DOI: https://doi.org/10.1016/j.engappai.2025.113605
تاريخ النشر: 2026-01-07
المؤلف: Muzhen Zhang وآخرون
الموضوع الرئيسي: استكشاف الهيدروكربونات وتحليل الخزانات
نظرة عامة
تقدم البحث نهجًا جديدًا للتنبؤ المكاني بمعلمات الخزان، وخاصة النفاذية، والتي تعتبر حيوية لاستكشاف النفط والغاز. يقدم الدراسة نموذج الذاكرة الطويلة القصيرة المعزز بالكم (QLSTMA) الذي يدمج الدوائر الكمومية المتغيرة (VQCs) في هيكله. يستفيد هذا النموذج من مبادئ الكم مثل التشابك والتراكب لتعزيز التنبؤ بالمعلمات الجيولوجية المعقدة. يتم استكشاف تكوينين من نموذج QLSTMA: QLSTMA مع بوابات مشتركة (QLSTMA-SG) وQLSTMA مع بوابات مستقلة (QLSTMA-IG)، مما يسمح بتقييم كيفية تأثير الهيكل الكمومي وعدد الكيوبتات على الأداء.
تشير النتائج التجريبية إلى أن نموذج QLSTMA-IG، الذي يستخدم 8 كيوبتات، يتفوق بشكل كبير على الذاكرة الطويلة القصيرة التقليدية مع الانتباه (LSTMA)، محققًا انخفاضًا بنسبة 19% في متوسط الخطأ المطلق (MAE) وانخفاضًا بنسبة 20% في الجذر التربيعي لمتوسط الخطأ (RMSE). هذه التحسينات ملحوظة بشكل خاص في المناطق ذات بيانات تسجيل الآبار المعقدة. تؤكد النتائج على إمكانيات الشبكات العصبية الهجينة الكمومية الكلاسيكية في تعزيز تنبؤات الخزان وتقترح أن زيادة عدد الكيوبتات يمكن أن تؤدي إلى تحسينات إضافية في الدقة. تمهد هذه الدراسة الطريق لتطبيقات مستقبلية لمثل هذه النماذج في الأجهزة الكمومية الحقيقية وحقول أوسع ضمن هندسة البترول والجيولوجيا.
مقدمة
تؤكد مقدمة هذه الورقة البحثية على أهمية معلمات الخزان في استكشاف النفط والغاز، وخاصة التحديات المرتبطة بتنبؤ هذه المعلمات في المناطق غير المحفورة باستخدام بيانات تسجيل الآبار. تم استخدام تقنيات التعلم الآلي التقليدية، وخاصة الشبكات العصبية طويلة المدى قصيرة المدى (LSTM)، لهذا الغرض، لكنها تواجه قيودًا عند التعامل مع مجموعات بيانات معقدة مثل النفاذية، التي تظهر تباينًا أكبر وقيمًا متطرفة. تبرز الورقة ظهور التعلم الآلي الكمومي (QML) كبديل واعد، مستفيدة من قدرات الحوسبة الكمومية لتعزيز دقة النموذج وسرعة التقارب.
لمعالجة أوجه القصور في الشبكات العصبية التقليدية في تنبؤ معلمات الخزان، يقترح المؤلفون نموذجًا جديدًا يسمى الذاكرة الطويلة القصيرة الكمومية مع الانتباه (QLSTMA). يدمج هذا النموذج الخوارزميات الكمومية في هيكل LSTM، مستخدمًا استراتيجية معالجة مسبقة تخفف من المشكلات المتعلقة بتوزيع البيانات غير المتساوي والقيم المتطرفة. يظهر نموذج QLSTMA أداءً متفوقًا مقارنةً بأساليب LSTM التقليدية، خاصة في تنبؤ النفاذية. تستكشف الدراسة أيضًا هيكلين للتكميم، QLSTMA-SG وQLSTMA-IG، كاشفةً أن الطبقات الكمومية المستقلة (QLSTMA-IG) تعزز استقرار التحسين ودقة التنبؤ مع زيادة عدد الكيوبتات. تمهد المقدمة الطريق لاستكشاف مفصل للأسس النظرية، ومعالجة البيانات، وبناء النموذج، وتقييم الأداء في الأقسام اللاحقة من الورقة.
طرق
توضح قسم “طرق” المبادئ الأساسية والتقنيات المستخدمة في البحث. تتفصل في تصميم التجربة، بما في ذلك اختيار المتغيرات، وإجراءات جمع البيانات، والأساليب التحليلية المستخدمة لاختبار الفرضيات. تم هيكلة المنهجية لضمان إمكانية التكرار والموثوقية، مع دمج كل من التدابير النوعية والكمية حيثما كان ذلك ممكنًا.
تُبرز النتائج الرئيسية من تطبيق هذه الطرق، مما يظهر فعاليتها في معالجة الأسئلة البحثية المطروحة. يؤكد القسم على أهمية الأطر المنهجية الصارمة في استخلاص استنتاجات صحيحة وتعزيز الفهم في مجال الدراسة. بشكل عام، تعتبر الطرق المستخدمة جزءًا لا يتجزأ من نزاهة وتأثير نتائج البحث.
مناقشة
يقدم البحث إطارًا جديدًا لتنبؤ النفاذية المكانية باستخدام نموذج الذاكرة الطويلة القصيرة المعزز بالكم (QLSTMA). يعالج هذا النموذج منحنيات تسجيل الآبار كسلاسل عمق، مستفيدًا من كل من التوزيعات البيانية الأفقية والعمودية لتنبؤ النفاذية في المواقع غير المحفورة. يدمج الهيكل الميكروفاسيات الرسوبية كمتغير تحكم، مما يعزز موثوقية التنبؤ من خلال تخصيص أوزان بناءً على القرب المكاني ونوع الفاسي. يستخدم نموذج QLSTMA دوائر كمومية متغيرة (VQCs) لالتقاط العلاقات غير الخطية المعقدة والارتباطات بعيدة المدى في البيانات، مما يحسن بشكل كبير من قدرة النموذج التعبيرية وقدراته على التعميم.
تقدم الدراسة معمارين لـ QLSTM: QLSTM-SG (البوابة المشتركة) وQLSTM-IG (البوابات المستقلة). يستخدم QLSTM-SG VQC واحد لجميع البوابات، مما يقلل من التكاليف الحسابية ولكنه يحد من قدرة النموذج على التمييز بين وظائف البوابات. بالمقابل، يخصص QLSTM-IG VQCs مستقلة لكل بوابة، مما يعزز قدرة النموذج على التقاط الاعتماديات الزمنية المعقدة ويحسن الأداء التنبؤي. بالإضافة إلى ذلك، يسمح دمج آلية الانتباه للنموذج بإعطاء الأولوية للميزات الحيوية، مما يزيد من دقة التنبؤ في سياق النفاذية المكانية. بشكل عام، يظهر إطار QLSTMA إمكانيات كبيرة للتنبؤات القوية في البيئات الجيولوجية المعقدة، متفوقًا على الأساليب التقليدية مع الحفاظ على الكفاءة الحسابية.
DOI: https://doi.org/10.1016/j.engappai.2025.113605
Publication Date: 2026-01-07
Author(s): Muzhen Zhang et al.
Primary Topic: Hydrocarbon exploration and reservoir analysis
Overview
The research presents a novel approach to the spatial prediction of reservoir parameters, particularly permeability, which is vital for oil and gas exploration. The study introduces a quantum-enhanced long short-term memory with attention (QLSTMA) model that integrates variational quantum circuits (VQCs) into its architecture. This model leverages quantum principles such as entanglement and superposition to enhance the prediction of complex geological parameters. Two configurations of the QLSTMA model are explored: QLSTMA with Shared Gates (QLSTMA-SG) and QLSTMA with Independent Gates (QLSTMA-IG), allowing for an assessment of how quantum structure and qubit count affect performance.
Experimental results indicate that the QLSTMA-IG model, utilizing 8 qubits, significantly outperforms the traditional long short-term memory with attention (LSTMA), achieving a 19% reduction in Mean Absolute Error (MAE) and a 20% reduction in Root Mean Squared Error (RMSE). This improvement is particularly notable in areas with complex well-logging data. The findings underscore the potential of quantum-classical hybrid neural networks for enhancing reservoir predictions and suggest that increasing the number of qubits can lead to further accuracy improvements. This study lays the groundwork for future applications of such models in real quantum hardware and broader fields within petroleum engineering and geoscience.
Introduction
The introduction of this research paper emphasizes the significance of reservoir parameters in oil and gas exploration, particularly the challenges associated with predicting these parameters in undrilled areas using well logging data. Traditional machine learning techniques, especially Long Short-Term Memory (LSTM) networks, have been employed for this purpose, but they face limitations when dealing with complex datasets like permeability, which exhibit greater variability and extreme values. The paper highlights the emergence of quantum machine learning (QML) as a promising alternative, leveraging quantum computing’s capabilities to enhance model accuracy and convergence speed.
To address the shortcomings of conventional neural networks in reservoir parameter prediction, the authors propose a novel model called Quantum Long Short-Term Memory with Attention (QLSTMA). This model integrates quantum algorithms into the LSTM architecture, employing a preprocessing strategy that mitigates issues related to uneven data distribution and extreme values. The QLSTMA model demonstrates superior performance compared to traditional LSTM approaches, particularly in predicting permeability. The study also explores two quantization structures, QLSTMA-SG and QLSTMA-IG, revealing that independent quantum layers (QLSTMA-IG) enhance optimization stability and predictive accuracy as the number of qubits increases. The introduction sets the stage for a detailed exploration of the theoretical foundations, data preprocessing, model construction, and performance evaluation in subsequent sections of the paper.
Methods
The section on “Methods” outlines the foundational principles and techniques employed in the research. It details the experimental design, including the selection of variables, data collection procedures, and analytical approaches used to test the hypotheses. The methodology is structured to ensure reproducibility and reliability, incorporating both qualitative and quantitative measures where applicable.
Key findings from the application of these methods are highlighted, demonstrating their effectiveness in addressing the research questions posed. The section emphasizes the importance of rigorous methodological frameworks in deriving valid conclusions and advancing understanding in the field of study. Overall, the methods employed are integral to the integrity and impact of the research outcomes.
Discussion
The research presents a novel framework for predicting spatial permeability using a quantum-enhanced Long Short-Term Memory Attention (QLSTMA) model. This model processes well-log curves as depth-wise sequences, leveraging both horizontal and vertical data distributions to predict permeability at undrilled locations. The architecture incorporates sedimentary microfacies as a control variable, enhancing prediction reliability by assigning weights based on spatial proximity and facies type. The QLSTMA model employs parameterized variational quantum circuits (VQCs) to capture complex nonlinear relationships and long-range correlations in the data, significantly improving the model’s expressive power and generalization capabilities.
The study introduces two QLSTM architectures: QLSTM-SG (Shared Gate) and QLSTM-IG (Independent Gates). QLSTM-SG utilizes a single VQC for all gates, which reduces computational costs but limits the model’s ability to differentiate between gate functions. In contrast, QLSTM-IG assigns independent VQCs to each gate, enhancing the model’s capacity to capture complex temporal dependencies and improving predictive performance. Additionally, the integration of an attention mechanism allows the model to prioritize critical features, further refining its predictive accuracy in the context of spatial permeability. Overall, the QLSTMA framework demonstrates significant potential for robust predictions in complex geological environments, outperforming traditional methods while maintaining computational efficiency.