Os reservatórios de óleo de xisto do 7º segmento do grupo Yanchang do Triássico na bacia de Ordos apresentam heterogeneidade lateral significativa do reservatório e variações notáveis nas propriedades do óleo bruto, o que tem impedido o desenvolvimento eficaz em larga escala até o momento. A previsão precisa da produção de poços individuais e a determinação dos seus fatores principais de controle são cruciais para otimizar as medidas de produção em campo. Com base nos dados de produção, parâmetros de engenharia e fraturamento de 197 poços amostrados do 7º segmento, primeiramente foi utilizado o algoritmo de agrupamento fuzzy C-means ponderado por características (Fuzzy C-Means Clustering, FCM) para classificar os poços, e foi construído um modelo LSTM (Long Short-Term Memory) introduzindo o mecanismo de atenção para a simulação inteligente da previsão de produção. Esse mecanismo supera efetivamente a dificuldade do modelo LSTM em selecionar informações-chave sob condições multi-paramétricas, priorizando os fatores mais críticos e ignorando os menos influentes; em seguida, o modelo foi otimizado com o algoritmo de evolução diferencial. Por fim, os valores de produção previstos foram comparados com os valores dos modelos LSTM e Arps tradicionais. Os resultados mostram que a saturação de óleo, o número de segmentos fraturados, a quantidade de areia adicionada, o volume total de fluido injetado e o comprimento da camada produtora são os principais fatores que afetam a produção dos poços nas três categorias classificadas, com pesos diferentes em cada categoria. O modelo clássico de declínio de Arps apresenta erros significativos nos indicadores coeficiente de determinação (R²), erro quadrático médio (RMSE) e erro percentual absoluto médio (MAPE), não superando a eficácia do modelo de rede neural na previsão da produção de poços individuais em reservatórios de óleo de xisto. Após a introdução do mecanismo de atenção, o modelo LSTM aprimorou a precisão da previsão de produção nas três categorias em 3,34%, 3,57% e 2,57%, respectivamente, demonstrando boa eficácia de otimização. Ajustar os parâmetros de entrada e o comprimento do conjunto de treinamento do modelo AT-LSTM de acordo com as características das diferentes fases de produção de cada categoria pode melhorar ainda mais a eficácia da previsão. A otimização dos fatores de controle principais dos poços na região, visando aumentar a produção, confirmou a viabilidade da otimização sinérgica multifatorial e forneceu suporte sólido para o ajuste das medidas de produção dos poços do 7º segmento.

bacia de Ordos;grupo Yanchang 7º segmento;óleo de xisto;mecanismo de atenção;algoritmo de evolução diferencial;modelo LSTM;previsão de produção