Afin d'améliorer la précision et la fiabilité de la prédiction du rendement des puits de gaz de schiste naturellement fracturés, un modèle de prédiction du rendement des puits de gaz de schiste combinant l'algorithme d'optimisation des mouettes amélioré (Improved Seagull Optimization Algorithm, ISOA) et les réseaux neuronaux convolutionnels (Convolutional Neural Networks, CNN) a été proposé. D'abord, en intégrant l'algorithme d'optimisation des mouettes amélioré avec les réseaux neuronaux convolutionnels, un modèle a été construit pour prévoir le rendement maximal des puits de gaz de schiste ainsi que les paramètres de déclin hyperbolique. Ensuite, la méthode d'échantillonnage par hypercube latin a été utilisée pour combiner les valeurs prédites avec un modèle d'analyse de courbe de déclin sélectionné, permettant ainsi de construire le profil dynamique de production des puits de gaz de schiste naturellement fracturés. Enfin, la fiabilité de la méthode proposée a été vérifiée par la simulation de la production des puits. Les résultats expérimentaux montrent qu'à différentes échelles temporelles de production (1, 5, 10, 15, 20 ans), les valeurs prédites de la production cumulée sont en bon accord avec les valeurs simulées, avec une erreur inférieure à 15,6%, démontrant ainsi l'efficacité et la fiabilité de la méthode pour la prédiction du rendement des puits de gaz de schiste. Le modèle, basé sur un modèle hyperbolique et les prévisions du rendement maximal ainsi que des paramètres de déclin, peut prédire avec précision le profil de production du gaz de schiste, les valeurs simulées et prédites de la production cumulée étant très proches, avec une erreur moyenne passant de 18,13% à 16,03%. Le modèle proposé permet des prédictions précises sans nécessiter de données historiques de production à long terme, ce qui le rend adapté à la prédiction de puits à données limitées ou nouvellement développés. Les résultats de l'étude fournissent un fort soutien théorique et pratique à la recherche sur les méthodes de prédiction du rendement des puits de gaz de schiste, avec de bonnes perspectives d'application.

algorithme de mouette;réseaux neuronaux convolutionnels;gaz de schiste;prédiction du rendement;réseau de fractures;modèle de caractérisation quantitative;simulation;dynamique de production