O motivo pelo qual o aprendizado de máquina atualmente apresenta desempenho insatisfatório na previsão da produção de poços de petróleo e gás é a dependência excessiva dos métodos convencionais nas características dos dados históricos de produção, fazendo com que os resultados da previsão se manifestem mais como uma reorganização das informações históricas, tornando difícil prever novas tendências. Esses métodos negligenciam outras variáveis temporais importantes, como a fase de desenvolvimento do poço, a pressão e a produção de água, que influenciam a produção. Para resolver esses problemas, o estudo propôs contramedidas associadas à pressão, produção de água e produção, e desenvolveu um método de previsão da produção de poços de petróleo e gás baseado em uma rede neural convolucional dinâmica com atenção temporal. O método utiliza uma rede neural convolucional temporal como modelo base, introduzindo atenção multi-cabeça e mecanismo de convolução dinâmica para capturar as dependências de longo prazo entre diferentes etapas temporais na sequência das características de entrada, atribuindo diferentes pesos para cada etapa temporal. O módulo de convolução dinâmica pode gerar, dinamicamente, os parâmetros do kernel convolucional com base na saída do módulo de atenção temporal, adaptando-se às características de entrada em diferentes fases de produção. A superioridade do modelo de previsão baseado em convolução dinâmica com atenção temporal foi demonstrada por meio da validação em casos reais complexos de múltiplos poços na área de operação de produção de gás de Anyue. O estudo mostrou que o modelo proposto apresentou melhor desempenho preditivo para quatro poços selecionados aleatoriamente. A análise visual dos pesos de atenção e dos pesos da convolução dinâmica revelou que o modelo pode ajustar dinamicamente os pesos do kernel convolucional conforme as diferentes fases de desenvolvimento, especialmente para as fases inicial, de transição e de declínio dos poços de gás. Combinando a relação entre pressão, produção de água e produção nas fases de desenvolvimento, o modelo de rede neural convolucional dinâmica com atenção temporal pode ajustar adaptativamente sua estrutura e parâmetros, possibilitando a previsão precisa da produção de poços de petróleo e gás.

previsão de produção de poços de petróleo e gás;rede neural convolucional temporal;atenção multi-cabeça;convolução dinâmica;adaptativo