Dans le processus de développement progressif des gisements de gaz de schiste, la fracturation hydraulique des nouveaux puits peut facilement entraîner des interférences entre puits voisins, affectant gravement l'efficacité de développement des puits anciens et nouveaux. Cependant, il manque actuellement des méthodes quantitatives, précises et efficaces pour évaluer et prédire les risques d'interférence entre puits, rendant difficile d'éviter efficacement les puits à risque élevé lors de la planification d'une augmentation de densité des puits. Par conséquent, un modèle d'évaluation des risques d'interférence entre puits de gaz de schiste a été établi basé sur des méthodes d'apprentissage automatique, permettant une évaluation quantitative des risques d'interférence et aidant efficacement les puits de gaz de schiste à atteindre leur capacité maximale. Premièrement, les facteurs principaux influençant le plus les interférences entre puits ont été sélectionnés et une méthode de traitement des données améliorant la qualité des données a été développée pour créer un ensemble de données de modélisation ; ensuite, combinant l'algorithme de clustering K-Means et l'analyse de corrélation de Spearman, un modèle d'évaluation du niveau de risque d'interférence a été construit pour effectuer une évaluation qualitative des degrés d'interférence dans les puits affectés ; enfin, sur la base des résultats de ce modèle d’évaluation et en combinant l'algorithme de classification KNN, un modèle de prédiction des risques d'interférence a été établi, réalisant une prédiction quantitative des risques pour les nouveaux puits ou ceux n'ayant pas encore subi d'interférence, tout en quantifiant l'impact de chaque facteur sur les interférences à partir des résultats du modèle. Les résultats montrent que la répartition des puits selon le degré d'interférence (faible, légèrement faible, moyen, légèrement élevé, élevé) dans le gisement de schiste X est respectivement de 27,48%, 30,39%, 20,59%, 16,67% et 4,90%. La précision du modèle de prédiction des risques d'interférences est de 90,48%, la production quotidienne de gaz des puits mères avant interférence ayant l’impact le plus important. Par rapport aux méthodes traditionnelles, la méthode proposée dans cette étude améliore la précision du modèle de 14,29%, offrant une méthode fiable pour la prédiction quantitative des risques d'interférence dans les puits de gaz de schiste.

gaz de schiste;interférence entre puits;évaluation et prédiction des risques;apprentissage automatique;algorithme de clustering K-Means;algorithme de classification KNN