La raison pour laquelle l’apprentissage automatique performe mal dans la prédiction de la production des puits de pétrole et de gaz est due à une dépendance excessive des méthodes conventionnelles aux caractéristiques des données historiques de production, rendant les résultats de prédiction davantage une recombinaison des informations historiques qu'une anticipation de nouvelles tendances. Ces méthodes négligent d'autres variables temporelles importantes, telles que la phase de développement du puits, la pression, et la production d'eau, qui influencent la production. Pour résoudre ces problèmes, l’étude propose des mesures associant pression, production d'eau et production, et établit une méthode de prédiction de production des puits de pétrole et de gaz basée sur un réseau de neurones convolutionnel dynamique à attention temporelle. Cette méthode prend pour modèle de base un réseau convolutionnel temporel et introduit une attention multi-têtes ainsi qu’un mécanisme de convolution dynamique, capturant les dépendances à long terme entre les différentes étapes temporelles des séquences de caractéristiques d'entrée, en attribuant des poids différents à chaque étape temporelle. Le module de convolution dynamique peut générer dynamiquement les paramètres des noyaux de convolution selon la sortie du module d’attention temporelle, s’adaptant ainsi aux caractéristiques des phases de production variées. La supériorité du modèle de prédiction basé sur la convolution dynamique à attention temporelle est démontrée par la validation sur des cas réels complexes de plusieurs puits dans la zone d'exploitation gazière d’Enyue. L’étude montre que le modèle proposé réalise de meilleures performances de prédiction face à quatre puits sélectionnés aléatoirement. L’analyse visuelle des poids d’attention et des poids de convolution dynamique révèle que le modèle peut ajuster dynamiquement les poids des noyaux de convolution selon les différentes phases de développement, notamment pour les phases initiales, transitoires et déclinantes des puits de gaz. En combinant la relation entre la pression, la production d'eau et la production selon les phases de développement, le modèle de réseau de neurones convolutionnel dynamique à attention temporelle peut ajuster de manière adaptative sa structure et ses paramètres, réalisant ainsi une prédiction précise de la production des puits de pétrole et de gaz.

prédiction de production des puits de pétrole et de gaz;réseau neuronal convolutionnel temporel;attention multi-tête;convolution dynamique;adaptatif