Los yacimientos de aceite de esquisto en el bloque Chang 7 del sistema Triásico en la cuenca de Ordos presentan una heterogeneidad horizontal significativa del reservorio y notables variaciones en las propiedades del petróleo crudo, lo que ha impedido un desarrollo efectivo y a gran escala. La predicción precisa de la producción por pozo y la determinación de sus factores principales son cruciales para optimizar las medidas de producción en campo. Basándose en los datos de producción, parámetros de ingeniería y fracturamiento de 197 pozos de muestra del bloque Chang 7, primero se clasificaron los pozos utilizando el algoritmo FCM ponderado por características, y luego se construyó un modelo LSTM que incorpora un mecanismo de atención para la simulación inteligente y predicción de producción. Este mecanismo puede superar eficazmente la dificultad del modelo LSTM para seleccionar información clave bajo condiciones multiparámetros, priorizando los factores más críticos y descartando los menos influyentes; luego se optimizaron los parámetros del modelo mediante un algoritmo de evolución diferencial, y finalmente se compararon los valores predichos de producción con los del modelo LSTM y el modelo tradicional de Arps. Los resultados mostraron que en las tres clases de pozos clasificados, la saturación de aceite, el número de tramos fracturados, la cantidad de arena añadida, el volumen total de líquido incluido y la longitud de la capa de petróleo son los factores principales que afectan la producción por pozo, y la proporción de cada uno varía entre las clases. El modelo de declinación tradicional de Arps muestra grandes errores en el coeficiente de determinación (R²), el error cuadrático medio (RMSE) y el error absoluto porcentual medio (MAPE), y no tiene un desempeño tan bueno como el modelo de red neuronal en la predicción de producción de pozos en yacimientos de esquisto. Tras la introducción del mecanismo de atención, la precisión de la predicción del modelo LSTM para las tres clases de pozos mejoró en un 3.34%, 3.57% y 2.57% respectivamente, destacando la buena optimización del mecanismo de atención. Según las características de las diferentes etapas de producción de las tres clases de pozos, ajustar los parámetros de entrada y la longitud del conjunto de entrenamiento del modelo AT-LSTM puede mejorar aún más la predicción. Con el objetivo de aumentar la producción por pozo, la optimización de los factores principales de los pozos dentro del bloque confirmó la viabilidad de una optimización multifactorial colaborativa, proporcionando soporte sólido para ajustar las medidas de producción de los pozos de esquisto en el bloque Chang 7.

Mecanismo de atención;Algoritmo de evolución diferencial;Modelo LSTM;Predicción de producción;Petróleo de esquisto