李建平 梁勝松 范友貴

（1.東北石油大學(xué)計(jì)算機(jī)與信息技術(shù)學(xué)院 大慶 163318）（2.中國(guó)石油吉林油田公司 松原 138000）

1 引言

近年來(lái)，我國(guó)工業(yè)發(fā)展迅速，伴隨著油氣資源的需求也在日益增加，國(guó)內(nèi)重要油田區(qū)塊的開(kāi)發(fā)已經(jīng)進(jìn)入中晚期［1］。為了提高石油采收量，國(guó)內(nèi)科學(xué)家在油氣勘探技術(shù)上不斷向深層、超深層領(lǐng)域展開(kāi)研究。對(duì)深層、超深層有利儲(chǔ)層進(jìn)行有效識(shí)別，是未來(lái)幾年國(guó)內(nèi)油氣田勘探開(kāi)發(fā)研究中所要解決的一個(gè)重點(diǎn)和難點(diǎn)問(wèn)題，目前常用的方法需要通過(guò)勘探測(cè)井獲取大量測(cè)井資料數(shù)據(jù)，然后通過(guò)專(zhuān)業(yè)人員對(duì)其進(jìn)行分析才能判別。所以，研究出一套效率高、適應(yīng)性強(qiáng)的算法，構(gòu)建出可對(duì)儲(chǔ)層進(jìn)行定量定性分析的深層、超深層儲(chǔ)層評(píng)價(jià)模型，對(duì)于提高油氣田開(kāi)發(fā)水平具有重要意義。

在當(dāng)前國(guó)內(nèi)外的人工神經(jīng)網(wǎng)絡(luò)領(lǐng)域，將量子計(jì)算和神經(jīng)網(wǎng)絡(luò)相結(jié)合的量子神經(jīng)網(wǎng)絡(luò)的已經(jīng)成為了一個(gè)前沿課題。1995年，美國(guó)Louisiana大學(xué)Kak教授首次提出量子神經(jīng)計(jì)算的概念在其發(fā)表題為“On Quantum Neural Computing”的論文中［2］。2000年，日本的Matsui等提出了基于量子比特描述的量子神經(jīng)元模型［3］；2001年，俄羅斯的Altaisky基于量子信息處理原理提出一種量子神經(jīng)網(wǎng)絡(luò)模型［4］；2010年，巴西學(xué)者Adenilton在神經(jīng)網(wǎng)絡(luò)研討會(huì)中首次提出一種量子無(wú)權(quán)神經(jīng)網(wǎng)絡(luò)模型，該模型基于概念量子記憶理論［5］，并設(shè)計(jì)了基于Grover搜索的學(xué)習(xí)算法［6］。2014年，日本學(xué)者Kazuhiko等提出了一種多層量子神經(jīng)網(wǎng)絡(luò)控制器，其主要基于實(shí)數(shù)遺傳算法的訓(xùn)練［7］。國(guó)內(nèi)對(duì)量子神經(jīng)網(wǎng)絡(luò)的研究也在日益加深，先后分析和改進(jìn)量子神經(jīng)網(wǎng)絡(luò)模型［8］，提出了量子M-P和感知器的網(wǎng)絡(luò)模型［9］，之后又相繼提出了連續(xù)變量相干態(tài)量子神經(jīng)網(wǎng)絡(luò)模型［10］、衍生量子神經(jīng)網(wǎng)絡(luò)模型［11］和采用受控門(mén)Hadamard門(mén)構(gòu)造輸入為多維離散序列的量子神經(jīng)網(wǎng)絡(luò)，同時(shí)在其中也應(yīng)用到了受控旋轉(zhuǎn)門(mén)［12～14］。同樣，量子神經(jīng)網(wǎng)絡(luò)在實(shí)際應(yīng)用中也用途廣泛，比如頻譜感知［15］、音頻水?。?6］、網(wǎng)絡(luò)攻擊同源性判定［17］等方面。國(guó)內(nèi)外眾多學(xué)者不斷在量子神經(jīng)網(wǎng)絡(luò)領(lǐng)域努力探索和研究，提出很多新的模型和理論，充分表現(xiàn)出量子神經(jīng)網(wǎng)絡(luò)在未來(lái)科學(xué)發(fā)展領(lǐng)域中的潛力。

深層、超深層儲(chǔ)層處于盆地構(gòu)造環(huán)境的下方，經(jīng)過(guò)了長(zhǎng)期的埋藏和壓實(shí)、溶蝕等作用而形成［18］。深層、超深層有利儲(chǔ)層識(shí)別的難點(diǎn)主要有兩個(gè)方面。一是有利儲(chǔ)層的識(shí)別過(guò)程中對(duì)特殊儲(chǔ)層的形成機(jī)理認(rèn)識(shí)不夠充分、評(píng)價(jià)存在過(guò)度經(jīng)驗(yàn)化的問(wèn)題，二是對(duì)真實(shí)地質(zhì)參數(shù)進(jìn)行采集也是一個(gè)工程難點(diǎn)。針對(duì)深層、超深層儲(chǔ)層識(shí)別問(wèn)題，本文給出了基于量子神經(jīng)計(jì)算的全新解決方案，應(yīng)用結(jié)果表明，該方案在識(shí)別效率、泛化能力等方面相比于普通BP網(wǎng)絡(luò)有較大優(yōu)勢(shì)。

2 量子神經(jīng)網(wǎng)絡(luò)模型

2.1 量子比特

量子在經(jīng)典數(shù)字計(jì)算機(jī)中，信息被編碼為信息位，單位是比特。不同于經(jīng)典計(jì)算模式，在量子計(jì)算中，用0和1表示微觀量子的基本狀態(tài)，他們也是單量子比特的基態(tài)，單量子比特的任意狀態(tài)都可以表示為這兩個(gè)基態(tài)的線性組合。比特和量子比特的區(qū)別在于，量子比特的狀態(tài)還可以是基態(tài)的線性組合，通常稱(chēng)其為疊加態(tài)。例如：

其中α、β是一對(duì)復(fù)數(shù)，稱(chēng)為量子態(tài)的概率幅，且滿足 |α|2+|β|2=1，即量子態(tài) ? 因測(cè)量導(dǎo)致或者以|α|2的概率坍縮（Collapsing）到0 ，或者以 |β|2的概率坍縮到1。量子比特也可借助三角函數(shù)表示為

其中φ表示量子比特 ?的相位。上式也通常表示為向量形式 ? =[cosφ sinφ]T。

2.2 通用量子門(mén)

在量子計(jì)算中，量子門(mén)可以對(duì)量子位的狀態(tài)進(jìn)行一系列的酉變換，發(fā)揮邏輯門(mén)的作用，實(shí)現(xiàn)邏輯變換的效果，因此，量子門(mén)也被定義為一種在一定時(shí)間間隔內(nèi)可以對(duì)量子實(shí)現(xiàn)邏輯變換的裝置。作為量子計(jì)算的物理實(shí)現(xiàn)基礎(chǔ)，量子門(mén)在量子計(jì)算中占有重要地位。已經(jīng)證明，量子門(mén)中存在通用量子門(mén)組與經(jīng)典比特中與非門(mén)的通用性類(lèi)似，由它們可以組成任意的量子門(mén)，一位相移門(mén)和兩位受控非門(mén)可以組成最基本的通用量子門(mén)。

一位相移門(mén)定義為

2.3 量子神經(jīng)元模型

本文提出了基于通用量子門(mén)的量子神經(jīng)元模型，它的結(jié)構(gòu)如圖1所示，包括有輸入、移相、聚合、翻轉(zhuǎn)和輸出五部分。其中，輸入部分如圖中的xi，用量子位表示；輸出為量子位處于1狀態(tài)的概率幅；移相和翻轉(zhuǎn)操作分別由量子相移門(mén)R(θi)和受控非門(mén)U(γ)來(lái)實(shí)現(xiàn)。

圖1 量子神經(jīng)元模型

在圖1中，式（4）定義了模型中的量子相移門(mén)R(θi)，對(duì)受控非門(mén)U(γ)定義如下：

其中 f是Sigmoid函數(shù)，C(·)的定義即式（4），輸入部分xi先經(jīng)過(guò)R(θi)移相，在通過(guò)圖1中的求和符號(hào)實(shí)現(xiàn)聚合運(yùn)算，定義如下：

上式中的聚合結(jié)果經(jīng)受控非門(mén)U(γ)作用，完成翻轉(zhuǎn)操作，其結(jié)果如下：

量子神經(jīng)元的輸出值是經(jīng)過(guò)翻轉(zhuǎn)操作的量子位處于1狀態(tài)的概率幅，也就是式（7）中的因此，量子神經(jīng)元的輸入輸出關(guān)系為

2.4 量子BP網(wǎng)絡(luò)模型

量子BP網(wǎng)絡(luò)是按照BP網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和連接規(guī)則由若干個(gè)量子神經(jīng)元、傳統(tǒng)神經(jīng)元組成的，本文提出的三層前饋QBP模型拓?fù)浣Y(jié)構(gòu)如圖2所示。其中，輸入層有n個(gè)量子神經(jīng)元，隱含層有p個(gè)量子神經(jīng)元，輸出層有m個(gè)傳統(tǒng)神經(jīng)元。各層神經(jīng)元之間采用全連接。學(xué)習(xí)算法采用BP算法，利用量子計(jì)算特性可有效提升網(wǎng)絡(luò)逼近能力。

圖2 量子BP網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)

該網(wǎng)絡(luò)輸入為xi，隱層的輸出為hj，網(wǎng)絡(luò)的輸出為 yk，R(θij)是對(duì)隱層量子神經(jīng)元進(jìn)行更新的量子旋轉(zhuǎn)門(mén)，wjk是隱層、輸出層之間的連接權(quán)，可以將受控非門(mén)C(0)和U(αj)看做是從輸入層到隱層的傳遞函數(shù)。各層之間的出入和輸出關(guān)系描述為

其中，i=1，…，n；j=1，…，p；k=1，…，m。

2.5 量子BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

2.5.1 訓(xùn)練樣本的量子態(tài)描述

將量子神經(jīng)網(wǎng)絡(luò)應(yīng)用于實(shí)際問(wèn)題時(shí)，需要先將待訓(xùn)練的實(shí)值樣本轉(zhuǎn)換為量子態(tài)描述。設(shè)n維歐式空間下訓(xùn)練樣本的實(shí)值向量為Xˉ =(xˉ1，xˉ2，…，xˉn)T，量子態(tài)轉(zhuǎn)換公式定義如下：

2.5.2 網(wǎng)絡(luò)參數(shù)更新規(guī)則

在量子BP網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)中，共需要調(diào)整三組參數(shù)：θij—旋轉(zhuǎn)參數(shù)，αj—翻轉(zhuǎn)參數(shù)；wjk—連接權(quán)值。網(wǎng)絡(luò)模型的誤差函數(shù)定義為

3 基于QBP的超深層儲(chǔ)層識(shí)別方案

為了驗(yàn)證本文提出QBP網(wǎng)絡(luò)模型的先進(jìn)性，本節(jié)將QBP網(wǎng)絡(luò)與普通BP神經(jīng)網(wǎng)絡(luò)、基于正交基展開(kāi)的過(guò)程神經(jīng)網(wǎng)絡(luò)（PNN）對(duì)比。

3.1 超深層儲(chǔ)層識(shí)別指標(biāo)集構(gòu)造

建立和分析數(shù)據(jù)庫(kù)會(huì)提高研究的效率。本節(jié)對(duì)收集的測(cè)井原始數(shù)據(jù)進(jìn)行加工處理并建立數(shù)據(jù)庫(kù)，對(duì)儲(chǔ)層狀況進(jìn)行識(shí)別與分析，構(gòu)造出評(píng)價(jià)指標(biāo)集從而對(duì)深層、超深層儲(chǔ)層識(shí)別展開(kāi)研究，在樣本數(shù)據(jù)庫(kù)中建立數(shù)據(jù)和地下油層狀況的對(duì)應(yīng)關(guān)系是非常有必要的。

石油開(kāi)發(fā)應(yīng)用的基礎(chǔ)之一就是油氣儲(chǔ)層識(shí)別，在我國(guó)的大部分油田中，一般采用對(duì)取芯井?dāng)?shù)據(jù)進(jìn)行測(cè)試分析的方法進(jìn)行研究，并結(jié)合實(shí)際采油數(shù)據(jù)進(jìn)行綜合分析處理，然后得到準(zhǔn)確的儲(chǔ)層識(shí)別分析結(jié)果，最后將實(shí)際結(jié)果和測(cè)試結(jié)果進(jìn)行比較分析。

由于打芯井的造價(jià)很高，通過(guò)取芯井獲取到的測(cè)井?dāng)?shù)據(jù)量相對(duì)較少。而且測(cè)井使用的技術(shù)方法多樣，不同的測(cè)井方法所得的數(shù)據(jù)也會(huì)出現(xiàn)數(shù)據(jù)格式和結(jié)構(gòu)之間不兼容的問(wèn)題，所以在處理數(shù)據(jù)時(shí)需要對(duì)此加以注意。本文使用的取芯井測(cè)井?dāng)?shù)據(jù)源于同一油藏區(qū)塊（徐深1、1-1、1-2、1-3、1-4共5口取芯井），地質(zhì)構(gòu)造相近、屬性特征相似，并且具有相同的在測(cè)井技術(shù)和數(shù)據(jù)格式。

測(cè)井位點(diǎn)的間隔為0.125m，每個(gè)探測(cè)位點(diǎn)的所有屬性集合作為一條記錄進(jìn)行保存，所有位點(diǎn)屬性有效記錄總量為14183。探測(cè)位點(diǎn)記錄的維度包括：DEP（深度），LLD（深側(cè)向電阻率），GR（自然伽馬），CAL（井徑），LLS（淺側(cè)向電阻率），RHOB（補(bǔ)償密度），CNL（補(bǔ)償中子），DT（聲波時(shí)差），POR（孔隙度）。

通過(guò)研究測(cè)井理論、分析現(xiàn)場(chǎng)數(shù)據(jù)資料并結(jié)合專(zhuān)家意見(jiàn)，最終選取LLD（深側(cè)向電阻率），GR（自然伽馬），LLS（淺側(cè)向電阻率），RHOB（補(bǔ)償密度），CNL（補(bǔ)償中子），DT（聲波時(shí)差）6個(gè)測(cè)井參數(shù)作為儲(chǔ)層評(píng)價(jià)的指標(biāo)集。

3.2 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

根據(jù)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)原則，本文將徐深儲(chǔ)層評(píng)價(jià)指標(biāo)特征數(shù)據(jù)和儲(chǔ)層類(lèi)別數(shù)進(jìn)行篩選，根據(jù)篩選后的數(shù)據(jù)來(lái)設(shè)置預(yù)測(cè)模型的結(jié)構(gòu)。由于選做評(píng)價(jià)指標(biāo)集的測(cè)井?dāng)?shù)據(jù)指標(biāo)有6個(gè)，因此將QBP和普通BP網(wǎng)絡(luò)輸入節(jié)點(diǎn)設(shè)置成6個(gè)，PNN網(wǎng)絡(luò)輸入節(jié)點(diǎn)取1個(gè)，采用6個(gè)傅里葉基函數(shù)對(duì)輸入實(shí)施離散傅里葉變換。各個(gè)模型的輸出是6種儲(chǔ)層類(lèi)別，因此所有模型網(wǎng)絡(luò)的輸出節(jié)點(diǎn)都只有1個(gè)。為了提升模型的訓(xùn)練效率，同時(shí)保證網(wǎng)絡(luò)優(yōu)化能力，經(jīng)多次實(shí)驗(yàn)，最終確定將網(wǎng)絡(luò)結(jié)構(gòu)中隱層節(jié)點(diǎn)數(shù)量設(shè)置為10個(gè)。

3.3 評(píng)價(jià)模型參數(shù)設(shè)計(jì)

儲(chǔ)層地質(zhì)類(lèi)別劃分為6個(gè)，因此網(wǎng)絡(luò)的輸出為6 級(jí)，每級(jí)寬度是 1∕6，整體劃分作 0，1∕6，…，5∕6，1。所以，網(wǎng)絡(luò)輸出的精確度設(shè)置為1∕12。在QBP網(wǎng)絡(luò)中，隨機(jī)地選擇之間數(shù)值賦給隱層旋轉(zhuǎn)角度，隨機(jī)選擇（-1，1）之間數(shù)值賦給網(wǎng)絡(luò)翻轉(zhuǎn)參數(shù)，隨機(jī)選擇（-1，1）之間數(shù)值賦給輸出層的權(quán)值。PNN和普通BP的參數(shù)在區(qū)間（-1，1）取隨機(jī)值，學(xué)習(xí)速率設(shè)置為0.8，限定迭代步數(shù)取3000步。

3.4 儲(chǔ)層識(shí)別方案設(shè)計(jì)

由于每個(gè)儲(chǔ)層類(lèi)別的儲(chǔ)層厚度不同，各個(gè)儲(chǔ)層數(shù)據(jù)樣本集合的數(shù)據(jù)量存在很大的差別。但為了使網(wǎng)絡(luò)訓(xùn)練樣本更具有全局代表性，我們將上述的14183條數(shù)據(jù)全部用到網(wǎng)絡(luò)學(xué)習(xí)預(yù)測(cè)中。而對(duì)于每一口井，取其數(shù)據(jù)量的90%作為訓(xùn)練集，剩余10%作為測(cè)試集，其中：

徐深1井訓(xùn)練樣本3488條、測(cè)試樣本387條；徐深1-1井訓(xùn)練樣本2448條、測(cè)試樣本272條；徐深1-2井訓(xùn)練樣本3049條、測(cè)試樣本339條；徐深1-3井訓(xùn)練樣本2098條、測(cè)試樣本233條；徐深1-4井訓(xùn)練樣本1682條、測(cè)試樣本187條；所有井用于訓(xùn)練的樣本總數(shù)為12765條，測(cè)試樣本1418條。

為了增強(qiáng)實(shí)驗(yàn)對(duì)比結(jié)果的可靠性，在訓(xùn)練樣本、測(cè)試樣本完全相同的情況下，對(duì)以上三種網(wǎng)絡(luò)模型分別訓(xùn)練測(cè)試30次，將30次實(shí)驗(yàn)結(jié)果的平均值作為網(wǎng)絡(luò)訓(xùn)練結(jié)果優(yōu)劣的評(píng)價(jià)指標(biāo)。

儲(chǔ)層識(shí)別方案設(shè)計(jì)如圖3所示。

圖3 儲(chǔ)層識(shí)別方案設(shè)計(jì)

4 超深層儲(chǔ)層識(shí)別結(jié)果及分析

4.1 儲(chǔ)層實(shí)測(cè)數(shù)據(jù)

在儲(chǔ)層類(lèi)別劃分中通常包含有以下幾個(gè)類(lèi)別：油層、低產(chǎn)油層、油水同層、含油水層、可能油層；氣層、低產(chǎn)氣層、氣水同層、含氣水層、可能氣層；水淹層、水層、干層。對(duì)松遼盆地徐深氣田測(cè)井?dāng)?shù)據(jù)進(jìn)行儲(chǔ)層分層后得到了118個(gè)分層段。其中干層（儲(chǔ)層級(jí)別為1）84個(gè)，差氣層（儲(chǔ)層級(jí)別為2）16個(gè)，氣層（儲(chǔ)層級(jí)別為3）10個(gè)，可疑氣層（儲(chǔ)層級(jí)別為4）1個(gè)，含水氣層（儲(chǔ)層級(jí)別為5）1個(gè)，裂隙油層（儲(chǔ)層級(jí)別為6）6個(gè)。

以徐深1井為例，儲(chǔ)層評(píng)價(jià)指標(biāo)集實(shí)測(cè)數(shù)據(jù)如表1所示，其中，井號(hào)為徐深井區(qū)巖心井井號(hào)，井段儲(chǔ)層類(lèi)別中的1、2、3…，代表測(cè)量位點(diǎn)距離地面的深度，代表儲(chǔ)層劃分級(jí)別。LLD（淺側(cè)向電阻率）、GR（自然伽馬）、LLS（淺側(cè)向電阻率）、RHOB（補(bǔ)償密度）、CNL（補(bǔ)償中子）、DT（聲波時(shí)差）為儲(chǔ)層評(píng)價(jià)指標(biāo)集屬性。

4.2 儲(chǔ)層識(shí)別結(jié)果

用3種預(yù)測(cè)模型對(duì)樣本數(shù)據(jù)分別學(xué)習(xí)和識(shí)別30次，QBP模型收斂數(shù)是29次，訓(xùn)練樣本集中樣本數(shù)目共有12765條，識(shí)別準(zhǔn)確數(shù)的平均值為12332條，準(zhǔn)確率的平均值等于96.61%；對(duì)于1418條測(cè)試樣本識(shí)別準(zhǔn)確數(shù)的平均值是1153條，準(zhǔn)確率的平均值等于81.31%。

表1 測(cè)井位點(diǎn)分層數(shù)據(jù)

PNN預(yù)測(cè)模型的收斂次數(shù)是24，對(duì)于12765條訓(xùn)練樣本集識(shí)別準(zhǔn)確數(shù)的平均值是11466條，訓(xùn)練樣本識(shí)別準(zhǔn)確率的平均值等于89.82%；對(duì)于1418條測(cè)試樣本集準(zhǔn)確數(shù)的平均值是985條，準(zhǔn)確率的平均值等于69.46%。

普通BP預(yù)測(cè)模型的收斂次數(shù)是20，對(duì)于12765條訓(xùn)練樣本集的識(shí)別準(zhǔn)確數(shù)的平均值是10601條，訓(xùn)練樣本準(zhǔn)確率的平均值等于83.05%；對(duì)1418條測(cè)試樣本的識(shí)別準(zhǔn)確數(shù)的平均值是925條，識(shí)別準(zhǔn)確率的平均值等于65.23%。

三種評(píng)價(jià)模型訓(xùn)練結(jié)果見(jiàn)表2。

表2 QBP、PNN和BP網(wǎng)絡(luò)30次訓(xùn)練結(jié)果數(shù)據(jù)統(tǒng)計(jì)表

預(yù)測(cè)結(jié)果表明，本文提出的QBP儲(chǔ)層識(shí)別方法，對(duì)訓(xùn)練集的識(shí)別率非常高，正確率超過(guò)PNN模型6.79%，超過(guò)普通BP模型13.56%；觀察測(cè)試樣本的正確率可以發(fā)現(xiàn)，QBP同樣表現(xiàn)出了較好性能，正確率超過(guò)PNN模型11.85%，超過(guò)普通BP模型達(dá)到了16.08%，真實(shí)反映了QBP用于識(shí)別徐深油氣田儲(chǔ)層識(shí)別所具有的評(píng)價(jià)優(yōu)勢(shì)。

4.3 識(shí)別結(jié)果分析

設(shè)計(jì)儲(chǔ)層識(shí)別方案并對(duì)比識(shí)別結(jié)果發(fā)現(xiàn)，QBP預(yù)測(cè)模型相較于其他兩種預(yù)測(cè)模型算法在多次重復(fù)訓(xùn)練過(guò)程中不僅具有領(lǐng)先的收斂次數(shù)，而且在對(duì)儲(chǔ)層樣本訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)識(shí)別準(zhǔn)確率方面也占有較大優(yōu)勢(shì)。通過(guò)分析網(wǎng)絡(luò)結(jié)構(gòu)和模型訓(xùn)練算法，認(rèn)為本文將QBP網(wǎng)絡(luò)模型的分層中嵌入了基于量子計(jì)算機(jī)制而設(shè)計(jì)的量子神經(jīng)元，提高了網(wǎng)絡(luò)整體的非線性映射能力，同時(shí)提高了網(wǎng)絡(luò)負(fù)載量，所以在儲(chǔ)層評(píng)價(jià)指標(biāo)集多維度、多數(shù)據(jù)量的訓(xùn)練過(guò)程中表現(xiàn)出結(jié)構(gòu)設(shè)計(jì)上具有的理論優(yōu)勢(shì)。

5 結(jié)語(yǔ)

本文在分析測(cè)井?dāng)?shù)據(jù)源的基礎(chǔ)上，設(shè)計(jì)了QBP網(wǎng)絡(luò)模型的儲(chǔ)層識(shí)別方案。首先，在綜合儲(chǔ)層評(píng)價(jià)理論與方法和分析測(cè)井?dāng)?shù)據(jù)的基礎(chǔ)上，構(gòu)建出了深層、超深層儲(chǔ)層評(píng)價(jià)指標(biāo)集；然后，根據(jù)量子神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)制，對(duì)實(shí)際測(cè)井?dāng)?shù)據(jù)進(jìn)行預(yù)處理操作，確定出網(wǎng)絡(luò)模型的訓(xùn)練集和測(cè)試集數(shù)據(jù)樣本；最后，通過(guò)實(shí)驗(yàn)證實(shí)了該方法對(duì)測(cè)井?dāng)?shù)據(jù)具有較高的學(xué)習(xí)能力和識(shí)別能力，也為解決油氣田開(kāi)發(fā)過(guò)程中的深層、超深層儲(chǔ)層識(shí)別問(wèn)題提供了一種較好的可行方案。