深层煤层气直丛井生产解吸规律、游离气与解吸气的转换时机尚不明确,产能差异的主控因素仍不确定,影响产能的提高。为进一步评价产能主控因素,基于36口直丛井的生产动态参数,结合神经网络预测井底流压,形成了以初期米采气指数为核心,综合多种机器学习算法的产能影响因素评价新方法。结果表明:(1)Beggs&Bill模型和Gray模型对深层煤层气井底流压预测适用性差。单相气体模型随着产水量下降,整体误差变小。采用神经网络方法预测效果较好,与实测相对误差小于10%。(2)采用Kendall’s tau-b(肯德尔相关系数)分析,离散型主控因素为微构造位置,主要位于抬升区正向构造区;其次为裂缝发育程度,以较发育和发育为主。(3)联合套索回归-随机森林-决策树逐步剔除非相关影响因素,确定影响产能的连续型主控因素从大到小排序为:灰分含量、平均施工排量、入地总砂量、见气时返排率、垂厚、声波时差、伽马、平均施工压力、百目砂占比、气测平均值,工程因素对气井产能影响不能忽视。该方法结合多种机器学习算法的优点,操作性强,提高煤层气动态预测精确度,有助于优化压裂设计参数,为提高煤层气压后的产能提供科学依据。