La technologie d'augmentation du taux de récupération du gaz de schiste par CO₂ (CO₂-ESGR) est une technologie de capture, stockage et utilisation du carbone (CCUS) qui combine le développement du gaz non conventionnel et le stockage géologique du dioxyde de carbone. Cette technologie permet non seulement d'améliorer l'efficacité du développement du gaz de schiste, mais aussi de réaliser le stockage géologique du CO₂, ce qui est important pour atténuer la pression des émissions de gaz à effet de serre et soutenir l'atteinte de l'objectif de « neutralité carbone », avec de larges perspectives d'application. Dans le processus CO₂-ESGR, les propriétés d'adsorption du CH₄ et du CO₂ dans le schiste influencent directement l'efficacité du remplacement des gaz et les effets de stockage, constituant ainsi l'un des facteurs clés influençant l'efficacité du CO₂-ESGR. Cet article a recueilli systématiquement des données expérimentales sur les propriétés d'adsorption des gaz CH₄-CO₂ dans des échantillons de schiste provenant des principales zones riches en gaz de schiste en Chine et a établi une base de données. En tenant compte de facteurs clés tels que la teneur totale en carbone organique (TOC), la teneur en argile, la surface spécifique, la température, la pression, la teneur en CO₂, etc., des modèles de prédiction des propriétés d'adsorption CH₄-CO₂ dans le schiste ont été construits sur la base de méthodes d'apprentissage automatique telles que le réseau de neurones BP, l'algorithme des k plus proches voisins (KNN), la forêt aléatoire (RF) et la machine à vecteurs de support (SVM). Les caractéristiques d'adsorption et d'adsorption compétitive du système CH₄-CO₂ ont été étudiées. L'exactitude des modèles d'adsorption basés sur l'apprentissage automatique a été validée par une comparaison multidimensionnelle avec des données bibliographiques, des données expérimentales et des données prédites par le modèle de Langmuir. Les résultats montrent que le modèle de forêt aléatoire présente la plus haute précision de prédiction et une bonne extensibilité de la plage d'application, avec une déviation relative moyenne absolue de 1,57% à 1,94% pour la prédiction de la quantité adsorbée des gaz monocouches et en mélange dans la plage de 0-15 MPa, et un R² de 0,99. Le modèle d'apprentissage automatique établi dans cette étude peut prévoir avec précision les propriétés d'adsorption et les propriétés d'adsorption compétitive du système mixte CH₄-CO₂ dans le schiste, fournissant un soutien théorique de base pour l'application de la technologie CO₂-ESGR.

schiste;CH₄-CO₂;adsorption;adsorption compétitive;apprentissage automatique