Dans le processus de développement du gaz de schiste en couches moyennes et profondes du sud du Sichuan, les méthodes d'ingénierie classiques des réservoirs pétroliers et gaziers, telles que l'expansion des fractures, l'analyse des contraintes induites et la simulation numérique, rendent la prédiction des puits densifiés lourde et incapable de répondre efficacement à la variabilité de la capacité de production aux différentes phases, avec des conditions d'application strictes. Pour prédire rapidement et précisément la capacité des puits densifiés, en se basant sur la caractéristique de diminution « en trois étapes » tendance des courbes de pression de production des vieux puits, la phase de chute brusque est considérée comme la phase précoce de production d'eau, tandis que les phases de chute rapide et lente sont considérées comme la phase tardive de production de gaz. L'algorithme d'optimisation du loup gris (GWO), rapide, adaptatif et doté d'un mécanisme de rétroaction, est utilisé pour la sélection des hyperparamètres du réseau de neurones à mémoire à court et long terme (LSTM). Des modèles précoces et tardifs sont construits en déterminant le nombre optimal de neurones de la couche cachée, le taux de perte de paquets et la taille du lot par GWO. Le nombre d'itérations est défini via les courbes de perte et les indicateurs de performance. Une méthode d'échauffement avec taux d'apprentissage linéaire est adoptée pour ajuster dynamiquement le taux d'apprentissage, permettant un entraînement rapide et formant un modèle de prédiction de production par étapes. L'étude de cas montre que le modèle LSTM optimisé par GWO, avec un taux d'apprentissage fixé à 0,002 et 450 itérations, converge rapidement en peu de temps, atteignant un indice de performance final de 0,923. Par rapport au modèle LSTM traditionnel, l'erreur absolue moyenne aux phases précoce et tardive a respectivement diminué de 1,290 m³/j et 0,213×10⁴ m³/j ; comparé aux résultats de simulation numérique, l'erreur absolue moyenne pour la prédiction de la production de gaz a diminué de 0,24×10⁴ m³/j. Ainsi, le modèle LSTM amélioré montre d'excellentes performances dans la prévision de la capacité de production aux différentes phases, et le modèle correspondant permet de prédire avec précision les variations de la capacité des puits densifiés de gaz de schiste en couches moyennes et profondes du sud du Sichuan, fournissant une base théorique pour la méthode de prédiction de la capacité des puits densifiés.

gaz de schiste;puits densifiés;réseau neuronal;GWO;prévision de capacité