En el proceso de desarrollo rotativo de yacimientos de gas de esquisto, la fracturación hidráulica de nuevos pozos fácilmente causa interferencias entre pozos vecinos, afectando gravemente la efectividad de la producción tanto de pozos antiguos como nuevos. Sin embargo, actualmente falta un método cuantitativo, preciso y eficaz para evaluar y predecir el riesgo de interferencias entre pozos, lo que dificulta evitar efectivamente dichos riesgos al planificar la densificación de pozos en los yacimientos de gas. Por ello, se estableció un modelo de evaluación del riesgo de interferencia entre pozos de gas de esquisto basado en métodos de aprendizaje automático, logrando una evaluación cuantitativa de riesgos que ayuda efectivamente a maximizar la producción de los pozos de gas de esquisto. Primero, se seleccionaron los principales factores controlantes que más influyen en la interferencia entre pozos y se estableció un método de procesamiento de datos para mejorar la calidad de estos y formar un conjunto de datos de modelado; luego, combinando el algoritmo de agrupamiento K-Means y el análisis de correlación de Spearman, se creó un modelo para evaluar cualitativamente el grado de interferencia entre pozos afectados; finalmente, basado en la evaluación de riesgo y combinado con el algoritmo de clasificación KNN, se creó un modelo predictivo para cuantificar el riesgo de interferencia en nuevos pozos o aquellos que aún no presentan interferencia, cuantificando también el impacto de cada factor en la interferencia según los resultados del modelo. Los resultados indican que en el yacimiento de gas de esquisto X, la proporción de pozos con grados de interferencia bajos, bajos medios, medios, altos medios y altos es de 27.48%, 30.39%, 20.59%, 16.67% y 4.90%, respectivamente. La precisión del modelo predictivo de riesgo de interferencia es del 90.48%, siendo la tasa diaria de producción de gas del pozo madre antes de la interferencia el factor más influyente. En comparación con los métodos tradicionales de procesamiento de datos, el método propuesto mejora la precisión del modelo en un 14.29%, proporcionando un método fiable para la predicción cuantitativa del riesgo de interferencia en pozos de gas de esquisto.

gas de esquisto;interferencia entre pozos;evaluación y predicción de riesgos;aprendizaje automático;algoritmo de agrupamiento K-Means;algoritmo de clasificación KNN