La razón por la que el aprendizaje automático tiene un rendimiento deficiente en la predicción de la producción de pozos de petróleo y gas radica en la excesiva dependencia de los métodos convencionales en las características de datos históricos de producción, haciendo que los resultados de la predicción se manifiesten más como una reorganización de la información histórica y dificultando la predicción de nuevas tendencias. Estos métodos ignoran otras variables temporales importantes, como la etapa de desarrollo del pozo, la presión y la producción de agua, que afectan la producción. Para resolver estos problemas, el estudio propuso contramedidas de asociación entre la presión, la producción de agua y la producción, y estableció un método de predicción de producción de pozos de petróleo y gas basado en una red neuronal convolucional dinámica con atención temporal. Este método usa una red neuronal convolucional temporal como modelo base, introduciendo atención multi-cabeza y un mecanismo convolucional dinámico para capturar las dependencias a largo plazo entre los diferentes pasos temporales en la secuencia de características de entrada, asignando diferentes pesos a cada paso temporal. El módulo de convolución dinámica puede generar dinámicamente los parámetros del núcleo convolucional según la salida del módulo de atención temporal, adaptándose a las características de entrada en diferentes etapas de producción. La superioridad del modelo de predicción basado en convolución dinámica con atención temporal se demostró mediante la validación en casos reales complejos de múltiples pozos en el área operativa de producción de gas de Anyue. El estudio mostró que el modelo propuesto tiene un mejor rendimiento predictivo frente a cuatro pozos seleccionados aleatoriamente. Mediante el análisis de visualización de los pesos de atención y de convolución dinámica, se descubrió que el modelo puede ajustar dinámicamente los pesos del núcleo convolucional según las diferentes etapas de desarrollo, especialmente para las etapas inicial, de transición y de declive de los pozos de gas. Al combinar la relación entre la presión, la producción de agua y la producción en las etapas de desarrollo, el modelo de red neuronal convolucional dinámica con atención temporal puede ajustar adaptativamente su estructura y parámetros para lograr una predicción precisa de la producción de pozos de petróleo y gas.

predicción de producción de pozos de petróleo y gas;red neuronal convolucional temporal;atención multi-cabeza;convolución dinámica;adaptativo