《Unconventional Resources》：An explainable quantum neural network framework for reservoir permeability prediction from conventional well logs
编辑推荐：
研究人员提出了一种量子神经网络（Quantum Neural Network，QNN）框架，基于常规测井数据预测储层渗透率。该模型采用谱伽马射线（SGR）、密度测井（RHOZ）、泥质体积（VSH）、热中子孔隙度（TNPH）和有效孔隙度（PHIE）五条测井曲线构
研究人员提出了一种量子神经网络（Quantum Neural Network，QNN）框架，基于常规测井数据预测储层渗透率。该模型采用谱伽马射线（SGR）、密度测井（RHOZ）、泥质体积（VSH）、热中子孔隙度（TNPH）和有效孔隙度（PHIE）五条测井曲线构建。研究人员利用SHapley加性解释（SHapley Additive exPlanations，SHAP）量化各测井参数的单变量重要性。预测精度方面，所提量子神经网络优于传统数据分组处理方法（Group Method of Data Handling，GMDH）。该研究以乌干达Albertine地堑Mpyo油田三口井共3213个样本为对象，在经典硬件上通过PennyLane模拟变分量子电路实现，并结合盲井测试、交叉验证、敏感性分析与基于Bootstrap的不确定性量化开展评估，为储层表征中量子启发机器学习的作用提供了受控认识。
研究背景与立项依据
全球能源需求随人口增长与经济发展持续上升，油气行业占全球GDP约6%，在常规储量递减背景下亟需降低勘探风险并提高采收率。孔隙度、渗透率与含烃饱和度是控制流体储集与运移的三大岩石物理性质，其中渗透率决定流体在多孔介质中的流动难易程度，直接影响单井产能与采收效率。传统渗透率评价依赖实验室相关式、Kozeny–Carman方程与Archie公式等经验或解析模型，这些方法受限于过简假设、尺度不一致及难以刻画非均质地层中非线性耦合；岩心数据稀疏、成本高且空间不连续，迫使研究人员转向测井间接连续反演。测井虽对岩性、结构与流体敏感，但其与渗透率的关系高度复杂非线性，常规回归力有不逮。机器学习（Machine Learning，ML）可拟合多维非线性，但既有方法（堆叠极限学习机、XGBoost、GMDH、遗传算法、深度残差网络、广义加性模型、支持向量机、多层感知机等）面临计算昂贵、易过拟合、可解释性差、小样本跨井泛化弱等挑战。量子机器学习借助量子态编码、纠缠与高维特征映射提供更强表示潜力，但量子神经网络（QNN）用于岩石物理渗透率预测仍稀少，且与可解释框架融合的综合研究稀缺。为此，研究人员在《Unconventional Resources》发表本研究，构建基于经典硬件模拟的可解释变分QNN框架，以乌干达Albertine地堑Mpyo油田三口井3213个样本为队列，系统回答模拟QNN在常规测井渗透率预测中的精度、可解释性与实用边界。
主要关键技术方法
研究人员选取Mpyo油田Well-1、Well-2、Well-3三口井共3213个样本（Well-1为1462、Well-2为799、Well-3为952），以岩心稳态渗透率为目标，输入为TNPH、PHIE、RHOZ、VSH、SGR五条常规测井。按井划分数据集，Well-1与Well-2占70%训练，Well-3作30%盲测井以防深度区间污染；归一化参数仅由训练集估计再套用全量，z-score±3剔除离群，做深度对齐与缺失插值。QNN在PennyLane上以变分量子线路经典模拟实现，量子旋转门编码归一化测井向量，可训练参数化门叠加纠缠层后取期望值回归渗透率。可解释性采用SHAP分配各特征边际贡献；对比基线为GMDH、随机森林（Random Forest，RF）、支持向量回归（Support Vector Regression，SVR）。鲁棒性评估含盲井测试、k折交叉验证、敏感性扰动与Bootstrap重采样不确定性量化。
研究结果
3.1 数据处理与预处理
经质量控制、深度校正与±3σ离群清洗后，五维测井统计特征在井间呈现系统性偏移（如Well-3的RHOZ标准差降至0.128 g/cc），证明按井切分训练的必要性。归一化至[0,1]消除量纲差异，训练集独占拟合最小最大边界避免信息泄漏。
3.2 量子神经网络架构与基线模型
变分QNN以5量子比特承载5维测井输入，经角度编码与参数化单双量子门构筑可微目标函数，在经典CPU通过PennyLane反向传播优化。GMDH以多项式神经元逐层筛选，RF以树集成，SVR以核技巧映射。架构设计明确声明为经典模拟而非物理量子硬件执行。
3.3 SHAP可解释性分析
SHAP全局重要性显示PHIE与TNPH对渗透率正向贡献最显著，VSH呈负向抑制，RHOZ与SGR次之；局部SHAP力图揭示高泥质层段VSH负值拉低预测，与地质认识一致。该步骤将黑箱QNN转为可审计决策依据。
3.4 预测性能与盲井验证
盲井Well-3上QNN的R2与均方根误差（Root Mean Square Error，RMSE）均优于GMDH、RF、SVR，其中QNN对低渗尾部分布捕捉优于GMDH。交叉验证方差最小，Bootstrap 95%置信带窄于对比模型，表明模拟QNN在小样本跨井场景具更高稳定性。
3.5 不确定性与敏感性
Bootstrap重复训练给出渗透率预测分位数区间，高孔隙低泥质层段不确定性最低；单变量敏感性扫描显示PHIE扰动对输出灵敏度最高，SGR最钝，印证SHAP排序。量子门参数初始化对收敛影响有限，未见明显贫化（barren plateau）瘫痪。
讨论与研究结论翻译
讨论指出，模拟QNN在常规测井渗透率预测中相较GMDH等传统ML具备精度与跨井稳定性优势，其量子纠缠带来的特征交互隐式建模有助于刻画非线性岩石物理关系；SHAP使量子黑箱满足地下决策可解释需求。但研究受限于经典模拟规模、井数少（3口）、深度区间局限Albertine湖相扇体，未部署真实量子处理器，故结论属“量子启发”而非“量子优越”。未来需在更多盆地、更多井、物理量子硬件与噪声模型中验证。
研究人员得出以下结论：（i）所建可解释模拟QNN框架可从常规测井预测渗透率；（ii）SHAP结合地质分析定量还原了学习关系，PHIE与TNPH主导、VSH抑制；（iii）交叉验证、敏感性分析与Bootstrap不确定性量化证实预测鲁棒；（iv）系统对比显示模拟量子学习在储层表征中具实用潜力，但受当前量子计算技术约束。该平衡评估为地下表征工作流中量子启发机器学习的角色提供了新认识。
