基于量子-经典物理感知神经网络的储库渗漏方程求解
机器学习
2026-03-26 v2 数值分析
数值分析
计算物理
摘要
本文改进离散变量(DV)电路量子-经典物理感知神经网络(QCPINN)，首次将其应用于四类典型储库渗漏模型：包括各向异性单相流的压力扩散方程、考虑吸附作用的组成相流的对流扩散方程、简化双相水驱的非线性 Buckley-Leverett(BL)方程，以及各向异性储库、指数渗透率分布的全耦合压力-饱和度双相油-水渗漏方程。QCPINN 将经典预处理/后处理网络与 DV 量子核心集成，利用量子叠加和纠缠来增强高维特征映射，同时嵌入物理约束以确保解的一致性。我们测试了三种量子电路拓扑结构(Cascade、Cross-mesh、Alternate)，通过四个数值实验表明 QCPINNs 在预测精度上优于经典 PINNs。具体而言，Alternate 拓扑在各向异性单相流、BL 方程仿真和各向异性全耦合压力-饱和度双相流中表现最佳；Cascade 拓扑在包含对流-迩散-吸附耦合的组成相流中表现突出；Cross-mesh 拓扑在各场景下展现出具竞争力的早期收敛速度和精度。本工作验证了 QCPINN 在储库工程中的可行性，弥合了量子计算研究与石油与天然气工程实践之间的鸿沟。
引用
@article{arxiv.2512.03923,
title = {Quantum-Classical Physics-Informed Neural Networks for Solving Reservoir Seepage Equations},
author = {Xiang Rao and Yina Liu and Yuxuan Shen},
journal= {arXiv preprint arXiv:2512.03923},
year = {2026}
}