川南中深层页岩气开发过程中，常规油气藏工程方法，如裂缝扩展、应力诱导分析和数值模拟等研究过程使得加密井的预测工作繁重，且无法有效应对不同生产阶段的产能差异性，应用条件苛刻。为了快速且准确预测加密井产能，根据老井生产压力曲线呈趋势性“三段式”递减的特征，将剧烈下降期作为前期产水期，快速下降和缓慢下降期作为后期产气期两部分，采用优化速度快、具有自适应性和信息反馈机制的灰狼优化算法（GWO）对长短期记忆（LSTM）神经网络模型进行超参数择优，分别构建由GWO计算最优解确定隐含层神经元个数、丢包率和批次数的前、后期模型，通过损失曲线和性能指标曲线确定迭代次数，采用线性学习率热身的方法动态调整学习率，实现高速训练过程，形成分阶段的产量预测模型。实例研究表明：GWO优化的LSTM神经网络模型在预设学习率为0.002、迭代450次的条件下，短时间内能够快速实现收敛，最终性能指标达到0.923。GWO优化的LSTM神经网络模型与传统LSTM神经网络模型预测结果相比，前、后期平均绝对误差分别降低了1.290 m3/d和0.213×10～4 m3/d；与数值模拟拟合结果相比，产气量预测的平均绝对误差降低了0.24×10～4 m3/d。因此，改进后的LSTM神经网络模型在不同生产阶段的产能预测中表现出色，且对应阶段模型能够准确预测川南中深层页岩气加密井的产能变化，为加密井产能预测方法提供理论依据。
