[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

说明书

本发明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。

技术领域

本发明涉及勘测技术，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。

背景技术

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。

发明内容

本发明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。

本发明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；