Le réservoir de pétrole de schiste du 7e segment du groupe Yanchang du Trias dans le bassin d'Ordos présente une hétérogénéité latérale marquée du réservoir et des variations significatives des propriétés du pétrole brut, ce qui a empêché un développement efficace à grande échelle. Une prédiction précise du débit individuel des puits et la détermination de ses facteurs de contrôle sont cruciales pour optimiser les mesures de production sur le terrain. Sur la base des données de production, des paramètres d'ingénierie et de fracturation de 197 puits échantillons sélectionnés dans le 7e segment, l'algorithme de clustering flou pondéré par caractéristiques (Fuzzy C-Means Clustering, FCM) a d'abord été utilisé pour classifier les puits, puis un modèle LSTM (Long Short-Term Memory) intégrant un mécanisme d'attention a été construit pour la simulation intelligente de la production. Ce mécanisme permet de surmonter efficacement les difficultés du modèle LSTM à sélectionner les informations clés sous des conditions multi-paramétriques, en privilégiant les éléments les plus importants et en ignorant les moins influents; la modélisation a ensuite été optimisée par un algorithme d'évolution différentielle. Enfin, les valeurs prédites de production ont été comparées avec celles des modèles LSTM et Arps traditionnels. Les résultats montrent que la saturation en huile, le nombre de segments fracturés, la quantité de sable injectée, le volume total de fluide injecté et la longueur de la couche huileuse sont les principaux facteurs influençant la production des puits dans les trois catégories, avec des proportions variables selon chaque catégorie. Le modèle classique de déclin d'Arps présente des erreurs importantes selon le coefficient de détermination (R²), l'erreur quadratique moyenne (RMSE) et l'erreur absolue moyenne en pourcentage (MAPE), ne surpassant pas les résultats de la prédiction par réseau de neurones pour les puits en schiste. Après intégration du mécanisme d'attention, la précision du modèle LSTM pour prédire la production des trois catégories de puits a été améliorée respectivement de 3,34 %, 3,57 % et 2,57 %, indiquant un bon effet d'optimisation. En ajustant les paramètres d'entrée du modèle AT-LSTM et la longueur de l'ensemble d'entraînement en fonction des caractéristiques des différentes phases de production des trois catégories, l'efficacité de la prédiction a pu être encore améliorée. L'optimisation des facteurs de contrôle des puits dans la région, visant à augmenter la production, a confirmé la faisabilité d'une optimisation synergique multifactorielle et a fourni un soutien solide pour l'ajustement des mesures de production des puits dans le 7e segment du réservoir de schiste.

bassin d'Ordos;groupe Yanchang 7e segment;pétrole de schiste;mécanisme d'attention;algorithme d'évolution différentielle;modèle LSTM;prédiction de production