得益于计算机速度的高速发展和机器学习技术的突飞猛进,基于大数据的解决方案和预测模型已经在工业界得到了广泛的认可和应用。在当今自动化和人工智能的时代,尽管机器学习技术已经在石油工程的许多领域得到了广泛的应用,但是很少有研究着眼于海量的气井井口生产数据,多数是利用测井地质参数和压裂施工参数给出储量或者产能的分级预测,并且对于输入数据的种类和精度有着严格的要求,需要消耗大量人力物力。气田井口生产数据规模相当庞大,极其适合利用机器学习技术气田生产动态信息的深入挖掘和分析,但目前这两者的结合应用研究较少。本文将未得到有效利用的气田生产数据与机器学习方法结合起来,实现动态储量和未来产气量的自动化、准确计算。通过本文的研究,主要完成了以下的研究工作:1、基于Cullender&Smith法和计算机数值计算,实现了关井井口压力到井底静压的精确折算,提出通过绘制线性折算物质平衡曲线计算储量的方法,并建立了对非线性折算物质平衡曲线进行转化以及最优化的方法。2、利用机器学习和计算机编程技术,训练了折算物质平衡曲线的线性/非线性分类器,在此基础上建立了SD气田基于关井折算物质平衡曲线预测动态储量的全自动流程和方法,并且利用Python编程语言予以了实现。3、利用自回归移动平均模型研究了SD气田各气井的开井累产气量数据,证实了其作为时间序列具备一定自相关性和偏相关性。4、设计并实现了基于长短时记忆的深度循环神经网络,将其用于预测未来单井开井累产气量,该方法可实现准确预测。本文的结果表明,通过将循环神经网络与自回归移动平均模型结合,可高效率地确定神经网络的超参数窗口长度,实现参数的优选并提高预测精度。