Обводненные пласты трехчленовой системы бассейна Ордос в блоке Чанг7 характеризуются значительной горизонтальной неоднородностью коллектора и заметными изменениями физических свойств нефти, что препятствует масштабной эффективной разработке. Точное прогнозирование добычи каждой скважины и определение ключевых факторов управления жизненно важно для оптимизации производственных мероприятий на площадке. На основе производственных данных, инженерных и гидроразрывных параметров 197 образцовых скважин блока Чанг7 сначала применен алгоритм взвешенного FCM для классификации скважин, затем построена модель LSTM с механизмом внимания для интеллектуального моделирования и прогноза добычи. Этот механизм эффективно решает проблему выбора ключевой информации при множественности параметров, приоритизируя наиболее важные факторы и игнорируя менее значимые; далее параметры модели оптимизировались с помощью алгоритма дифференциальной эволюции, после чего прогнозные значения добычи сравнивались с результатами модели LSTM и традиционной модели Арпса. Результаты показали, что среди трех классов скважин основными факторами, влияющими на добычу, являются нефтенасыщенность, количество разрывных интервалов, объем закачанного песка, общий объем жидкости в пласте и длина нефтяного слоя, причём вклад каждого фактора различен для каждого класса. Традиционная модель Арпса показала большие ошибки по коэффициенту детерминации (R²), среднеквадратичной ошибке (RMSE) и средней абсолютной процентной ошибке (MAPE), уступая нейронной сети в прогнозировании добычи пластовых скважин. После внедрения механизма внимания точность прогноза модели LSTM для трех классов скважин улучшилась на 3.34%, 3.57% и 2.57% соответственно, демонстрируя эффективность механизма. С учетом особенностей добычи на различных этапах корректировка входных параметров и длины обучающей выборки модели AT-LSTM позволила дополнительно повысить точность прогноза. С целью повышения добычи отдельной скважины оптимизация ключевых факторов в блоке подтвердила возможность многофакторного совместного улучшения и обеспечила надежную поддержку корректировке производственных мер для скважин сланцевого нефтяного пласта блока Чанг7.

Механизм внимания;Алгоритм дифференциальной эволюции;Модель LSTM;Прогноз добычи;Сланцевая нефть