Сланцевые нефтяные пласты 7-го участка (Чан 7 участок) триасовой группы Янчана в бассейне Эрдо-Си отличаются значительной поперечной неоднородностью коллектора и заметными изменениями физико-химических свойств нефти, что до сих пор препятствует масштабной эффективной разработке. Точное прогнозирование продукции отдельной скважины и определение управляющих факторов имеют решающее значение для оптимизации мер по производству на месторождении. На основе производственных данных, инженерных и гидроразрывных параметров отобранных 197 образцовых скважин 7-го участка применён алгоритм кластеризации с нечеткими центрами (Fuzzy C-Means Clustering, FCM) для классификации скважин, а также построена модель с долговременной краткосрочной памятью (LSTM) с механизмом внимания для интеллектуального моделирования прогноза продукции. Данный механизм эффективно преодолевает трудности выбора ключевой информации из множества параметров, уделяя приоритет наиболее важным факторам и игнорируя менее значимые; далее модель оптимизировалась с помощью алгоритма дифференциальной эволюции. Итоговые прогнозные значения производства сравнивались с результатами моделей LSTM и традиционной модели Арпса. Результаты показали, что основными факторами, влияющими на продуктивность скважин в трёх классифицированных группах, являются насыщенность нефтью, количество этапов гидроразрыва, объем песка, общий объем входящего жидкости и длина нефтеносного пласта, причём вклад этих факторов варьируется между группами. Традиционная модель убывания Арпса демонстрирует значительные ошибки по коэффициенту детерминации (R²), среднеквадратичной ошибке (RMSE) и среднему абсолютному процентному отклонению (MAPE), уступая при прогнозировании продукции одиночных скважин нейронным сетям. После внедрения механизма внимания точность модели LSTM увеличилась на 3,34%, 3,57% и 2,57% для трёх групп скважин соответственно, что свидетельствует о хорошем эффекте оптимизации. Подгонка входных параметров модели AT-LSTM и длины обучающего набора в соответствии с особенностями различных производственных этапов каждого типа скважин позволила дополнительно повысить точность прогноза. Оптимизация управляющих факторов скважин в районе с целью повышения продуктивности подтверждает осуществимость многофакторной координированной оптимизации и обеспечивает поддержку корректировке производственных мер для скважин 7-го участка.

бассейн Эрдо-Си;7-й участок Янчан;сланцевая нефть;механизм внимания;алгоритм дифференциальной эволюции;модель LSTM;прогнозирование добычи