Das Schieferölreservoir des 7. Abschnitts der YanChang-Gruppe aus der Trias im Ordos-Becken weist eine ausgeprägte laterale Heterogenität des Speichergesteins und deutliche Veränderungen der physikalischen Eigenschaften des Rohöls auf, was eine großflächige effektive Entwicklung bisher verhindert hat. Die genaue Vorhersage der Einzelbrunnenproduktion und die Bestimmung der Hauptkontrollfaktoren sind entscheidend zur Optimierung von Produktionsmaßnahmen vor Ort. Basierend auf Produktionsdaten sowie technischen und Fracking-Parametern von 197 ausgewählten Stichprobenbrunnen des 7. Abschnitts wurde zunächst der Fuzzy-C-Means-Clustering-Algorithmus (FCM) zur Klassifizierung der Brunnen verwendet und anschließend ein Long Short-Term Memory (LSTM)-Modell mit Attention-Mechanismus zur intelligenten Simulationsvorhersage der Produktion entwickelt. Dieser Mechanismus überwindet effektiv die Schwierigkeit des LSTM-Modells, unter multiparametrischen Bedingungen relevante Schlüsselinformationen zu filtern, indem er die wichtigsten Faktoren priorisiert und weniger beeinflussende Faktoren ignoriert; danach wurde das Modell mittels Differenzieller Evolutionsalgorithmus optimiert. Schließlich wurden die prognostizierten Produktionswerte mit den Werten des LSTM-Modells und des traditionellen Arps-Modells verglichen. Die Ergebnisse zeigen, dass Ölgesättigtheit, Anzahl der Fracking-Abschnitte, Sandmenge, das Gesamtvolumen der eingebrachte Flüssigkeit und die Länge der Ölschicht die Hauptfaktoren für die Einzelbrunnenproduktion in den drei klassifizierten Brunnenkategorien sind, wobei deren Gewichtung in den Kategorien variiert. Das traditionelle Arps-Abklingmodell zeigt erhebliche Fehler bei Determinationskoeffizient (R²), mittlerem quadratischem Fehler (RMSE) und mittlerem absolutem prozentualem Fehler (MAPE) und übertrifft das neuronale Netzwerkmodell bei der Prognose der Einzelbrunnenproduktion im Schieferöl nicht. Durch die Integration des Attention-Mechanismus wurde die Vorhersagegenauigkeit des LSTM-Modells bei den drei Brunnenkategorien um 3,34 %, 3,57 % bzw. 2,57 % verbessert, was eine gute Optimierungswirkung zeigt. Durch Anpassung der Eingabeparameter des AT-LSTM-Modells und der Länge des Trainingsdatensatzes entsprechend den Charakteristika der verschiedenen Produktionsphasen jeder Kategorie kann die Produktionsvorhersage weiter verbessert werden. Die Optimierung der Hauptkontrollfaktoren der Brunnen im Gebiet zur Steigerung der Produktion bestätigt die Machbarkeit der multifaktoriellen synergistischen Optimierung und unterstützt die Anpassung von Produktionsmaßnahmen bei den Brunnen des 7. Abschnitts im Schieferölreservoir.

Ordos-Becken;YanChang-Gruppe 7. Abschnitt;Schieferöl;Aufmerksamkeitsmechanismus;Differenzieller Evolutionsalgorithmus;LSTM-Modell;Förderprognose