Les ressources en gaz de couche de charbon sont largement exploitées via des puits verticaux, utilisant un système de production contrôle de pression et contrôle de l'eau. La pression de flux au fond du puits est un paramètre important pour la conception du plan de production et le choix de l’équipement. Ainsi, la prédiction de la pression de flux au fond du puits de gaz de couche de charbon a une importance majeure. Afin de prédire facilement et précisément la pression de flux au fond du puits et de guider la production sous contrôle de pression, un modèle de réseau de neurones à rétro-propagation (BPNN) issu du domaine de l'apprentissage automatique a été introduit, et l'algorithme de recherche des moineaux (SSA) a été amélioré, créant un modèle de prédiction de la pression de flux au fond du puits basé sur l'algorithme SSA amélioré couplé à BPNN (SSA-BPNN). Cinq paramètres influant sur la pression de flux au fond du puits, couramment mesurés sur le terrain de production, ont été choisis comme entrées du modèle, tandis que les valeurs correspondantes de pression au fond du puits servent de sorties. 600 ensembles de données mesurées ont été divisés en ensemble d'entraînement, de validation et de test, complétant ainsi la construction et la validation du modèle de prédiction. Les erreurs absolues moyennes en pourcentage sur l'ensemble de validation pour les modèles BPNN et SSA-BPNN amélioré sont respectivement de 3,10 % et 0,53 %, montrant que le couplage SSA amélioré et BPNN peut résoudre le problème des minima locaux de BPNN et améliorer la précision de la prédiction de la pression de flux au fond du puits de gaz de couche de charbon. Comparé aux modèles GA-SVR (algorithme génétique - machine à vecteurs de support pour la régression) et au modèle physique analytique, les erreurs absolues moyennes en pourcentage sont respectivement de 1,318 %, 4,971 % et 18,156 %, l'erreur la plus faible étant celle du modèle SSA-BPNN amélioré. De plus, la précision du modèle SSA-BPNN amélioré s'améliore nettement lorsque la pression au fond du puits est basse, démontrant une haute précision et une bonne applicabilité. Ce modèle requiert seulement 5 paramètres d'entrée, réduisant la complexité des entrées et des calculs, ne nécessitant pas la prise en compte de la distribution des fluides dans le puits, et peut couvrir toutes les étapes de production avec une précision élevée dans différentes plages de pression.

gaz de couche de charbon;algorithme de recherche des moineaux;réseau de neurones;pression de flux au fond du puits;modèle de prédiction