La zone de réservoirs de gaz de houille dans le sud du bassin de Qinshui présente une forte hétérogénéité, rendant la prédiction de la productivité des puits de gaz difficile, et le manque de conception ciblée des opérations de fracturation entraîne des différences significatives dans les performances de production entre les puits après fracturation. À cet égard, en se basant sur les données géologiques, de diagraphie, de fracturation et de production de 187 puits verticaux de gaz de houille dans le sud du bassin de Qinshui, un modèle de prédiction de la productivité des puits a été construit en utilisant un algorithme de forêt aléatoire basé sur une stratégie d’apprentissage multitâche, et les paramètres de fracturation ont été optimisés par un algorithme d’optimisation par essaim particulaire. L’étude a utilisé un autoencodeur convolutionnel profond pour traiter les données non structurées telles que les courbes de diagraphie, associant l’algorithme de forêt aléatoire à la stratégie d’apprentissage multitâche pour atténuer efficacement les problèmes de données d’échantillons limitées et de faible capacité de généralisation, permettant ainsi au modèle de maintenir une haute précision de prédiction même avec un petit échantillon de données. Les résultats montrent que la profondeur, le volume de fluide de fracturation et la quantité de proppant de petite taille sont les principaux facteurs influençant la productivité; les conditions géologiques sont le facteur clé déterminant la productivité à long terme des puits; tandis que les paramètres de fracturation affectent principalement la production de pointe des puits. L’algorithme de forêt aléatoire multitâche a démontré une haute précision de prédiction sur de petits échantillons, les coefficients de détermination (R²) des productions cumulées sur 30 jours et 5 ans dans l’ensemble de test étant respectivement de 0,883 et 0,887. La prédiction de la production cumulée sur 5 ans de 6 nouveaux puits a atteint un R² de 0,901, montrant la haute précision et la stabilité du modèle en application réelle. Le schéma d’optimisation des paramètres de fracturation basé sur l’algorithme d’optimisation par essaim particulaire a significativement amélioré la catégorie de productivité des puits ou le niveau de productivité. La productivité prédite optimisée par puits a augmenté d’environ 153 % à 188 % par rapport au plan initial, démontrant l’effet significatif de la solution optimisée en application pratique. En combinant l’apprentissage multitâche et l’algorithme d’optimisation par essaim particulaire, les problèmes de prédiction de la productivité et d’optimisation des paramètres de fracturation avec de petits échantillons ont été résolus avec succès. Le modèle de prédiction de la productivité et l’algorithme d’optimisation des paramètres de fracturation construits fournissent un soutien théorique et une référence pratique pour un développement efficace du gaz de houille dans le sud du bassin de Qinshui.

gaz de houille;algorithme de forêt aléatoire;apprentissage multitâche;algorithme d’optimisation par essaim particulaire;prédiction de la productivité;optimisation des paramètres de fracturation