e 0,887, respectivamente. A previsão da produção acumulada em 5 anos para 6 novos poços apresentou R² de 0,901, demonstrando alta precisão e estabilidade do modelo na aplicação prática. Os esquemas otimizados de parâmetros de fraturamento por meio do algoritmo de otimização por enxame de partículas melhoraram significativamente a classificação de produtividade dos poços ou o nível de produtividade. A produtividade prevista otimizada por poço aumentou cerca de 153% a 188% em comparação com o plano original, mostrando o efeito significativo das soluções otimizadas na aplicação prática. A combinação do aprendizado multitarefa com o algoritmo de otimização por enxame de partículas resolveu com sucesso os problemas de previsão de produtividade e otimização dos parâmetros de fraturamento em dados de amostras pequenas. O modelo de previsão de produtividade e o algoritmo de otimização de parâmetros de fraturamento construídos fornecem suporte teórico e referência prática para o desenvolvimento eficiente do gás de carvão na parte sul da bacia de Qinshui.

gás de carvão;algoritmo de floresta aleatória;aprendizado multitarefa;algoritmo de otimização por enxame de partículas;previsão de produtividade;otimização de parâmetros de fraturamento