【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及儲(chǔ)層滲流及油藏工程，特別是涉及一種基于量子神經(jīng)網(wǎng)絡(luò)的儲(chǔ)層滲流動(dòng)態(tài)分析方法。
技術(shù)介紹
1、量子神經(jīng)網(wǎng)絡(luò)(qnns)是量子計(jì)算和神經(jīng)網(wǎng)絡(luò)理論的創(chuàng)新融合，它結(jié)合了量子力學(xué)原理和人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法，以解決傳統(tǒng)神經(jīng)網(wǎng)絡(luò)難以解決的復(fù)雜問題。自1995年kak首次引入這一概念以來，世界各地的研究人員已經(jīng)構(gòu)思出多種qnn模型。例如，behrman等人(1996年)提出了一種基于量子點(diǎn)的神經(jīng)網(wǎng)絡(luò)模型，為qnns作為量子點(diǎn)陣列的物理實(shí)現(xiàn)提供了視野。ventura和martinez(2000年)提出了利用量子疊加來表示網(wǎng)絡(luò)，并基于量子關(guān)聯(lián)記憶開發(fā)了一種用于序列數(shù)據(jù)處理的模型。
2、近年來，混合量子-經(jīng)典算法因其靈活性以及混合特性可能在一定程度上對(duì)噪聲具有魯棒性，被認(rèn)為有望成為近期量子優(yōu)勢(shì)的領(lǐng)先候選者。這些算法中，參數(shù)化量子電路通過經(jīng)典算法優(yōu)化來解決特定問題，也被稱為變分量子算法。因此，基于變分量子線路的量子神經(jīng)網(wǎng)絡(luò)(qnn)得到了廣泛的研究。例如，tüysüz等人于2021年提出了用于粒子軌跡重建的混合量子-經(jīng)典圖神經(jīng)網(wǎng)絡(luò)。zheng等人提出了量子圖卷積神經(jīng)網(wǎng)絡(luò)，用于完成圖分類任務(wù)，并取得了良好的效果。huang等人于2022年提出了一種基于變分量子電路的量子卷積神經(jīng)網(wǎng)絡(luò)(qcnn)，該網(wǎng)絡(luò)能夠處理具有網(wǎng)格結(jié)構(gòu)的數(shù)據(jù)，并在圖像分類任務(wù)中取得了良好的效果。landman等人于2022年利用量子神經(jīng)網(wǎng)絡(luò)進(jìn)行醫(yī)學(xué)圖像分類任務(wù)。skolik等人于2023年檢驗(yàn)了量子神經(jīng)網(wǎng)絡(luò)在組合優(yōu)化問題中的應(yīng)用效果。這些應(yīng)用展示了量子神經(jīng)網(wǎng)絡(luò)
技術(shù)實(shí)現(xiàn)思路
1、為了克服現(xiàn)有技術(shù)的不足，本專利技術(shù)的目的是提供一種基于量子神經(jīng)網(wǎng)絡(luò)的儲(chǔ)層滲流動(dòng)態(tài)分析方法，可以實(shí)現(xiàn)對(duì)儲(chǔ)層滲流動(dòng)態(tài)的分類分析，預(yù)測(cè)精度高，為解決儲(chǔ)層滲流領(lǐng)域分類問題提供了理論基礎(chǔ)。
2、為實(shí)現(xiàn)上述目的，本專利技術(shù)提供了如下方案：
3、一種基于量子神經(jīng)網(wǎng)絡(luò)的儲(chǔ)層滲流動(dòng)態(tài)分析方法，包括以下步驟：
4、獲取儲(chǔ)層滲流特征數(shù)據(jù)集，將所述儲(chǔ)層滲流特征數(shù)據(jù)集劃分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集；
5、建立量子神經(jīng)網(wǎng)絡(luò)模型，以所述訓(xùn)練數(shù)據(jù)集作為樣本數(shù)據(jù)訓(xùn)練所述量子神經(jīng)網(wǎng)絡(luò)模型，通過多次迭代和優(yōu)化，直到訓(xùn)練次數(shù)超過預(yù)設(shè)值或模型輸出平均誤差達(dá)到預(yù)設(shè)精度即完成訓(xùn)練；
6、將所述測(cè)試數(shù)據(jù)集輸入至訓(xùn)練完成的量子神經(jīng)網(wǎng)絡(luò)模型中，得到量子神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果；
7、根據(jù)得到的輸出結(jié)果對(duì)儲(chǔ)層的滲流動(dòng)態(tài)進(jìn)行定量和定性的分析，得到對(duì)應(yīng)的滲流動(dòng)態(tài)模式結(jié)果。
8、優(yōu)選地，所述獲取儲(chǔ)層滲流特征數(shù)據(jù)集，將所述儲(chǔ)層滲流特征數(shù)據(jù)集劃分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集，包括：
9、獲取儲(chǔ)層滲流特征數(shù)據(jù)集，并將所述儲(chǔ)層滲流特征數(shù)據(jù)集按照3:1的比例分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集。
10、優(yōu)選地，所述建立量子神經(jīng)網(wǎng)絡(luò)模型，包括：
11、輸入數(shù)據(jù)編碼：將所述儲(chǔ)層滲流特征數(shù)據(jù)集進(jìn)行歸一化處理，得到相同尺度的數(shù)據(jù)，并向所述相同尺度的數(shù)據(jù)中增加額外的維度，獲得輸入數(shù)據(jù)向量；通過角度編碼的方法，將所述輸入數(shù)據(jù)向量轉(zhuǎn)換為量子態(tài)；
12、構(gòu)建帶參量子電路：完成輸入數(shù)據(jù)編碼后，構(gòu)建包含參數(shù)化旋轉(zhuǎn)門的量子電路，并將編碼后的量子態(tài)輸入至所述帶參量子電路中，通過旋轉(zhuǎn)門對(duì)編碼后的量子態(tài)進(jìn)行變換，輸出得到期望值；
13、參數(shù)優(yōu)化：定義損失函數(shù)量化所述期望值與目標(biāo)值的差異，并使用優(yōu)化算法迭代調(diào)整所述帶參量子電路中的參數(shù)，通過計(jì)算損失函數(shù)關(guān)于帶參量子電路參數(shù)的梯度，更新所述帶參量子電路的參數(shù)；重復(fù)迭代和優(yōu)化的過程，直到迭代次數(shù)超過預(yù)設(shè)值或損失函數(shù)的值達(dá)到預(yù)設(shè)值要求，得到所述量子神經(jīng)網(wǎng)絡(luò)模型。
14、優(yōu)選地，對(duì)輸入數(shù)據(jù)向量進(jìn)行角度編碼，公式如下：
15、β＝[β1,β2]；
16、
17、其中，ξ1和ξ2分別為輸入數(shù)據(jù)向量，β為角度編碼得到的特征向量；β1和β2為角度編碼得到的相應(yīng)角度值。
18、優(yōu)選地，所述將編碼后的量子態(tài)輸入至所述帶參量子電路中，通過旋轉(zhuǎn)門對(duì)編碼后的量子態(tài)進(jìn)行變換，輸出得到期望值，包括：
19、通過對(duì)第一個(gè)量子比特執(zhí)行泡利z算符測(cè)量，輸出期望值，公式為：
20、
21、式中，z1為對(duì)第一個(gè)量子比特的泡利z算符，mi為期望值，v(β)為角度編碼對(duì)應(yīng)的量子線路，u(θ)為帶參量子電路。
22、優(yōu)選地，所述損失函數(shù)為：
23、
24、式中，n為訓(xùn)練樣本數(shù)，yi為目標(biāo)值，mi為期望值。
25、優(yōu)選地，使用優(yōu)化算法迭代調(diào)整所述帶參量子電路中的參數(shù)，通過計(jì)算損失函數(shù)關(guān)于帶參量子電路參數(shù)的梯度，更新所述帶參量子電路的參數(shù)，具體公式包括：
26、
27、式中，η為學(xué)習(xí)率，為損失函數(shù)關(guān)于參數(shù)θ的梯度。
28、根據(jù)本專利技術(shù)提供的具體實(shí)施例，本專利技術(shù)公開了以下技術(shù)效果：
29、(1)本專利技術(shù)提供了一種基于量子神經(jīng)網(wǎng)絡(luò)的儲(chǔ)層滲流動(dòng)態(tài)分析方法，包括：獲取儲(chǔ)層滲流特征數(shù)據(jù)集，將所述儲(chǔ)層滲流特征數(shù)據(jù)集劃分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集；建立量子神經(jīng)網(wǎng)絡(luò)模型，以所述訓(xùn)練數(shù)據(jù)集作為樣本數(shù)據(jù)訓(xùn)練所述量子神經(jīng)網(wǎng)絡(luò)模型，通過多次迭代和優(yōu)化，直到訓(xùn)練次數(shù)超過預(yù)設(shè)值或模型輸出平均誤差達(dá)到預(yù)設(shè)精度即完成訓(xùn)練；將所述測(cè)試數(shù)據(jù)集輸入至訓(xùn)練完成的量子神經(jīng)網(wǎng)絡(luò)模型中，得到量子神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果；根據(jù)得到的輸出結(jié)果對(duì)儲(chǔ)層的滲流動(dòng)態(tài)進(jìn)行定量和定性的分析，得到對(duì)應(yīng)的滲流動(dòng)態(tài)模式結(jié)果。能夠?qū)崿F(xiàn)對(duì)儲(chǔ)層滲流動(dòng)態(tài)的分類分析，預(yù)測(cè)精度高，為解決儲(chǔ)層滲流領(lǐng)域分類問題提供了理論基礎(chǔ)。
30、(2)本專利技術(shù)以水驅(qū)油藏為例，所提供的方法能在較少迭代步內(nèi)取得對(duì)水驅(qū)油藏見水時(shí)間的高精度預(yù)測(cè)；另外，本專利技術(shù)還以二氧化碳咸水層封存為例，采用上述提供的方法能夠?qū)崿F(xiàn)對(duì)咸水層二氧化碳溶解量的高精度分類，且相應(yīng)的決策區(qū)域能夠較好地用于預(yù)測(cè)實(shí)際的co2溶解封存量。
本文檔來自技高網(wǎng)...【技術(shù)保護(hù)點(diǎn)】
1.一種基于量子神經(jīng)網(wǎng)絡(luò)的儲(chǔ)層滲流動(dòng)態(tài)分析方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于量子神經(jīng)網(wǎng)絡(luò)的儲(chǔ)層滲流動(dòng)態(tài)分析方法，其特征在于，所述獲取儲(chǔ)層滲流特征數(shù)據(jù)集，將所述儲(chǔ)層滲流特征數(shù)據(jù)集劃分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集，包括：
3.根據(jù)權(quán)利要求1所述的一種基于量子神經(jīng)網(wǎng)絡(luò)的儲(chǔ)層滲流動(dòng)態(tài)分析方法，其特征在于，所述建立量子神經(jīng)網(wǎng)絡(luò)模型，包括：
4.根據(jù)權(quán)利要求3所述的一種基于量子神經(jīng)網(wǎng)絡(luò)的儲(chǔ)層滲流動(dòng)態(tài)分析方法，其特征在于，對(duì)輸入數(shù)據(jù)向量進(jìn)行角度編碼，公式如下：
5.根據(jù)權(quán)利要求4所述的一種基于量子神經(jīng)網(wǎng)絡(luò)的儲(chǔ)層滲流動(dòng)態(tài)分析方法，其特征在于，所述將編碼后的量子態(tài)輸入至所述帶參量子電路中，通過旋轉(zhuǎn)門對(duì)編碼后的量子態(tài)進(jìn)行變換，輸出得到期望值，包括：
6.根據(jù)權(quán)利要求5所述的一種基于量子神經(jīng)網(wǎng)絡(luò)的儲(chǔ)層滲流動(dòng)態(tài)分析方法，其特征在于，所述損失函數(shù)為：
7.根據(jù)權(quán)利要求6所述的一種基于量子神經(jīng)網(wǎng)絡(luò)的儲(chǔ)層滲流動(dòng)態(tài)分析方法，其特征在于，使用優(yōu)化算法迭代調(diào)整所述帶參量子電路中的參數(shù)，通過計(jì)算損失函數(shù)關(guān)于帶參量子電路
...【技術(shù)特征摘要】
1.一種基于量子神經(jīng)網(wǎng)絡(luò)的儲(chǔ)層滲流動(dòng)態(tài)分析方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于量子神經(jīng)網(wǎng)絡(luò)的儲(chǔ)層滲流動(dòng)態(tài)分析方法，其特征在于，所述獲取儲(chǔ)層滲流特征數(shù)據(jù)集，將所述儲(chǔ)層滲流特征數(shù)據(jù)集劃分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集，包括：
3.根據(jù)權(quán)利要求1所述的一種基于量子神經(jīng)網(wǎng)絡(luò)的儲(chǔ)層滲流動(dòng)態(tài)分析方法，其特征在于，所述建立量子神經(jīng)網(wǎng)絡(luò)模型，包括：
4.根據(jù)權(quán)利要求3所述的一種基于量子神經(jīng)網(wǎng)絡(luò)的儲(chǔ)層滲流動(dòng)態(tài)分析方法，其特征在于，對(duì)輸入數(shù)據(jù)向量進(jìn)行角度編碼，公式如下：
<...【專利技術(shù)屬性】
技術(shù)研發(fā)人員：饒翔，
申請(qǐng)(專利權(quán))人：長(zhǎng)江大學(xué)，
類型：發(fā)明
國(guó)別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。