随着我国石油开发力度的加大,低渗透、难以开采的未开发储量越来越多,且低渗产量相对总产量,占比较低。如何有效开发低渗透油田的关键技术难点之一是如何掌握储层的粒度分布情况,如果能够以经济的方式获得足够的储层粒度分布情况,大量储层油气的长期生产就可能实现。本文设计基于量子神经网络的低渗油田储层粒度测井方法,分别从测井参数优选、量子神经网络基础、改进蜂群的量子神经网络算法以及量子神经网络在低渗储层粒度测井解释的应用深入研究,研究内容如下:1、储层粒度测井解释参数优选方法研究。对数据集中的每个属性进行排序,按照单个决策树中的属性进行拆分,以此增加性能指标的数量,并使用节点来衡量和记录时间来计算特征的重要性。最后,对所有提升树的特征结果进行加权求和,然后取平均值,得到重要度得分,特征重要得分排名靠前证明它很重要。使用梯度提升算法,可以比较直接地得到每个特征的重要性得分。2、量子神经网络基础。量子态代替了经典比特中的0和1,量子神经元w的状态由其余L个神经元的状态的输入组成,量子神经元模型包括两种参数,即连接权重ql和阈值l形式的相位参数,以及反转参数f。量子神经网络具有三层架构,其中第一层是输入层,第二个是隐藏层最后一个是输出层。3、基于改进蜂群的量子神经网络算法。引入一种新的自适应平均人工蜂群算法（AMABC）,基于最佳解的均值信息改进的搜索方程来实现搜索行为平衡,通过将每只蜜蜂的当前位置与当前的自身最佳位置正方向（pbest）和全局最佳位置正方向的平均值（gbest）位置的平均值进行比较,以更新所提出的AMABC算法中的搜索方程。通过与测试函数对比,验证自适应平均人工蜂群算法在全局收敛速度、解决方案质量和鲁棒性方面性能要强于原始人工蜂群算法。并将改进的蜂群算法应用于量子神经网络训练过程,提高网络训练过程中的学习能力和收敛速度。4、量子神经网络在低渗储层粒度测井解释的应用。首先,综合储层地质特征和分析测井数据的基础,确定区块井中的建模井以及测试井分别用于训练集以及测试集;然后,根据XGBoost以及专家经验,确定合适的网络训练特征,并对数据进行归一化处理;最后,通过实验证明基于改进蜂群算法的量子神经网络模型对测井数据具有较高的学习能力和预测能力。通过实验表明,本文提出的基于量子神经网络的低渗油田储层粒度测井方案能满足低渗储层粒度预测精度的要求,具有很强的理论意义和广阔的应用前景。