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与流程

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。

技术实现要素：

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；

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。

本发明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。

本发明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。

本发明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。

实施本发明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发明作进一步说明，附图中：

图1是本发明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是本发明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

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

如图1所示，在本发明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，第一个隐藏层设置了40个神经元，第二个设置了30个神经元，在其他的实施例中，每个隐藏层也可以设置更多神经元，其可以理解，隐藏层中神经元越多，准确性会越好，但是神经元设置越多迭代运算时间会越长。这里可以在不同的实施例中，采用不同的设置进行相应的取舍。

可选的，所述输出层包括一个神经元。具体的，在输出计算中，可以限定输出层的神经元数量，即通过隐藏层的迭代计算，在输出层通过一个神经元输出唯一的输出结果，其可以根据该唯一的输出结果对断圈是否成藏进行判定。

可选的，在上面的基础上，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。具体的，在输出层通过一个神经元输出结果时，其输出结果可以为百分比，其百分比可以理解为该断圈成藏的可能性，百分比数值越大，其成藏可能性越高，百分比数值越小，其成藏可能性越小。其可以将该百分比同一个预设值进行比较，当该百分比数值大于或等于该预设值时，即可以判定该断圈成藏，当该百分比数值小于该预设值时，即可以判定该断圈不成藏。

进一步的，该预设值可以取值为0.5，即在百分比数值小于50％时，其断圈成藏概率比较小，此时即可以直接判定该断圈不成藏，而只有百分比数值大于或等于50％时，可以判断该断圈成藏概率较高，可以直接判定该断圈成藏。

可选的，在一实施例中，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。具体的，其中与断圈的成藏相关的成藏因素有很多，可以选取其中的关键因素，例如从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等关键因素中选取大于或等于5个的数量，可以理解，关键因素数量选取的越多，其计算过程越复杂，但是计算结果越准确，即其得到的判断结果越准确。

在一实施例中，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。具体的，在对获取的成藏因素进行数字化时，是根据成藏因素的不同，其数字化的过程也不同，例如在成藏因素的参数本身为数字时，其可以直接将该数字作为对应的成藏因素数据，例如埋藏中深和断圈最大断距均可以直接取其数值且单位均为m，断层长度和运移距离也可以直接取其数值且单位均为km。而在成藏因素为条件因素时，其可以根据预设规则获取数值取值并将该数字取值作为对应的成藏因素数据。

在上面的基础上，在一实施例中，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，。

即在对各个为条件因素的成藏因素的数字化过程中，可以根据上面个规则对各个对应的成藏因素进行数字化。其中珠江组、珠海组、恩平组、文昌组都是层系的名字。在烃灶品质完全证实的富生烃洼陷取值为1，其余视洼陷具体情况赋小于1的值，这个小于1的值，就要看烃灶品质是否被完全证实，没有被证实就取0，看证据量的多少，这个取决于地质学家根据证据量的多少，给0-1之间的值。

另，如图2所示，本发明的一种基于深度学习的断圈成藏判断系统，包括：

获取单元110，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120，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130，用于建立包含输入层、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140，用于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。

具体的，这里的基于深度学习的断圈成藏判断系统各单元之间具体的配合操作过程具体可以参照上述基于深度学习的断圈成藏判断方法，这里不再赘述。

另，本发明的一种电子设备，包括存储器和处理器；存储器用于存储计算机程序；处理器用于执行计算机程序实现如上面任意的基于深度学习的断圈成藏判断方法。具体的，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过电子设备下载和安装并且执行时，执行本发明实施例的方法中限定的上述功能。本发明中的电子设备可为笔记本、台式机、平板电脑、智能手机等终端，也可为服务器。

另，本发明的一种计算机存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上面任意一项的基于深度学习的断圈成藏判断方法。具体的，需要说明的是，本发明上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

以一个具体的实施例进行说明，该实施例为lf7-1-1井钻探的恩平组的断圈油藏为例说明，其成藏因素包括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等10个成藏因素，并按照上述的数字化过程进行数字化，获取对应的成藏因素数据组。将该成藏因素数组组作为训练样本开展模型训练，该训练模型采用两层隐含层，该10个成藏因素作为输入层的10个神经元的输入，其隐含层设置采用两层隐含层，每个隐含层包含不同的神经元，连接输入层的第一个隐含层设置为40个神经元，连接第一个隐含层的第二个隐含层设置30个神经元，输出层设置为一个神经元，通过该一个神经元得到最终的输出结果。其中第一个隐含层的输出为h1＝relu(x*w1+b1)，第二个隐含层的输出为h2＝relu(h1*w2+b2)，输出层的输出结果满足y＝softmac(h2*w3+b3)。其中relu和softmax表示不同的两种激活函数，x为输入层，y为输出层的输出，w1和w2分别表示权重，b1和b2表示偏差值。其模型训练过程的准确度可以参数图3。训练结果如表1。其中部分着色部分模型训练结果和实钻结果不匹配，其余均匹配。即其匹配准确率最终稳定在90％左右。即在该实施例中，隐含层通过40和30个神经元的设置就能满足达到想要的效果同时保证较快的计算速度。

表1模型训练结果

获取到训练好的模型就可以在钻探之前对计划钻探的断圈构造进行成藏概率的智能判别，这里钻前选用了lf9-3-1d井进行该方法的应用，该井恩平组t70圈闭和文昌组t80圈闭为典型的断圈，根据钻前的认识，将影响这两个断圈的十个因素输入，本次发明的方法快速智能地给出了恩平组断圈成藏的概率为5.05％，文昌组断圈成藏的概率为76.58％，按照前面模型学习判断的依据，小于50％，认为不成藏，大于50％，认为成藏。lf9-3-1d井钻后的实际结果是在恩平组没有任何油气发现，在文昌组有油气发现，钻前对单口井的不同层系的断圈成藏概率智能判别结果与实钻结果完全吻合，具体见表2。

表2lf9-3-1d井钻前断圈成藏概率智能判别结果与钻后结果对比

可以理解的，以上实施例仅表达了本发明的优选实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制；应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，可以对上述技术特点进行自由组合，还可以做出若干变形和改进，这些都属于本发明的保护范围；因此，凡跟本发明权利要求范围所做的等同变换与修饰，均应属于本发明权利要求的涵盖范围。