一种基于深度神经网络模型的油源分类方法及系统

本发明涉及石油地质勘探领域，特别是涉及一种基于深度神经网络模型的油源分类方法及系统。

背景技术：

1、在沉积有机质经历地下高温、高压作用向石油转变的过程中，部分有机化合物因其稳定的化学结构而未遭受大的破坏和改造，保留了原始生油母质(如藻类、细菌等)的部分特征，如同石油的“dna密码”，石油地质勘探、地球化学研究将这类化合物称为“生物标志物”(简称“生标物”)。油源对比则是以地下石油的生物标志物为研究对象，建立石油与潜在烃源岩之间亲缘关系的地质勘探研究。它为追踪石油运移路径以及确定有利勘探目标等工作提供着关键依据，对于提高钻井命中率、降低勘探风险起着不可替代的作用。在现有方式下，进行油源对比分析研究是一项繁琐且专业的工作，涉及石油、地质、化学、生物等多学科知识和技术的交叉，相关工作依赖于特别培训的专业人士，在应用实践中存在着较多的不便和限制。此外，常规油源对比方法所使用的目检法、图版法等方式在不仅繁琐低效，更难以充分利用仪器产生的海量信息，导致了所得地质解释的模糊性、粗糙性，这与信息化时代下精细勘探对于地球化学研究的要求相差甚远。

技术实现思路

1、本发明的目的是提供一种基于深度神经网络模型的油源分类方法及系统，能够提高石油地质勘探的精细度。

2、为实现上述目的，本发明提供了如下方案：

3、一种基于深度神经网络模型的油源分类方法包括：

4、采集研究区目标层位潜在烃源岩抽提物和砂岩抽提物的生物标志物数据；

5、根据研究区石油地质条件和样品数量对所述烃源岩进行分类，得到烃源岩分类方案；

6、根据所述烃源岩分类方案，对各个所述烃源岩抽提物的生物标志物数据进行标签赋值，构建适合于监督学习的数据集；

7、构建深度神经网络模型；

8、根据所述数据集对所述深度神经网络模型进行训练和优化，得到优化后的深度神经网络模型；

9、根据所述优化后的深度神经网络模型对所述砂岩抽提物进行分类，得到砂岩抽提物的油源预测结果。

10、可选地，在所述根据所述数据集对所述深度神经网络模型进行训练，得到训练后的深度神经网络模型之前还包括：

11、对所述数据集的特征数据采用公式执行min-max归一化；

12、其中，x和x'分别代表原始数据和归一化后的数据，min(x)和max(x)分别代表等待归一化处理的一组元素中的最小值和最大值。

13、可选地，所述深度神经网络模型使用自适应矩估计优化算法进行训练，所述深度神经网络模型的权重更新规则为：

14、

15、其中，vt是一阶梯度矩阵，st是二阶梯度矩阵，和分别是对原始值的偏差修正；α是学习率，其值设定为0.001；∈是一个很小的常数，其值为10-8，以避免除数为零，θt为更新前的权重，θt+1为更新后的权重。

16、可选地，还包括：

17、根据置换特征重要性算法对所述优化后的深度神经网络模型进行解释，得到分子地球化学参数的重要性排序；

18、根据所述重要性排序，得到不同烃源岩类别的分子地球化学特征和差异。

19、一种基于深度神经网络模型的油源分类系统包括：

20、数据采集模块，用于采集研究区目标层位潜在烃源岩抽提物和砂岩抽提物的生物标志物数据；

21、烃源岩分类模块，用于根据研究区石油地质条件和样品数量对所述烃源岩进行分类，得到烃源岩分类方案；

22、数据集构建模块，用于根据所述烃源岩分类方案，对各个所述烃源岩抽提物的生物标志物数据进行标签赋值，构建适合于监督学习的数据集；

23、深度神经网络模型构建模块，用于构建深度神经网络模型；

24、深度神经网络模型训练和优化模块，用于根据所述数据集对所述深度神经网络模型进行训练和优化，得到优化后的深度神经网络模型；

25、砂岩分类模块，用于根据所述优化后的深度神经网络模型对所述砂岩抽提物进行分类，得到砂岩抽提物的油源预测结果。

26、可选地，还包括：

27、min-max归一化模块，用于对所述数据集的特征数据采用公式执行min-max归一化；

28、其中，x和x'分别代表原始数据和归一化后的数据，min(x)和max(x)分别代表等待归一化处理的一组元素中的最小值和最大值。

29、可选地，所述深度神经网络模型使用自适应矩估计优化算法进行训练，所述深度神经网络模型的权重更新规则为：

30、

31、其中，vt是一阶梯度矩阵，st是二阶梯度矩阵，和分别是对原始值的偏差修正；α是学习率，其值设定为0.001；∈是一个很小的常数，其值为10-8，以避免除数为零，θt为更新前的权重，θt+1为更新后的权重。

32、可选地，还包括：

33、敏感性分析模块，用于根据置换特征重要性算法对所述优化后的深度神经网络模型进行解释，得到分子地球化学参数的重要性排序；

34、分子地球化学特征和差异模块，用于根据所述重要性排序，得到不同烃源岩类别的分子地球化学特征和差异。

35、根据本发明提供的具体实施例，本发明公开了以下技术效果：

36、本发明提供一种基于深度神经网络模型的油源分类方法，该方法包括采集研究区目标层位潜在烃源岩抽提物和砂岩抽提物的生物标志物数据；根据研究区石油地质条件和样品数量对烃源岩进行分类，得到烃源岩分类方案；根据烃源岩分类方案，对各个烃源岩抽提物的生物标志物数据进行标签赋值，构建适合于监督学习的数据集；构建深度神经网络模型；根据数据集对深度神经网络模型进行训练和优化，得到优化后的深度神经网络模型；根据优化后的深度神经网络模型对砂岩抽提物进行分类，得到砂岩抽提物的油源预测结果。通过采用深度神经网络模型实现了石油地质勘探中的油源对比工作，提高了石油地质勘探的精细度。

技术特征：

1.一种基于深度神经网络模型的油源分类方法，其特征在于，包括：

2.根据权利要求1所述的基于深度神经网络模型的油源分类方法，其特征在于，在所述根据所述数据集对所述深度神经网络模型进行训练，得到训练后的深度神经网络模型之前还包括：

3.根据权利要求1所述的基于深度神经网络模型的油源分类方法，其特征在于，所述深度神经网络模型使用自适应矩估计优化算法进行训练，所述深度神经网络模型的权重更新规则为：

4.根据权利要求1所述的基于深度神经网络模型的油源分类方法，其特征在于，还包括：

5.一种基于深度神经网络模型的油源分类系统，其特征在于，包括：

6.根据权利要求5所述的基于深度神经网络模型的油源分类系统，其特征在于，还包括：

7.根据权利要求5所述的基于深度神经网络模型的油源分类系统，其特征在于，所述深度神经网络模型使用自适应矩估计优化算法进行训练，所述深度神经网络模型的权重更新规则为：

8.根据权利要求5所述的基于深度神经网络模型的油源分类系统，其特征在于，还包括：

技术总结
本发明涉及一种基于深度神经网络模型的油源分类方法及系统。该方法包括采集研究区目标层位潜在烃源岩抽提物和砂岩抽提物的生物标志物数据；根据研究区石油地质条件和样品数量对烃源岩抽提物进行分类，得到烃源岩分类方案；根据烃源岩分类方案，对各个烃源岩抽提物的生物标志物数据进行标签赋值，构建适合于监督学习的数据集；构建深度神经网络模型；根据数据集对深度神经网络模型进行训练和优化，得到优化后的深度神经网络模型；根据优化后的深度神经网络模型对砂岩抽提物进行分类，得到砂岩抽提物的油源预测结果。通过采用深度神经网络模型能够提高石油地质勘探的精细度。

技术研发人员：苏恺明,徐耀辉,李阳,严刚
受保护的技术使用者：长江大学
技术研发日：
技术公布日：2024/1/12