储层连通性分析是储层开发中后期控制含水的重要手段。传统的分析方法，如试井和示踪等，可能会导致中断和高油藏开发成本。通过历史数据分析连通性是一种可取的替代方法，因为数据的波动反映了井间干扰。然而，以往大多数数据驱动的方法，如CRM，都是利用相对简单的公式来估算连通性，导致地下井间流量的表达式不够充分。本文提出了一种可解释的递归图神经网络来构建一个模拟井间实际流动规律的交互过程，克服了以往方法的不足。相比之下，与CRM模型相比，它是由一个深度足够且参数量相对较大的神经网络结构形成的。该方法首先利用井速信息和井底压力信息来完整地描述井的隐藏状态和井间交换的能量信息，然后以空间和时间的方式不断更新这些信息。
同时，一个自定义的循环结构处理时间滞后和衰减现象，因为它记录的剩余能量从过去的时间戳。最后，以人工指定的产量作为额外的输入数据，计算每口生产井的井底压力。在两个例子中给出了详细的结果。该方法具有结构合理、拟合非线性映射能力强等优点。

流程图

https://doi.org/10.2118/205024-PA