基于注意力机制的量子增强长短期记忆用于油田储层空间渗透性预测
人工智能
2026-01-09 v2 量子物理
摘要
储层参数的空间预测，尤其是渗透性，是油气勘探和开发的关键问题。然而，渗透性的广泛范围和高变异性阻碍了现有方法提供可靠预测。本研究首次在地下空间预测中提出了一种量子增强长短期记忆注意力（QLSTMA）模型，将变分量子电路（VQC）融入循环单元。利用量子纠缠和叠加原理，QLSTMA显著提高了预测复杂地质参数（如渗透性）的能力。设计了两种量子结构，QLSTMA 带共享门（QLSTMA-SG）和带独立门（QLSTMA-IG），以检验和评估量子结构配置和量子比特数量对模型性能的影响。实验结果表明，8 量子比特的 QLSTMA-IG 模型显著优于传统长短期记忆注意力（LSTMA），平均绝对误差（MAE）降低 19%，均方根误差（RMSE）降低 20%，在复杂井测数据区域表现尤为突出。这些发现验证了量子-经典混合神经网络在储层预测中的潜力，表明尽管依赖于经典仿真，增加量子比特数量仍可进一步提升精度。本研究为在真实量子硬件上部署此类模型及其扩展至石油工程和地球科学领域的更广泛应用奠定了基础框架。
引用
@article{arxiv.2601.02818,
title = {Quantum-enhanced long short-term memory with attention for spatial permeability prediction in oilfield reservoirs},
author = {Muzhen Zhang and Yujie Cheng and Zhanxiang Lei},
journal= {arXiv preprint arXiv:2601.02818},
year = {2026}
}
备注
Published in Engineering Applications of Artificial Intelligence. DOI: https://doi.org/10.1016/j.engappai.2025.113605