Les réservoirs de pétrole de schiste du bloc Chang 7 du Trias dans le bassin d'Ordos présentent une hétérogénéité latérale significative du réservoir et des variations évidentes des propriétés du pétrole brut, ce qui a empêché un développement efficace à grande échelle. La prévision précise de la production par puits et la détermination de ses principaux facteurs de contrôle sont essentielles pour optimiser les mesures de production sur le terrain. Basés sur les données de production, les paramètres d'ingénierie et de fracturation de 197 puits d'échantillons sélectionnés dans le bloc Chang 7, les puits ont d'abord été classés à l'aide de l'algorithme FCM pondéré par caractéristique, puis un modèle LSTM intégrant un mécanisme d'attention a été construit pour la simulation intelligente de la production. Ce mécanisme permet de surmonter efficacement la difficulté du modèle LSTM à filtrer les informations clés sous des conditions multi-paramètres, en accordant la priorité aux facteurs les plus critiques et en ignorant ceux ayant moins d'impact; ensuite, le modèle a été optimisé par un algorithme d'évolution différentielle, et enfin, les valeurs prédites ont été comparées aux prévisions du modèle LSTM et du modèle traditionnel Arps. Les résultats montrent que dans les trois classes de puits après classification, la saturation en huile, le nombre de segments fracturés, la quantité de sable ajoutée, le volume total de liquide injecté et la longueur de la couche pétrolifère sont les principaux facteurs influençant la production par puits, avec des poids différents dans chaque classe. Le modèle décroissant traditionnel d'Arps montre de grandes erreurs dans le coefficient de détermination (R²), l'erreur quadratique moyenne (RMSE) et l'erreur absolue moyenne en pourcentage (MAPE), et est moins performant que le modèle de réseau de neurones pour prédire la production des puits de pétrole de schiste. Après l'introduction du mécanisme d'attention, la précision des prévisions du modèle LSTM pour les trois classes de puits s'est respectivement améliorée de 3,34 %, 3,57 % et 2,57 %, démontrant une bonne optimisation grâce au mécanisme d'attention. Selon les caractéristiques des différentes phases de production des trois classes de puits, l'ajustement des paramètres d'entrée et de la longueur du jeu de données d'entraînement du modèle AT-LSTM peut améliorer davantage la précision des prévisions. Dans le but d'augmenter la production par puits, l'optimisation des facteurs clés des puits du bloc a confirmé la faisabilité de l'optimisation collaborative multifactorielle tout en fournissant un soutien solide pour l'ajustement des mesures de production des puits de pétrole de schiste du bloc Chang 7.

Mécanisme d'attention;Algorithme d'évolution différentielle;Modèle LSTM;Prévision de production;Pétrole de schiste