目前,人工智能和机器学习(ML)被广泛应用于油气领域,并被视为有助于提高勘探和生产开发效率的新技术。但若想在这方面有显著的提升,需要结合内在协同效应,将ML技术应用于油气挑战评估。该研究引入了一个综合框架,将数据驱动的ML预测模型与使产能最大的井位设计优化方法相结合。该模型能够评价与预估最终采收率相关的非常规油气水平井的产能指标。应用该框架对整个Marcellus页岩的生产潜力进行从低到高的空间排序。ML模型的建立使用了梯度提升回归树(GBRT)算法,能够对测试数据达到82%的预测精度。通过对页岩气的地质特征分布、优化的井位设计和完井参数进行统计评估,明确了页岩气井生产控制因素,并确定显著特征中是否存在共性及差异。产能最高的区域位于Marcellus页岩的东北部核心区及其外围。统计分析表明,相对于产能较低的地区,产能较高地区的某些有利于天然气生产的地质特征存在显著不同,最明显的是储层净厚度和孔隙度。优化的井位设计参数会随着它们在研究区域的位置和后续产能排名区域变化。总的来说,本文所讨论的基于ML的框架试图同时分析页岩的控制因素,从而对生产潜力提供一个系统的评价结果,并对与地质属性和井位设计参数进行量化。