تتمتع خزانات الزيت الصخري في الطبقة السابعة من مجموعة يانشان في حوض إيردوس بتغاير أفقي ملحوظ في المكامن وتغيرات واضحة في خواص النفط الخام، مما جعل التنمية الفعالة على نطاق واسع غير محققة حتى الآن. إن التنبؤ الدقيق بإنتاج بئر فردي وتحديد العوامل المسيطرة عليه أمر بالغ الأهمية لتحسين تدابير الإنتاج الميدانية. بناءً على بيانات الإنتاج وبارامترات الهندسة والتكسير لـ 197 بئراً نموذجياً من الطبقة السابعة، استُخدم أولاً خوارزمية التجميع ذات المعنى الضبابي FCM لتصنيف الآبار، ثم تم بناء نموذج LSTM مع آلية الانتباه لمحاكاة التنبوء بالإنتاج الذكي. تتيح هذه الآلية التغلب على صعوبة اختيار المعلومات الرئيسية تحت ظروف متعددة المعايير، مع إعطاء الأولوية للعوامل الأكثر أهمية وتجاهل العوامل الأقل تأثيراً. ثم تم تحسين النموذج باستخدام خوارزمية التطور التفاضلي، وأخيراً قورنت قيم الإنتاج المتوقعة مع نتائج نموذج LSTM والنموذج التقليدي Arps. أظهرت النتائج أن العوامل الرئيسية المؤثرة على إنتاج الآبار هي تشبع الزيت، عدد فترات التكسير، كمية الرمل، إجمالي حجم السائل الداخل وطول الطبقة الزيتية، مع اختلاف نسب تأثيرها بين فئات الآبار الثلاث. أظهر نموذج Arps التقليدي أخطاء كبيرة في معامل التحديد (R²)، الخطأ الجذري المتوسط (RMSE) ونسبة الخطأ المتوسط المطلق (MAPE)، ولم يتفوق في التنبؤ مقارنة بنموذج الشبكة العصبية. بعد إدخال آلية الانتباه، تحسن دقة نموذج LSTM في تنبؤ إنتاج الفئات الثلاثة بنسبة 3.34%، 3.57% و2.57% على التوالي، مما يدل على فعالية التحسين. وبتعديل مدخلات نموذج AT-LSTM وطول مجموعة التدريب وفق خصائص مراحل الإنتاج المختلفة لكل فئة، تم تعزيز دقة التنبؤ. بتحسين العوامل المسيطرة على إنتاج الآبار ضمن المنطقة بهدف زيادة الإنتاج، تأكدت جدوى التحسين التآزري المتعدد العوامل ودُعمت جهود تعديل إجراءات الإنتاج في الآبار النمطية للطبقة السابعة.

حوض إيردوس;مجموعة يانشان السابعة;زيت الصخر;آلية الانتباه;خوارزمية التطور التفاضلي;نموذج LSTM;تنبؤ الإنتاج