Le réservoir de gaz de schiste présente une forte compacité et une hétérogénéité marquée, avec un débit naturel extrêmement faible. Il est nécessaire d'utiliser la technique de fracturation hydraulique pour augmenter la production et obtenir un flux de gaz industriel. La clé pour évaluer l'efficacité des opérations de fracturation et optimiser les paramètres du procédé est d'obtenir des paramètres précis du réseau de fractures. Les techniques traditionnelles de surveillance des fractures (comme la surveillance micro-sismique) sont coûteuses et ne couvrent pas entièrement les zones des puits, tandis que les modèles de prédiction par simulation numérique nécessitent de nombreux paramètres géotechniques, ce qui entraîne des résultats médiocres lorsque les données géologiques sont incomplètes ou manquantes. Il est urgent de disposer d'une nouvelle méthode économique et efficace pour obtenir des paramètres du réseau. À cet effet, une méthode d'inversion du réseau de fractures basée sur l'apprentissage profond pour les réservoirs de gaz de schiste est proposée, basée principalement sur l'analyse quantitative des paramètres caractéristiques des courbes de fracturation issues des données chantiers, utilisant des indicateurs de forte corrélation des paramètres du réseau comme entrées et les paramètres du réseau surveillés par micro-sismicité (longueur, largeur, hauteur, volume) comme sorties cibles, pour établir un modèle d'inversion par réseau de neurones BP (rétropropagation de l'erreur), réalisant une inversion précise des paramètres du réseau de fractures. Basé sur 450 courbes de fracturation de terrain provenant de puits de gaz de schiste dans la région de Yuxi, le modèle a été entraîné et optimisé; les résultats d'inversion des paramètres du réseau sur l'ensemble de test ont montré une erreur relative moyenne inférieure à 15%, validant la faisabilité de cette nouvelle méthode pour l'inversion des réseaux de fractures des réservoirs de gaz de schiste.

gaz de schiste; courbe de fracturation; prédiction des paramètres du réseau; réseau neuronal BP; inversion