Para melhorar a precisão e a confiabilidade na previsão da produção de poços de gás de folhelho naturalmente fraturados, foi proposto um modelo de previsão de produção de poços de gás de folhelho baseado na combinação do Algoritmo de Otimização de Gaivota Melhorado (Improved Seagull Optimization Algorithm, ISOA) e Redes Neurais Convolucionais (Convolutional Neural Networks, CNN). Primeiramente, por meio da integração do algoritmo de otimização de gaivota melhorado com as redes neurais convolucionais, foi construído um modelo para prever a produção máxima dos poços de gás de folhelho e os parâmetros de declínio hiperbólico. Em seguida, foi aplicado o método de amostragem por hipercubo latino para combinar os valores previstos com um modelo selecionado de análise da curva de declínio, permitindo assim a construção do perfil dinâmico de produção dos poços de gás de folhelho naturalmente fraturados. Por fim, por meio da simulação da produção dos poços de gás de folhelho naturalmente fraturados, foi verificada a confiabilidade do método proposto. Os resultados experimentais mostram que, em diferentes escalas de tempo de produção (1, 5, 10, 15, 20 anos), os valores previstos da produção acumulada coincidem bem com os valores simulados, com erro inferior a 15,6%, indicando que o método possui boa efetividade e confiabilidade na previsão da produção dos poços de gás de folhelho. O modelo, baseado no modelo hiperbólico e na previsão do pico de produção e parâmetros de declínio, pode prever com precisão o perfil de produção do gás de folhelho, sendo que os valores simulados de produção acumulada coincidem bem com os valores previstos, e o erro médio caiu de 18,13% para 16,03%. O modelo proposto para previsão não requer dados históricos de produção de longo prazo para realizar previsões precisas, o que lhe confere forte aplicabilidade para poços com histórico limitado e poços recém-desenvolvidos. Os resultados do estudo fornecem um forte suporte teórico e prático para a pesquisa de métodos de previsão de produção de poços de gás de folhelho, com boas perspectivas de aplicação.

algoritmo de gaivota;redes neurais convolucionais;gás de folhelho;previsão de produção;rede de fraturas;modelo de caracterização quantitativa;simulação;dinâmica de produção