Les règles de désorption de la production des puits directs de gaz de couche de charbon profond, ainsi que le moment de conversion du gaz libre en gaz désorbé, restent flous, et les principaux facteurs contrôlant les différences de productivité ne sont pas encore déterminés, ce qui impacte l'amélioration de la capacité de production. Pour évaluer davantage les facteurs principaux influençant la capacité, basé sur les paramètres dynamiques de production de 36 puits directs, combiné à la prédiction de la pression de fond de puits par réseau de neurones, une nouvelle méthode d'évaluation des facteurs influençant la capacité, centrée sur l'indice initial de production par mètre, intégrant plusieurs algorithmes d'apprentissage automatique, a été développée. Les résultats montrent : ① Les modèles Beggs & Bill et Gray ont une faible pertinence pour la prédiction de la pression de fond dans les puits de gaz de couche de charbon profond. Le modèle monophase gaz montre une erreur globale moindre avec la diminution du débit d'eau. La méthode de réseau de neurones donne de meilleurs résultats avec une erreur relative inférieure à 10% par rapport aux mesures réelles. ② L'analyse de tau-b de Kendall indique que les facteurs principaux discrets sont la position de la microstructure, principalement située dans la zone de soulèvement et la zone structurale positive ; suivie par le degré de développement des fractures, principalement moyennement et bien développées. ③ La combinaison de la régression Lasso, de la forêt aléatoire et de l'arbre décisionnel a permis d'éliminer progressivement les facteurs non liés et d'ordonner les facteurs contrôlant continus influençant la capacité par ordre décroissant : teneur en cendres, débit moyen de construction, quantité totale de sable injecté, taux de recirculation lors de la détection de gaz, épaisseur verticale, temps de retard acoustique, gamma, pression moyenne de construction, proportion de sable à maille 100, moyenne mesurée de gaz. L'influence des facteurs d'ingénierie sur la capacité des puits à gaz ne peut être ignorée. Cette méthode combine les avantages de plusieurs algorithmes d'apprentissage automatique, est facile à appliquer, améliore la précision des prédictions dynamiques du gaz de couche de charbon, aide à optimiser les paramètres de conception de la fracturation et fournit une base scientifique pour améliorer la capacité après fracturation du gaz de couche de charbon.

gaz de couche de charbon profond ; régression Lasso-forêt aléatoire-arbre de décision ; facteurs géologiques et d'ingénierie ; analyse de corrélation ; capacité