오르도스 분지 트라이아스기 옌창층 제7단계(창7단계) 셰일 오일 저장층은 저장층의 횡방향 비균질성이 두드러지고 원유의 물성 변화가 명확하여 대규모 효과적인 개발이 아직 이루어지지 못하였다. 단일 유정 생산량을 정확히 예측하고 주된 제어 요인을 파악하는 것은 현장 생산 조치 최적화에 매우 중요하다. 창7단계에서 선별한 197개 표본 유정의 생산 데이터, 공정 및 파쇄 매개변수를 기반으로, 먼저 특성 가중 퍼지 C-평균 군집화(Fuzzy C-Means Clustering, FCM) 알고리즘을 사용해 단일 유정을 분류하였다. 이어 주의를 도입한 장단기 기억(Long Short-Term Memory, LSTM) 네트워크 모델을 구축하여 생산량 지능형 시뮬레이션 예측을 수행하였다. 이 메커니즘은 다중 매개변수 조건에서 LSTM 모델이 핵심 정보를 선별하는 어려움을 효과적으로 극복하며, 가장 중요한 요소에 우선순위를 두고 영향이 적은 요소는 무시한다. 이후 차분 진화 알고리즘으로 모델 매개변수를 최적화하였으며, 최종적으로 예측 생산량 값을 LSTM 모델과 전통적인 Arps 모델의 예측 값과 비교 분석하였다. 결과는 분류된 세 가지 유정 유형에서 유분포포화도, 파쇄 구간 수, 사량, 지하 총 액체량 및 유층 길이가 단일 유정 생산량에 영향을 미치는 주요 요인임을 보여주며 각 요인의 비중은 세 가지 유형마다 다르다. 전통적인 Arps 감쇠 모델은 결정 계수(R²), 평균 제곱근 오차(RMSE), 평균 절대 백분율 오차(MAPE) 세 가지 지표에서 큰 오차를 나타내며, 셰일 오일 저장층 단일 유정 생산량 예측에선 신경망 모델보다 성능이 떨어진다. 주의 메커니즘을 도입한 후 LSTM 모델은 세 가지 유정 유형 생산량 예측 정확도를 각각 3.34%, 3.57%, 2.57% 향상시켜 주의 메커니즘의 우수한 최적화 효과를 입증하였다. 세 유형 유정의 생산 단계별 특성에 맞춰 AT-LSTM 모델의 입력 매개변수 및 학습 세트 길이를 조정하면 생산량 예측 효과를 더욱 향상할 수 있다. 단일 유정 생산량 증대를 목표로 지역 내 유정의 주 제어 요인 최적화를 수행하였으며, 다중 요인 협동 최적화의 실현 가능성을 입증하고 창7단계 셰일 오일 저장층 단일 유정 생산 조치 조정에 강력한 지원을 제공하였다.

오르도스 분지;옌창층 제7단계;셰일 오일;주의 메커니즘;차분 진화 알고리즘;LSTM 모델;생산량 예측