四川盆地油气检测多属性量子神经网络方法探究地球科学中的人工智能应用

地球科学中的人工智能2（2021）107基于多属性量子神经网络的四川盆地致密砂岩气藏油气检测薛雅娟a，王兴建b，*，曹军兴b，廖晓芳ca成都信息工程大学通信工程学院，成都，610225b成都理工大学油气藏地质与开发国家重点实验室，成都，610059c成都理工大学地球物理学院，成都，610059A R T I C L E I N F O关键词：油气检测多属性量子神经网络致密砂岩气藏弱地震响应A B S T R A C T通过使用具有气田的基于多属性的量子神经网络来执行直接烃检测。提出的基于多属性的量子神经网络油气检测方法，利用数据聚类和基于局域波分解的地震衰减特征、叠前地震数据的相对波阻抗特征作为致密砂岩气藏的优选多属性，并进一步采用主成分分析和量子神经网络相结合的方法，给出了常规技术难以检测的气藏弱响应的判别结果。针对四川盆地某致密砂岩气藏的地震资料，我们发现基于多属性的量子神经网络可以有效地捕捉气藏中与含气饱和度相关通过与基于多属性的量子神经网络的互补，为具有弱地震响应特征的气藏油气检测提供了一种辅助手段1. 介绍油气检测方法始于20世纪70年代亮点技术的出现，该技术突出了地震剖面上的反射振幅变化，并将气层识别从约12%提高到约60%研究发现，由于地震衰减的原因，亮点技术更适合于海洋基底中年轻、相对未压实沉积物的在某些深层和老地层中，气层在地震剖面上的地震响应可能表现为暗斑或暗斑（Backus and Chen，1975;Brown，2012）。AVO分析是近年来广泛使用的烃检测技术之一Wandler等人，2007;Dupuy和Stovas，2014; Ismail等人， 2020年）。AVO分析的基础是Zoeppritz方程，Zoeppritz方程有多种表达形式和近似值，主要反映反射波的反射系数和振幅，反射波的振幅是入射角和反射界面两侧的物理参数（ 例 如 ， Aki 和 Richards ， 1980 年 ; Shuey ， 1985 年 ; Castagna 和Backus，1993年a; Fatti等人， 1994年）。从Zoeppritz方程的不同近似出发，开发了反演方法以获得许多物理参数，例如用于碳氢化合物检测的纵波和横波的速度和密度、泊松比和相对波阻抗（Castagna和Backus，1993 b;Pan等人， 1994; Tetyukhina等人，2014; Cao等人， 2021年）。AVO分析虽然有严格的数学基础，但在实际应用中存在很多假设，目前成功应用的案例基本上都是浅埋碎屑岩储层。地震衰减估计方法是另一种广泛使用的技术，其将地震波的能量衰减特性用于储层表征和烃检测（例如，Mitchell等人， 1996; Partyka等人， 1999; Castagna等人， 2003; Sinha等人，2005; Xue等人，2016 a; Wang等人，2019年）。实验室实验和现场数据测量表明，在大多数频率带宽中，与干燥岩石相比，粘性流体饱和岩石的地震波衰减更明显，在易含气沉积物中，地震波的高频分量比低频分量衰减更快（Domenico，1974年; Anderson和Hampton，1980年; Dvorkin和Nur，1993年; del Valle-García和Ramír-ez-Cruz，2002年; Korneev等人，2004; Xue等人，2019年）。地震波在特定频率的强振幅异常很容易被发现* 通讯作者。电子邮件地址：Xueyj0869@163.com（Y.- j. Xue），wangxj@cdut.edu.cn（X.- J. Wang）。https://doi.org/10.1016/j.aiig.2022.02.004接收日期：2022年1月1日;接收日期：2022年2月23日;接受日期：2022年2022年2月26日在线提供2666-5441/©2022作者。出版社：Elsevier B.V.代表科爱通信有限公司公司这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表地球科学中的人工智能杂志主页：www.keaipublishing.com/en/journals/artificial-intelligence-in-geosciencesY.-- J. Xue等人地球科学中的人工智能2（2021）107108.np.通过诸如频谱分解的地震衰减估计方法（例如， Castagna等人， 2003;Korneev等人， 2004; Sinha等人，2005; Duchesne等人，2011）和衰减梯度估计（例如， Mitchell等人， 1996; Pramanik等人， 2000; delValle-García andRamírez-Cruz 2002; Xue et al.，2016年a）。地震波衰减估计技术主要采用时频方法进行衰减估计。传统的时频分析方法，包括 短 时 傅 里 叶 变 换 、 小 波 变 换 、 Wigner-ville 分 布 等 ， 都 受 到Heisenberg/Gabor测不准原理的限制，不能同时获得高的时频分辨率（Gabor，1946）。最近的基于局域波分解的高分辨率时频方法，包括希尔伯特-黄变换、同步压缩变换，显示出比常规时频方法高得多的时频分辨率，但是这些方法的窄频带特性是地震解释的主要挑战（Xue等人，2019年）。近年来，机器学习（ML）方法也用于通过将气藏的流体和岩石性质公式化为一组预定义的地震属性来描绘储层（Chaki等人， 2018年;Kadkhodaie和Kadkhodaie，2022年）。人工神经网络（ANN）用于建立储层渗透率预测模型（Zolotukhin和Gayubov，2019; Tian等人，2021年）。Tahmasebi等人（2017）将模糊逻辑方法与神经网络和遗传算法相结 合 ， 用于预 测页岩储层中的总有 机碳和压裂 指数。 Wang等人（2020）利用模糊自组织映射和径向基函数神经网络对共频剖面主成分分析生成的谱属性进行储层厚度估计。 支持向量机（SVM）和相关向量机被证实在大多数情况下比具有不同浅层模型的ANN具有更好的性能，这是由于在储层表征中改进了参数选择（Otchere等人，2021年）。Delavar（2022）将混合SVM和灰狼优化器方法应用于碳酸盐岩储层的裂缝分类。长短期储层可分为强气层、贫气层、气水层、隐蔽油气藏四种类型。详细分析了与已知井A和B相交的两条地震剖面的油气检测情况。地震信号以1 ms采样远（入射角范围从29 °到40 °）和近（入射角范围从0 °到13 °）偏移道叠加剖面用于烃检测。2.2. 量子神经网络量子神经网络（QNN）结合了ANN的基本原理和量子计算范式，可以更好地模拟人脑中的信息处理过程，提高神经网络的近似和信息处理效率（Kak，1995; Menneer，1998; Behrman et al.， 1999; Ezhov和Ventura，2000; Matsui等人， 2009; Kouda等人， 2003; Schuld等人， 2014年）。目前，它已成功应用于图像处理、模式识别、手写体字符识别（例如，Masato等人， 2000; Ren等人， 2010; Mu等人，2013年 ） 。 到 目 前 为 止 ， 有 各 种 类 型 的 QNN 模 型 （ Jeswal 和Chakraverty，2019）。本文采用QGSNN进行油气检测。QGSNN是几个通用量子门按照一定拓扑结构的组合。本文采用三层神经网络结构，包括输入层、隐层和输出层 在QGSNN模型中（图1），输入为jx i>;1; 2; n，θ是输入层和隐藏层。隐藏层的输出是hj>;hj<$1; 2; hjp<$，并且φ是隐藏层和输出层之间的连接权重网络输出为jyk>;k1; 2;;m。令jxicosθij0sinθij1;（ 1）隐藏层的输出是利用内存建立了含水饱和度预测模型，. -是的Y.-是的. -是的. - 是的措辞（Zhang et al.，2019年）。Singh等人（2021）比较研究12. h j><$cos φj。联系我们sin θi <$θij. 1> 1/4cos φj。0>εsin φj。1>;不同的ML算法，属于岭回归及其变体，决策树及其变体，k-最近邻，.1...（二）降阶模型和神经网络预测天然气水合物饱和度。然而，由于不同的岩性和地质，很难找到适用于所有储层的单一ML方法本文从提高评价和信息化水平出发，网络输出为. y k> ¼ cosmopolymerk. 0>不好的罪。φjφjk 1> 1/4Cosmopolymer0>. 1>;传统神经网络的处理效率，我们试图使用利用量子神经网络提取特征，综合数据聚类结果，基于局域波分解的地震衰减，.j.1.n.（三）p叠前地震数据的相对波阻抗属性，以及其中，φj<$arcsi nYsi nθiθi j，k<$arcsi nYsi nφjφj k。给出了一个致密层弱气体响应的判别结果四川盆地砂岩气藏，这是很难1/1j1用常规技术检测2. 材料和方法2.1. 地震数据收集了四川盆地某致密砂岩气藏气田的叠前地震资料 储层主要为多相多叠置的三角洲平原和三角洲前缘控制的河流砂体，具有非均质性强、低孔低渗的特点（Li等， 2016; Lu等人， 2019年）。工区砂岩与泥岩物性差异较小。一些砂体厚度很薄，属于隐伏河砂地震响应较弱（Tan等人，2021年），并且储层中的气体检测特别是对于非亮点通道是困难的。在这里，六个测井数据和相应的地震道相交的已知井用于训练量子门集神经网络（QGSNN）。根据油井解释，2.3.基于多属性融合的量子神经网络不同的地震属性可以反映地震资料中有关构造、地层、岩性和油气藏的不同信息对于特定的气藏，应根据不同工区、不同储层对预测对象地震属性的敏感程度，慎重选择地震属性在地震属性中，相对波阻抗特征可以反映岩性的变化。基于局域波分解的地震衰减特征与油气含量有关。叠前地震数据的聚类结果是沉积相在地震剖面上一定程度上的表现形式的总和，它代表了引起其反映的沉积物的岩性组合、层理和沉积特征。因此，为了有效地识别气藏的弱响应，我们主要选择相对波阻抗特征、基于局域波分解的地震衰减特征和叠前地震数据聚类结果作为特征地震属性..Y.-- J. Xue等人地球科学中的人工智能2（2021）107109pp.Y.其中x=1/ 2cosθsinθ]。M不.（4）j j联系我们J;JKJKφjkKK2千分之一图1.一、 QGSNN模型输入是jxi>;i< $1; 2; n，θ是输入层和隐藏层之间的连接权重隐藏层的输出是. hj>;hj>1; 2; h j> 1; 2; 网络输出为jy k>; k 1; 2;; m。训练QGSNN首先提取远、近炮检距道叠加剖面的相对地震阻抗;对于基于局域波分解的地震波衰减估计，我们主要选择yk¼ Yj¼1sin. φjφjkYj¼1[咒语]Larcsin1/1[咒语]θiθij！φjk！：（6）基于CEEMD的衰减梯度估计方法（（Xue等人，2016 a）和基于小波的倒谱分解方法（Xueet al.，2016年b）。基于远近炮检距道叠加剖面的差异体积，提取小波倒谱一阶和二阶的差异体积，以及CEEMD衰减梯度体积。还使用了针对差异轮廓的使用自组织映射（SOM）神经网络的地震数据然后对这些地震属性进行主成分分析（PCA），以降低数据维数。随后，对于所获得的主成分，我们将其转化为量子国家代表。假设地震属性集合是X1/4x1;x2;n;xnn;nxi2/2ai;bi]n，其中xi表示它的范围是从a到b。现在让2π，X的量子态为bi-a i设定不1 2N不我我我取每层量子态1 π的概率幅作为每层的实际输出，隐层的实际输出为接着，计算神经网络的误差值，并执行误差反向传播计算以调整网络层参数。神经网络的误差值定义为：E1/2X1/2-y1/2;（ 7）其中y~k是期望输出。由于量子神经网络中存在大量的极小值，为了提高搜索效果，采用粒子群优化算法（PSO）计算量子神经网络隐层的偏置矩阵θ和网络输出层的偏置矩阵φ采用全局搜索的方法对QGSNN的参数进行优化。 在全局搜索的基础上，采用梯度递减法求解量子神经网络隐层偏置矩阵θ和输出层偏置矩阵φ的最优解，以不断减小网络误差。 根据梯度递减法，每层的旋转角度的更新是θt1θt-ηE;（ 8）获得n伊季联系我们h j^sin。φj=sin. θi<$θij<$;（5）1/1φt1φt-ηE（9）Y.-- J. Xue等人地球科学中的人工智能2（2021）107110网络的实际输出为其中η是学习速率，t是迭代步长。的梯度Y.-- J. Xue等人地球科学中的人工智能2（2021）107111EFG-θ¼yk-yk1 -hj;（10）φjkKKKJJK每层的旋转角度为第十章IJk¼1.- 是的，q-我的小床电话：（11）在我们得到训练参数θ;φ;Efinal之后，其中Efinal表示最终E，使用这些训练参数对地震剖面进行烃检测。基于多属性融合的量子神经网络的工作流程如图所示. 二、3. 结果和讨论3.1. 结果粒子群算法和QGSNN算法的搜索效果分别如图1和图2所示。 3和4与A井相交的近、远偏移距道叠加剖面如图所示。 五、与井A相交的地震剖面的不同地震属性如图所示。第六章 QGSNN与常规BP的油气检测对比结果如图所示。第七章请注意，同样的工作流程如图。 2在这里用于用BP代替QGSNN。为了进一步验证所提出的方法，分析了与B井相交的近、远偏移距道叠加剖面（图11）。8 a和b）也给出了详细说明。与井B相交的地震剖面的不同地震属性如图8 c ~h所示。QGSNN与常规BP在B井相交段油气检测中的对比结果见图1。第九章3.2. 数据分析3.2.1. QGSNN的搜索性能在我们的多属性融合的QGSNN工作流程中使用的参数如下：隐层神经元的数量：10;最大迭代次数：10000;粒子群的数量：40;粒子的最大光速：1;粒子群的最大迭代步长学习率：0.01。本文以与A井相交的地震剖面为例，分析了QGSNN的搜索性能如图结果表明，用粒子群优化算法得到的神经网络的最小误差方差为39.2。粒子群算法给出了隐层偏差矩阵θ和输出层偏差矩阵φ的全局最优值 QGSNN进一步给出了隐藏层的偏置矩阵θ和网络输出层的φ的局部最优值（图11）。4）。 如图 4表明，用梯度递减法训练神经网络后的误差方差为36.2。结合粒子群算法，进一步减小了QGSNN的误差方差，提高了搜索效果。图三. PSO的搜索效果见图4。 QGSNN的搜索效果3.2.2. 地震属性分析对于与A井相交的地震剖面，如图所示。5、水平线H1和H2之间的含气区地震响应较弱，水平线H3和H4之间的贫气、气、水区地震响应较强。图图6示出了不同的地震属性体积。从图6可以发现，在与井A相交的远偏移距道和近偏移距道叠加剖面之间的差异剖面中（图 6 a）时，水平线H1和H2之间含气区的弱地震响应增强。 数据聚类结果（图 6 b）表明，两个库区的资料特征不同。贫气区、气水区的数据聚类类型多于弱响应含气区。近场相对地震阻抗图二. 基于多属性的量子神经网络的工作流程。MY.-- J. Xue等人地球科学中的人工智能2（2021）107112图五. 与井A相交的近（a）和远（b）偏移迹线叠加剖面。见图6。与井A相交的地震剖面的不同地震属性。a.远近偏移道叠加剖面的差异体积。B.数据聚类体积为a中的差异体积。C. 近炮检距道叠加剖面的相对地震阻抗。D. 远偏移距道叠加剖面的相对地震阻抗。e. a中的差值体积的瞬时幅度体积F. 峰值振幅音量高于a中差值音量的平均值G. a.中的差异体积的基于CEEMD的衰减梯度体积。H. a中的差值体积的基于小波的倒谱的一阶和二阶之间的差值部分。和远偏移距道叠加剖面（图）。 6 c和d）表明，在贫气、气、水分布区存在较低值，在弱含气区存在中等振幅。 瞬时振幅体积（图图6 e）和峰值振幅高于平均值的体积（图6 f）表明，在弱响应的含气区、气水区存在较大的振幅，而在弱响应的含气区没有明显的振幅异常。基于CEEMD的衰减梯度体积（图 6 g）给出了类似的解释结果，并且仅检测位于贫气、含气和含水区的储层。基于小波的倒谱的一阶和二阶之间的差异部分（图11）。6 h）显示，弱响应含气区、贫气区、气水区存在明显的振幅异常。 如图 6个节目，我们可以发现，没有一个地震属性能给出准确的油气倾向解释，特别是对于弱响应显示的含气区。因此，根据不同地震属性的检测能力不同，主要选择数据聚类体、近、远偏移距道叠加剖面的相对地震阻抗、基于CEEMD的地震衰减梯度体以及小波倒谱的一阶和二阶差值剖面，利用QGSNN进行进一步的油气检测。所选择的属性进一步用于与井B相交的另一个近偏移距和远偏移距道叠加剖面（图1）。 8 a和b）。在水平线H3和H4之间存在三个气体区域。较强的反射振幅主要存在于粉红色椭圆标记的第三库区，Y.-- J. Xue等人地球科学中的人工智能2（2021）107113见图7。不同方法对A井相交地震剖面的油气检测结果。(a)QGSNN。(b)BP.见图8。与B井相交的地震剖面的不同地震属性。a.近炮检距道叠加剖面。B.远偏移距道的叠加剖面。C. 远近偏移道叠加剖面的差异体积。D. 数据聚类体积为a中的差异体积e. 近炮检距道叠加剖面的相对地震阻抗。F.远偏移距道叠加剖面的相对地震阻抗。G. a.中的差异体积的基于CEEMD的衰减梯度体积。H. a中差值体积的基于小波的倒谱的一阶和二阶之间的差值部分。第一和第二水库区域由粉红色椭圆标记 图图8 c ~ h示出了用于进一步QGSNN预测的所选地震属性。选择的数据聚类卷（图 8 d）表明，三个含气区存在不同的数据特征。近、远偏移距道叠加剖面的相对地震阻抗（图8 e和f）表明，第一、三含气区的储层物性值相对较低，第二含气区的储层物性特征不明显。基于CEEMD的地震衰减梯度体（图8 g）显示，三个含气区都存在一些稍强的振幅异常。基于小波的倒频谱的一阶和二阶之间的差异部分（图8 h）很好地瞄准了气藏，但它不能区分不同的储层。因此，当使用这些选定的地震属性的PCA结果时，这些组分将用于进一步改进使用QGSNN的烃检测。3.2.3. 油气检测对于与井A相交的地震剖面的油气检测，我们可以发现，大多数常规地震属性（图6）不能对位于水平线H1和H2之间的弱响应显示的含气区给出倾向于含气的解释。 为了提高油气检测能力，将主成分分析与QGSNN相结合用于油气检测. 如图 7 a显示，在H1-H2之间的弱响应显示气区和H3-H4之间的贫气、气、水区存在强振幅异常。QGSNN能准确地确定储层目标，并给出良好的油气倾向解释.与传统的BP算法相比，Y.-- J. Xue等人地球科学中的人工智能2（2021）107114见图9。不同方法对B井相交地震剖面的油气检测结果。(a)QGSNN。(b)BP.QGSNN极大地提高了油气检测能力，特别是对弱响应显示气层的为了进一步检验基于多属性的QGSNN的能力使用了与B井相交的地震剖面 基于选定的地震属性体（图8），应用与PCA相结合的PSO辅助QGSNN（图8）。9 a）。粉红色椭圆所代表的第一含气区振幅异常稍强，粉红色椭圆所代表的第二、三含气区振幅异常 用传统的BP方法进行烃类检测也在图中给出。 9 b. 在水平线H1和H3之间的井B附近的区域处可以发现强振幅异常，在该区域处没有天然气生产。与传统的BP神经网络方法相比，QGSNN方法对储层的识别精度更高，对三个含气区的解释结果也有区别。4. 结论本文主要研究了基于多属性的量子神经网络在四川盆地致密砂岩气藏油气检测中的应用 在油气检测中，选取叠前地震数据的相对波阻抗特征、基于局域波分解的地震衰减特征和数据聚类结果作为特征地震属性。 对于基于局域波分解的地震衰减特性，主要采用基于CEEMD的衰减梯度估计方法和基于小波的倒谱分解方法。结合所选特征地震属性的主成分分析，对四川盆地致密砂岩气藏数据进行了粒子群算法（PSO）辅助的QGSNN处理。 应用结果表明，该方法能够有效地检测地震属性和常规BP方法解释不好的弱响应含气区。竞合利益作者声明，他们没有已知的竞争性经济利益或个人关系，可能会影响本文报告的工作。致谢本研究得到了四川省地方科技发展省（不。2021ZYD0030），部分由中国国家自然41804140、42074163、41974160、42030812）。附录A. 补充数据本文的补充数据可以在i.org/10.1016/j.aiig.2022.02.004上找到。引用安德森，A.L.，汉普顿，洛杉矶，1980年含气沉积物的声学I。背景J.声学美国社会67（6），1865- 1889。Aki，K.，Richards，P.G.，1980.定量地震学，理论与方法W.H. Freeman and Co，SanFrancisco，pp. 147- 148.巴克斯，M.M.，Chen，R.L.，1975.平地勘探。地球物理学家。前景23（3），533- 577。Behrman，E.C.，Steck，J.E.，斯金纳，S.R.，一九九九年。空间量子神经计算机。Proc.Int. 联合会议 神经网络2，874- 877。布朗，A.R.，2012.暗点：未来发现碳氢化合物的机会？线索了Edge 31（6），682Cao，D.，中国植物志，Su，Y.，崔河，巴西-地2021.基于稀疏反射系数约束的深度学习多参数叠前地震反演J. Petrol. Sci. Eng. 109836。Castagna，J.P.，巴克斯，M.M.，1993年a。AVO分析-教程和回顾。见：偏移相关反射率-AVO分析的理论和实践：地球物理学中的SEG调查，第8页。 3- 36Castagna，J.P.，巴克斯，M.M.，1993年b。偏移相关反射率-AVO分析的理论与实践地球物理勘探家协会，塔尔萨，页。 287- 332.Castagna，J.P.，Sun，S.，齐格弗里德，R.W.，2003年。 瞬时光谱分析：检测与碳氢化合物相关的低频阴影。线索了 Edge 22（2），120- 127.Chaki，S.，Routray，A.，Mohanty，W.K.，2018.测井和地震数据集成用于储层表征：信号处理和机器学习观点。 IEEE信号处理。麦格 35（2），72- 81。delValle-García，R. Ramírez-Cruz，L.2002年。裂缝性碳酸盐岩储层衰减分析的光谱属性。线索了Edge 21（10），1038- 1041。德拉瓦尔，医学博士，2022.碳酸盐岩储层裂缝分类和检测的混合机器学习方法。J. 汽油Sci.Eng. 208，109327。Domenico，S.N.，1974.含水饱和度对泥质砂岩储层地震反射率的影响 Geophysics 39（6），759- 769.Duchesne，M.J.，Halliday，E.J.，巴里，J.V.，2011.在时间-振幅和时间-频率域中分析地震图像以确定流体性质和迁移路径：不列颠哥伦比亚省近海夏洛特皇后盆地的案例研究。J. Appl. 地球物理学家。 73（2），111- 120。Dupuy，B.，Stovas，A.，2014.频率和饱和度对斑片状饱和岩石AVO属性的影响 Geophysics79（1），B19- B36.Dvorkin，J.，Nur，A.，1993.动态孔隙弹性：具有喷射和Biot机制的统一模型。Geophysics 58（4），524- 533.Ezhov，A.A.，Ventura，D.，2000.量子神经网络在：Kasabov，N. (Ed.)、智能系统与信息科学的未来方向。Physica，Heidelberg，pp. 213- 235法蒂，J.L.，史密斯，G.C.，维尔，P.J.，施特劳斯，P.J.，莱维特，公共关系，1994.利用AVO分析检测砂岩储层中的气体：利用地质叠加技术的三维地震实例Geophysics 59（9），1362- 1376.Gabor，D.，一九四六年沟通理论J. Inst. Eng. 电子学。 93（26），429- 457。Y.-- J. Xue等人地球科学中的人工智能2（2021）107115哈蒙德，A.L.，1974.亮点：天然气和石油的地震学指标更好。科学185（4150），515- 517。Ismail，A.，Ewida，H.F.，Al-Ibiary，M.G.，例如，2020. AVO属性在埃及尼罗河三角洲西部近海天然气通道识别中的应用汽油Res. 5（2），112- 123。Jeswal，S.K.，Chakraverty，S.，2019.量子神经网络的最新进展及其应用。Arch. Comput.方法工程26（4），793- 807。Kadkhodaie，A.，卡德霍代河2022.声学、密度和地震属性分析，以帮助气体检测和油藏性质的描绘。坚持住。吉奥西。天然气地下系统 51比92Kak，S.C.，一九九五年量子神经计算。INF. Sci. 83，143- 160。Kouda，N.，松井，N.，西村，H.，Peper，F.，2003. Qubit神经网络及其效率 Int. 会议基于知识的英特尔。告知。Eng. Sys. 304- 310科尔涅耶夫，弗吉尼亚州，Goloshubin，G. M.，戴利，T. M.，Silin，D.B.，2004.地震低频效应在含水饱和油藏监测中的应用Geophysics 69（2），522- 532.Li，Z.，兰湖，Li，H.，刘芳，周文，Xiang，Y.，2016.窄河道远源致密砂岩气藏断裂特征及富集规律--以四川盆地中江气田侏罗系沙溪庙组气藏为例Nat. 气体Ind. B 3（5），409-417.Lu，B.P.，洛杉矶，洛杉矶，丁，S. D.，他，L.，Pang，W.，2019.低&渗透油气藏高效开发钻井完井技术关键成果。汽油钻头技术1，2019年。Masato，T.，Nobuyuki，M.，Haruhiko，N.，2000.基于量子叠加的神经元模型的学习性能。在：第九届IEEE机器人与人类交互通信国际研讨会，日本大坂，pp. 112比117松井，N.，西村，H.，Isokawa，T.，2009年量子比特神经网络：其性能和应用。在：Nitta，T. (Ed.)、复值神经网络：利用高维参数，信息科学参考。IGI全球，好时，pp. 325- 351Menneer，T.，1998年 量子人工神经网络博士论文。 埃克塞特大学。米切尔J.T. Derzhi，N.，Lichma，E.，一九九六年。能量吸收分析：案例研究。第66届国际SEG年会摘要，第100页。 1785- 1788年。Mu，D.，Guan，Z.，张洪，2013年。带量子权值的量子神经网络学习算法及应用。Int. J.Comp. 理论工程 5（5），788- 792。Otchere，D.A.，Ganat，T.O.A.戈拉米河Ridha，S.，2021.监督机器学习范例在石油储层性质预测中的应用：ANN和SVM模型的比较分析。J. 汽油Sci. Eng. 200，108182。潘，G.S.，杨，C.Y.，Castagna，J.P.，一九九四年面向目标的综合叠前弹性波形反演：灵敏度、标定和应用。Geophysics 59（9），1392- 1404.Partyka，G.，Gridley，J.，Lopez，J.，1999.谱分解在储层描述中的解释应用线索了 Edge18（3），353- 360.Pramanik，A.G.，辛格，V.，Dubey，A.K.，Painuly，P.K.，Sinha，D.P.，2000年8月从井中资料估算Q值及其在提高地面地震分辨率中的应用：实例研究。2000年，参加SEG年会。 OnePetro。Ren，X.，张福，郑湖，各位，X 2010.基于粗糙集的量子神经网络在Transformer故障诊断中的应用。在：2010年IEEE亚太电力和能源工程会议，pp。 一比四Schuld，M.，锡奈斯基岛Petruccione，F.，2014.对量子神经网络的探索。定量信息处理。13（11），2567- 2586。辛格，H.，Seol，Y.，Myshakin，E.M.，2021.利用机器学习和最优测井集预测天然气水合物饱和度。Comput. 吉奥西。 25（1），267- 283。Sinha，S.，劳斯，P.S.，安诺警局例如，2005.地震数据的连续小波谱分解地球物理70（6），P19- P25.舒伊，R. T.，1985. Zoeppritz方程的一个简化。Geophysics 50（4），609- 614.Tan，F.，曹，J.X.，王晓杰，Bai，P.，刘杰，你JC 2021.振幅变化与非亮点偏移距分析用于天然气通道识别：中国四川盆地西部的实例研究 解释9（4），T1129- T1137。Tahmasebi，P.，Javadpour，F.，Sahimi，M.，2017.数据挖掘和机器学习用于识别页岩储层中的甜点。EX pert系统Appl. 88，435- 447。Tetyukhina，D.，Luthi，S.M.，Gisolf，D.，2014.基于露头的详细地质和岩石物理模型的声学非线性全波形反演（犹他州Book Cliffs）。 AAPG（Am. Assoc. 彼前Geol.）Bull. 98（1），119- 134。田，J.，Qi，C.，Sun，Y.，Yaseen，Z.M.，范，B. T.，2021年结合计算流体动力学和混合机器学习方法预测多孔介质的渗透率。Eng. Comput. 37（4），3455- 3471。Wandler，A.，埃文斯，B.，林克，C.，2007. AVO作为一种流体指标的物理模拟研究Geophysics 72（1），C9- C17.王兴健，薛亚娟，周文，罗俊松，2019。基于变分模式分解的Wigner-Ville分布地震数据谱分解IEEE J.选档Top. Appl. 地球观测雷姆Sens. 12（11），4672- 4683。王志，Gao，D.，雷，X.，Wang，D.，中国科学院，高，J.，2020.基于机器学习的地震谱属性分析在鄂尔多斯盆地中部苏里格气田致密砂岩储层中的应用Mar. 汽油Geol. 113，104136。Xue，Ya-juan，Cao，JUN-XING，Du，Hao-kun，Lin，Kai，Yao，Yao，2016 a. 使用基于完全集合经验模式分解的方法进行地震衰减估计。Mar. Petrol. Geol. 71，296- 309.Xue，Y.J.，曹，J.X.，Tian，R.F.，Du，H.K.，Yao，Y.，（1996 - 1997），美国，2016年b。地震数据小波倒谱分解及其在油气检测中的应用地球物理学家。 前景64（6），1441-1453。Xue，Y.J.，曹，J.X.，王晓杰，Li，Y.X.，杜，J.，2019.理解地震数据的局域波分解方法的最新发展：在地震解释中的应用。监视器地球物理学家。40（5），1185- 1210。Zolotukhin，A.B.，Gayubov，A.T.，2019年11月。储层渗透率预测中的机器学习和多孔介质中流体流动的建模，700（1）。在：IOP会议系列：材料科学与工程。 IOP出版社，012023。张，Q，Wei，C.，王玉，Du，S.，Zhou，Y.，（1996年），中国科学院，宋，H.，2019.利用机器学习方法预测储层含水饱和度分布的潜力。能源12（19），3597。