El yacimiento de petróleo de esquisto del segmento 7 del grupo Yanchang en la cuenca de Ordos presenta una heterogeneidad lateral significativa del reservorio y variaciones notables en las propiedades físicas y químicas del crudo, lo que ha impedido un desarrollo eficiente a gran escala. La predicción precisa de la producción de pozos individuales y la identificación de sus factores principales de control son fundamentales para optimizar las medidas de producción en campo. Basándose en datos de producción, parámetros de ingeniería y fracturamiento de 197 pozos muestreados del segmento 7, se utilizó primero el algoritmo de clustering difuso ponderado por características (Fuzzy C-Means Clustering, FCM) para clasificar los pozos, y se construyó un modelo LSTM (Long Short-Term Memory) con mecanismo de atención para la simulación inteligente de la producción. Este mecanismo supera eficazmente la dificultad del modelo LSTM para seleccionar información clave bajo condiciones multiparamétricas, al priorizar los factores más críticos e ignorar los menos influyentes; luego, el modelo fue optimizado mediante un algoritmo de evolución diferencial. Finalmente, los valores pronosticados de producción se compararon con los modelos LSTM y Arps tradicionales. Los resultados muestran que la saturación de aceite, el número de etapas de fracturamiento, la cantidad de arena, el volumen total de fluido inyectado y la longitud del yacimiento son los principales factores que afectan la producción en las tres categorías de pozos, con diferentes pesos relativos en cada categoría. El modelo clásico de declinación de Arps mostró errores significativos en el coeficiente de determinación (R²), el error cuadrático medio (RMSE) y el error absoluto porcentual medio (MAPE), y no superó al modelo de red neuronal en la predicción de la producción individual de pozos en esquisto. Tras incorporar el mecanismo de atención, la precisión del modelo LSTM mejoró en un 3,34 %, 3,57 % y 2,57 % en las tres categorías respectivamente, mostrando un buen efecto de optimización. Ajustar los parámetros de entrada y la longitud del conjunto de entrenamiento del modelo AT-LSTM según las características de las diferentes fases productivas de las tres categorías permitió mejorar aún más la precisión del pronóstico. La optimización de los factores de control de los pozos en la región con el objetivo de aumentar la producción confirmó la viabilidad de una optimización sinérgica multifactorial y proporcionó un sólido apoyo para el ajuste de las medidas de producción en los pozos del segmento 7 del yacimiento.

cuenca de Ordos;grupo Yanchang segmento 7; petróleo de esquisto;mecanismo de atención; algoritmo de evolución diferencial;modelo LSTM; predicción de producción