[发明专利]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

权利要求书

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所述的基于深度学习的断圈成藏判断方法，其特征在于，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。

8.一种基于深度学习的断圈成藏判断系统，其特征在于，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。

9.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任意一项所述的基于深度学习的断圈成藏判断方法。

10.一种电子设备，其特征在于，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权利要求1-7任一项所述的基于深度学习的断圈成藏判断方法。