El gas de esquisto es una fuente de energía limpia y efectiva que juega un papel importante en la transición de una energía de alto carbono a una de bajo carbono, sirviendo como un vínculo para el crecimiento de la energía de bajo carbono en el futuro. Dado que la roca de esquisto es un material poroso heterogéneo, la mejor estrategia de producción se determina mediante una evaluación precisa del gas en el lugar geológico. Por lo tanto, la previsión económica y técnica de las operaciones de producción depende de la estimación de la cantidad de gas adsorbido en los recursos de esquisto. Las curvas de isoterma del gas de esquisto derivadas en este estudio se clasificaron como isoterma tipo 1, lo que indica la presencia de microporos en estas muestras. En este trabajo, se han propuesto XGBoost (aumento extremo de gradiente) y ANN (red neuronal artificial) optimizados con ABC (colonia de abejas artificial) y PSO (optimización por enjambre de partículas) para aprender y luego predecir la capacidad de adsorción de metano (MSC) en esquisto basado en carbono orgánico total (TOC), temperatura, presión y humedad como variables de entrada, con la cantidad de gas adsorbido de esquisto como salida. Se utilizaron métodos estadísticos y gráficos para comparar los resultados experimentales con los valores esperados. En comparación, los modelos ANN-ABC y ANN-PSO del trabajo actual superan todos los estudios anteriores con valores R más altos (0.9913 y 0.9954) y puntajes RMSE más bajos (0.0457 y 0.0420), respectivamente, lo que indica una mejor precisión predictiva y capacidad de generalización. Los hallazgos demuestran que, en comparación con modelos anteriores, los modelos propuestos ofrecen una predicción excepcional de la cantidad de gas adsorbido en un medio poroso heterogéneo. Con datos adicionales disponibles, puede actualizarse fácilmente para aplicaciones más amplias. En general, este documento muestra que el aprendizaje automático se puede utilizar para predecir la adsorción de gas de esquisto, y un modelo bien entrenado puede incorporarse a un gran marco numérico para optimizar las curvas de producción de gas de esquisto.