Die Schieferölreservoirs im Chang 7-Block der triadischen Schicht im Ordos-Becken weisen eine ausgeprägte laterale Heterogenität der Lagerstätte und deutliche Veränderungen der Rohölphysik auf, was eine großflächige effektive Entwicklung bisher verhinderte. Die genaue Prognose der Einzelschiefer-Produktion und die Bestimmung ihrer Hauptkontrollfaktoren sind entscheidend für die Optimierung der Produktionsmaßnahmen vor Ort. Basierend auf den Produktionsdaten, Ingenieur- und Frackingparametern von 197 Probohrungen im Chang 7-Block wurden die Einzelbohrungen zunächst mittels des merkmalsgewichteten FCM-Algorithmus klassifiziert, und ein LSTM-Modell mit integriertem Aufmerksamkeitsmechanismus zur intelligenten Produktionssimulation aufgebaut. Dieser Mechanismus kann effektiv das Problem lösen, dass das LSTM-Modell unter multiparametrischen Bedingungen Schlüsselinformationen filtern muss, indem er die wichtigsten Faktoren priorisiert und weniger relevante ignoriert; anschließend erfolgte eine Parameteroptimierung des Modells mittels Differenzieller Evolutions-Algorithmus. Abschließend wurden die Produktionsvorhersagen mit denen des LSTM-Modells und des traditionellen Arps-Modells verglichen. Die Ergebnisse zeigen, dass in den nach Klassifikation entstandenen drei Bohrungsklassen Öl-Sättigung, Anzahl der Frac-Segmente, Sandmenge, Gesamtvolumen der injizierten Flüssigkeit und Schichtlänge die Hauptfaktoren für die Produktion sind, wobei die Gewichtung in den drei Klassen unterschiedlich ist. Das traditionelle Arps-Decline-Modell weist bei Bestimmtheitsmaß (R²), RMSE und MAPE deutliche Fehler auf und ist in der Produktionseinzelschätzung in Schieferreservoirs dem neuronalen Netzmodell unterlegen. Nach Einführung des Aufmerksamkeitsmechanismus verbesserte sich die Prognosegenauigkeit des LSTM-Modells für die drei Bohrungsklassen um 3,34 %, 3,57 % bzw. 2,57 %, was die gute Optimierungswirkung des Aufmerksamkeitsmechanismus verdeutlicht. Basierend auf den Merkmalen der drei Bohrungsklassen in unterschiedlichen Produktionsphasen kann die Anpassung der Eingabeparameter und der Trainingsdatensatzlänge des AT-LSTM-Modells die Prognosegenauigkeit weiter erhöhen. Zielgerichtet auf die Steigerung der Einzelbohrproduktivität wurde die Optimierung der Hauptkontrollfaktoren im Block durchgeführt, was die Machbarkeit einer multifaktoriellen synergistischen Optimierung bestätigte und gleichzeitig starke Unterstützung für die Produktionsmaßnahmeanpassung bei Schieferölbohrungen im Chang 7-Block bietet.

Aufmerksamkeitsmechanismus;Differentieller Evolutionsalgorithmus;LSTM-Modell;Produktionsprognose;Schieferöl