煤层气资源广泛应用直井开发,采用控压控水的排采制度,井底流压是排采方案设计与设备选型的重要参数,因此,煤层气直井井底流压预测具有重要的意义。为了便捷、准确地预测煤层气直井井底流压,指导煤层气井的控压排采,引入机器学习领域中的反向传播神经网络(BPNN)模型,同时对麻雀搜索算法(SSA)进行改进,耦合构建基于改进麻雀搜索算法-反向传播神经网络(SSABPNN)的煤层气直井井底流压预测模型。选取了生产现场常规测量的5个影响井底流压的参数作为井底流压预测模型的输入参数,相对应的井底流压数值作为井底流压预测模型的输出参数。将600组实测数据划分为训练集、验证集与测试集,完成了煤层气直井井底流压预测模型的建立与校验工作。BPNN模型与改进SSA-BPNN模型的验证集平均绝对百分比误差分别为3.10%与0.53%,可以看出利用改进SSA与BPNN的耦合建模,能够解决BPNN易陷于局部最优的问题,提高了煤层气直井井底流压的预测精度。同时将改进SSA-BPNN模型与遗传算法-支持向量回归机(GA-SVR)模型和物理模型解析方法进行对比,结果显示:3种不同模型的平均绝对百分比误差分别为1.318%、4.971%、18.156%,改进SSA-BPNN模型的误差最低,且在井底流压较低时,改进SSABPNN模型的预测精度显著提高,展现出较高的准确性与良好的适用性。改进SSA-BPNN模型仅需5个输入参数,减少了输入与计算参数的复杂度,且无须考虑井筒内流体分布情况,可覆盖排采各阶段,在不同压力区间都有较高准确性。