页岩气田储层低孔低渗,气体赋存状态多样,采用水平井多段压裂技术开采,在气藏、工程等多因素影响下页岩气井生产动态特征与常规气井存在差异,常规的产量递减研究方法对其适用性低、误差大。随着数字油田与生产自动化的蓬勃发展,机器学习方法实现了油气田数字化建设、智能生产、运行、管理等;由于油气田开发的数据具有多源、多维、关系复杂、模式隐蔽的特点,通过机器学习可得到数据的变化规律,建立可预测的数据模型,从而提高油气藏动态分析效率及预测精度。本文采用机器学习方法研究页岩气产量递减,提高页岩气田产量预测精度。本文以CN页岩气田为研究对象,首先采用相关性方法分析影响页岩气井自然递减阶段产气量的气藏因素、工程因素,以产气量作为标签值,结合特征重要性确定的重要因素作为机器学习特征值,并采用K-Means聚类算法按投产初期产量进行气井产能分类;其次用非线性回归算法(随机森林、支持向量机、长短时记忆网络)对不同类井分别建立多个产量递减模型;然后以均方误差、45°等值线拟合精度为模型评估指标,优选不同类井产量递减模型;最后将优选模型和常规递减模型进行对比,并在建立模型基础上编制产量预测软件,将其在单井中进行产量预测应用。结果表明:(1)在众多气藏因素、工程因素中,地层压力、孔隙度、吸附气量和用液强度、加砂强度为影响产量递减的重要因素,以此作为机器学习输入特征;(2)页岩气井按产能可分为低产井(<15.99×10~4m~3/d)、中产井(15.99×10~4m~3/d~27.25×10~4m~3/d)、高产井(>27.25×10~4m~3/d)三类,且同类产能井自然递减阶段的递减规律相似:低产井初期产能低,产量递减速度慢;中产井产量递减较快;高产井初期天然能量充足,产量递减相对低产井、中产井更快;(3)对不同类页岩气井进行模型优选表明:低产井适用随机森林模型,中、高产井适用长短时记忆网络模型,且相较于页岩气常规递减模型,建立的机器学习产量递减模型能准确识别产量递减趋势,提高预测产量精度。本文研究拓展了页岩气井的产量递减研究方法。