[发明专利]一种基于深度神经网络模型的油源分类方法及系统

权利要求书

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：

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所述烃源岩进行分类，得到烃源岩分类方案；

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；

构建深度神经网络模型；

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；

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。

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：

对所述数据集的特征数据采用公式执行Min-Max归一化；

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。

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：

其中，v_t是一阶梯度矩阵，s_t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，θ_t为更新前的权重，θ_t+1为更新后的权重。

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：

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；

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。

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：

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；

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；

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；

深度神经网络模型构建模块，用于构建深度神经网络模型；

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；

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。

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：

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；

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。

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：

其中，v_t是一阶梯度矩阵，s_t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，θ_t为更新前的权重，θ_t+1为更新后的权重。

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：

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；

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。