一种基于深度学习的断圈成藏判断方法、系统、电子设备及存储介质技术方案

本发明专利技术涉及一种基于深度学习的断圈成藏判断方法、系统、电子设备及存储介质，包括：S1、获取与断圈的成藏相关的若干成藏因素；S2、数字化所述若干成藏因素以获取数字化的成藏因素数据组；S3、建立包含输入层、两个或两个以上隐藏层和输出层的初始训练模型，将所述成藏因素数据组作为所述输入层的输入参数；S4、通过两个或两个以上隐藏层对输入参数进行迭代运算，以通过学习训练得到满足预设条件的可用训练模型，并根据可用训练模型通过输出层输出与输入参数对应的输出结果，以根据输出结果判断断圈是否成藏。实施本发明专利技术能够快速准确的对断圈成藏的可能性进行判断，方便快捷准确率高。

【技术实现步骤摘要】
一种基于深度学习的断圈成藏判断方法、系统、电子设备及存储介质
本专利技术涉及勘测技术，更具体地说，涉及一种基于深度学习的断圈成藏判断方法、系统、电子设备及存储介质。
技术介绍
在石油行业上游勘探过程中，由于影响断圈构造成藏的因素众多，而关于诸多因素对成藏的影响的相关认识多停留在定性认识阶段，定量评价往往只是局限在某几个因素的分析上，且评价方法多是线性算法。综合考虑多种因素对断圈构造成藏结果的影响，有两个难点，一是多种因素综合影响的机理不好描述，难以确定多种影响因素和成藏结果之间的最佳的非线性函数；二是常规的确定非线性函数的算法通常需要加入一些地区经验值，不利于技术的大范围推广。
技术实现思路
本专利技术要解决的技术问题在于，针对现有技术的上述技术缺陷，提供一种基于深度学习的断圈成藏判断方法、系统、电子设备及存储介质。本专利技术解决其技术问题所采用的技术方案是：构造一种基于深度学习的断圈成藏判断方法，包括：S1、获取与断圈的成藏相关的若干成藏因素；S2、数字化所述若干成藏因素以获取数字化的成藏因素数据组；S3、建立包含输入层、两个或两个以上隐藏层和输出层的初始训练模型，将所述成藏因素数据组作为所述输入层的输入参数；S4、通过所述两个或两个以上隐藏层对所述输入参数进行迭代运算，以通过学习训练得到满足预设条件的可用训练模型，并根据所述可用训练模型通过所述输出层输出与所述输入参数对应的输出结果，以根据所述输出结果判断所述断圈是否成藏。优选地，所述输出层包括一个神经元。优选地，在所述步骤S4中，所述通过所述输出层的输出结果判断所述断圈是否成藏包括：获取所述输出层的所述神经元的输出结果，在所述输出结果大于或等于预设值时，判定所述断圈成藏，在所述输出结果小于所述预设值时，判定所述断圈不成藏。优选地，所述预设值为0.5。优选地，所述若干成藏因素包括所述断圈的岩性对接成藏因素、断圈位置、断层遮挡、埋藏中深、断圈最大断距、断层长度、通源断裂条数、所在层系、运移距离和烃灶品质中的任意N个，其中N大于或等于5。优选地，在所述步骤S2中，所述数字化所述若干成藏因素以获取数字化的成藏因素数据组；包括：当所述成藏因素为数字时，将所述数字作为对应的成藏因素数据；当所述成藏因素为条件因素时，根据预设规则获取数字取值作为对应的成藏因素数据。优选地，所述当所述成藏因素为条件因素时，根据预设规则获取数字取值作为对应的成藏因素数据包括以下过程中的任意一个或多个：所述岩性对接成藏因素对应的成藏因素数据在岩性对接不封堵时根据泥岩涂抹SSF值获取，在岩性对接封堵时取值为0；所述断圈位置对应的成藏因素数据在所述断圈为上升盘取值为1，在所述断圈为下降盘取值为0；所述断层遮挡对应的成藏因素数据在所述断圈为逆向遮挡取值为1，在所述断圈为顺向遮挡时取值为0；所述所在层系对应的成藏因素数据在所述所在层系为珠江组取值为1，在所述所在层系为珠海组取值为2，在所述所在层系为恩平组取值为3，在所述所在层系为文昌组取值为4；所述烃灶品质对应的成藏因素数据根据所述烃灶品质被证实的百分比获取，其取值范围大于或等于0且小于或等于1。本专利技术还构造一种基于深度学习的断圈成藏判断系统，包括：获取单元，用于获取与断圈的成藏相关的若干成藏因素；；第一处理单元，用于数字化所述若干成藏因素以获取数字化的成藏因素数据组；第二处理单元，用于建立包含输入层、两个或两个以上隐藏层和输出层的初始训练模型，将所述成藏因素数据组作为所述输入层的输入参数；第三处理单元，用于通过所述两个或两个以上隐藏层对所述输入参数进行迭代运算，以通过学习训练得到满足预设条件的可用训练模型，并根据所述可用训练模型通过所述输出层输出与所述输入参数对应的输出结果，以根据所述输出结果判断所述断圈是否成藏。本专利技术还构造一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上面任意一项所述的基于深度学习的断圈成藏判断方法。本专利技术还构造一种电子设备，包括存储器和处理器；所述存储器用于存储计算机程序；所述处理器用于执行所述计算机程序实现如上面任一项所述的基于深度学习的断圈成藏判断方法。实施本专利技术的一种基于深度学习的断圈成藏判断方法、系统、电子设备及存储介质，具有以下有益效果：能够快速准确的对断圈成藏的可能性进行判断，方便快捷准确率高。附图说明下面将结合附图及实施例对本专利技术作进一步说明，附图中：图1是本专利技术一种基于深度学习的断圈成藏判断方法的程序流程图；图2是本专利技术一种基于深度学习的断圈成藏判断系统第一实施例的逻辑框图；图3是可用训练模型获取的示意图。具体实施方式为了对本专利技术的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本专利技术的具体实施方式。如图1所示，在本专利技术的一种基于深度学习的断圈成藏判断方法第一实施例中，包括：S1、获取与断圈的成藏相关的若干成藏因素；S2、数字化所述若干成藏因素以获取数字化的成藏因素数据组；S3、建立包含输入层、两个或两个以上隐藏层和输出层的初始训练模型，将所述成藏因素数据组作为所述输入层的输入参数；S4、通过所述两个或两个以上隐藏层对所述输入参数进行迭代运算，以通过学习训练得到满足预设条件的可用训练模型，并根据所述可用训练模型通过所述输出层输出与所述输入参数对应的输出结果，以根据所述输出结果判断所述断圈是否成藏。具体的，在石油探测过程中，其根据经验和实测分析，可以获取断圈中与断圈成藏有关系的若干成藏因素，即该成藏因素对断圈成藏有着或大或小的实际影响。由于在深度学习过程中，输入的变量必须全部为数字才行，因此首先必须先用数字表征各变量因素，即需要对获取的若干成藏因素数字化，将获取与各个成藏因素对应的成藏因素数据，该多个数据即可以形成最终的成藏因素数据组，也可以理解为矩阵参数。然后建立用于计算的初始训练模型，该初始训练模型包括输入层、两个或两个以上隐藏层和输出层。然后将上一步中得到的成藏因素数据组作为输入参数也即为输入矩阵通过输入层输入，输入层的输入神经元数量可以根据成藏因素数据组确定，在一实施例中，每个神经元的输入参数对应一成藏因素数据，即神经元的数量可以和成藏因素的数量一一对应。在获取到输入参数后，可以通过设置两个或两个以上的隐含层对输入参数进行迭代运算学习训练，直到训练获得合适的训练模型，即得到的训练模型满足预设条件定义为可用训练模型，这里的预设条件可以指可用训练模型的准确率能够满足预设条件，即其准确率可以在90％以上，则认为该可用训练模型可以用。最后可用通过该可用训练模型给出输入参数对应的输出层的输出结果，并以此判断所述断圈是否成藏。可以理解的是，每个隐藏层中需要设置至少大于输入层的神经元个数。多个隐藏层可以分别包括相同数量或者不同数量的神经元，例如在一实施例中，本文档来自技高网...

【技术保护点】
1.一种基于深度学习的断圈成藏判断方法，其特征在于，包括：/nS1、获取与断圈的成藏相关的若干成藏因素；/nS2、数字化所述若干成藏因素以获取数字化的成藏因素数据组；/nS3、建立包含输入层、两个或两个以上隐藏层和输出层的初始训练模型，将所述成藏因素数据组作为所述输入层的输入参数；/nS4、通过所述两个或两个以上隐藏层对所述输入参数进行迭代运算，以通过学习训练得到满足预设条件的可用训练模型，并根据所述可用训练模型通过所述输出层输出与所述输入参数对应的输出结果，以根据所述输出结果判断所述断圈是否成藏。/n

【技术特征摘要】
1.一种基于深度学习的断圈成藏判断方法，其特征在于，包括：
S1、获取与断圈的成藏相关的若干成藏因素；
S2、数字化所述若干成藏因素以获取数字化的成藏因素数据组；
S3、建立包含输入层、两个或两个以上隐藏层和输出层的初始训练模型，将所述成藏因素数据组作为所述输入层的输入参数；
S4、通过所述两个或两个以上隐藏层对所述输入参数进行迭代运算，以通过学习训练得到满足预设条件的可用训练模型，并根据所述可用训练模型通过所述输出层输出与所述输入参数对应的输出结果，以根据所述输出结果判断所述断圈是否成藏。


2.根据权利要求1所述的基于深度学习的断圈成藏判断方法，其特征在于，所述输出层包括一个神经元。


3.根据权利要求2所述的基于深度学习的断圈成藏判断方法，其特征在于，在所述步骤S4中，所述通过所述输出层的输出结果判断所述断圈是否成藏包括：
获取所述输出层的所述神经元的输出结果，在所述输出结果大于或等于预设值时，判定所述断圈成藏，在所述输出结果小于所述预设值时，判定所述断圈不成藏。


4.根据权利要求3所述的的基于深度学习的断圈成藏判断方法，其特征在于，所述预设值为0.5。


5.根据权利要求1所述的基于深度学习的断圈成藏判断方法，其特征在于，所述若干成藏因素包括所述断圈的岩性对接成藏因素、断圈位置、断层遮挡、埋藏中深、断圈最大断距、断层长度、通源断裂条数、所在层系、运移距离和烃灶品质中的任意N个，其中N大于或等于5。


6.根据权利要求5所述的基于深度学习的断圈成藏判断方法，其特征在于，在所述步骤S2中，所述数字化所述若干成藏因素以获取数字化的成藏因素数据组；包括：
当所述成藏因素为数字时，将所述数字作为对应的成藏因素数据；
当所述成藏因素为条件因素时，根据预设规则获取数字取值作为对应的成藏因素数据。


7.根据权利要求6所述的基于深度学...

【专利技术属性】
技术研发人员：杨超群，李昭伟，
申请(专利权)人：中海石油中国有限公司深圳分公司，
类型：发明
国别省市：广东;44