CN108229011B - 一种页岩岩相发育主控因素判断方法、设备及存储设备 - Google Patents

一种页岩岩相发育主控因素判断方法、设备及存储设备 Download PDF

Info

Publication number
CN108229011B
CN108229011B CN201711483947.2A CN201711483947A CN108229011B CN 108229011 B CN108229011 B CN 108229011B CN 201711483947 A CN201711483947 A CN 201711483947A CN 108229011 B CN108229011 B CN 108229011B
Authority
CN
China
Prior art keywords
neural network
shale
lithofacies
network model
development
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201711483947.2A
Other languages
English (en)
Other versions
CN108229011A (zh
Inventor
刘英杰
黄传炎
岳佳恒
张悦辉
宋强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Geosciences
Original Assignee
China University of Geosciences
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China University of Geosciences filed Critical China University of Geosciences
Priority to CN201711483947.2A priority Critical patent/CN108229011B/zh
Publication of CN108229011A publication Critical patent/CN108229011A/zh
Application granted granted Critical
Publication of CN108229011B publication Critical patent/CN108229011B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Abstract

本发明提供了一种页岩岩相发育主控因素判断方法、设备及存储设备，所述方法包括步骤：提取页岩样品并进行处理得到地化指标；设定岩相发育类型；以地化指标作为输入层，岩相发育类型作为输出层建立母神经网络模型；剔除母神经网络模型中权值最小的地化指标，建立子神经网络模型；母神经网络模型的识别正确率减去子神经网络模型的识别正确率得到正确率差值；若差值小于零，则以子神经网络模型作为母神经网络，返回步骤四继续执行；若正确率差值大于等于零，则选取母神经网络模型中权值最大的地化指标作为主控因素。所述设备用来实现所述方法。本发明可以确定岩相发育的主控因素。

Description

一种页岩岩相发育主控因素判断方法、设备及存储设备
技术领域
本发明涉及页岩岩相发育主控因素研究领域，具体涉及一种页岩岩相发育主控因素判断方法、设备及存储设备。
背景技术
当前对于页岩岩相发育的主要控制因素尚有争议，争议的最主要的原因在于当前对于岩相发育的控制因素仍以定性的方式，通过页岩岩相与沉积环境垂向上的耦合关系来讨论页岩岩相发育的主控因素，以讨论耦合关系的方式来定性的确定岩相的主控因素容易受主观意识的干扰，很难客观讨论某一研究区目的层段的页岩岩相主控因素。
发明内容
本发明提供了一种页岩岩相发育主控因素判断方法、设备及存储设备，通过使用地化指标作为神经网络的输入项，利用神经网络的识别率，可以有效解决上述问题。
本发明提供的技术方案是：一种页岩岩相发育主控因素判断方法，所述方法包括步骤：提取页岩样品并进行处理得到指示沉积环境的地化指标；设定岩相发育类型；以所述地化指标作为输入层，所述岩相发育类型作为输出层建立母神经网络模型；剔除所述母神经网络模型中输入层权值最小的地化指标，保留岩相发育类型，建立子神经网络模型；母神经网络模型的识别正确率减去子神经网络模型的识别正确率得到正确率差值；若正确率差值小于零，则以所述子神经网络模型作为母神经网络，返回步骤剔除所述母神经网络模型中输入层权值最小的地化指标，保留岩相发育类型，建立子神经网络模型继续执行；若正确率差值大于等于零，则选取母神经网络模型中权值最大的地化指标作为主控因素。存储设备，所述存储设备存储指令及数据用于实现所述一种页岩岩相发育主控因素判断方法。一种页岩岩相发育主控因素判断设备，所述设备包括处理器及所述存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现所述的一种页岩岩相发育主控因素判断方法。
本发明的有益效果是：本发明提供了一种页岩岩相发育主控因素判断方法、设备及存储设备，通过使用地化指标作为神经网络的输入项，利用神经网络的识别率，可以有效对影响岩相发育类型的控制因素进行排序，区分控制因素的影响程度大小，并确定最主要控制因素。
附图说明
图1是本发明实施例中页岩岩相发育主控因素判断方法的整体流程图；
图2是本发明实施例中BP神经网络示意图；
图3是本发明实施例中岩相发育类型示意图；
图4是本发明实施例中神经网络识别正确率矩阵示意图；
图5是本发明实施例的硬件设备工作示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述，下文中提到的具体技术细节，如：方法，设备等，仅为使读者更好的理解技术方案，并不代表本发明仅局限于以下技术细节。
本发明的实施例提供了一种页岩岩相发育主控因素判断方法、设备及存储设备。请参阅图1，图1是本发明实施例中页岩岩相发育主控因素判断方法的整体流程图，所述方法由硬件设备实现，具体步骤包括：
S101：提取页岩样品并进行处理得到指示沉积环境的地化指标，具体包括：对页岩样品进行主量及微量元素测试；对页岩样品进行岩矿分析。所述地化指标包括：古盐度Sr/Ba、古水动力条件Zr/Rb、古气候Sr/V、古氧化还原条件V/V+Ni及古生产力垂向变化Ba/Ca。
S102：设定岩相发育类型，所述岩相发育类型具体包括：黏土质页岩相CM、混合黏土质页岩相CM-2、含硅黏土质页岩相CM-1、含灰黏土质页岩相CM-3、含黏土/灰混合质页岩相M-3及混合质页岩相M。
S103：以所述地化指标作为输入层，所述岩相发育类型作为输出层建立母神经网络模型，所述神经网络模型具体为：BP神经网络模型。
S104：剔除所述母神经网络模型中输入层权值最小的地化指标，保留岩相发育类型，建立子神经网络模型。地化指标的权值为神经网络模型中所有神经元权值的平均值，具体参见表1。
表1
Figure BDA0001534367320000031
S105：母神经网络模型的识别正确率减去子神经网络模型的识别正确率得到正确率差值。
S106：若正确率差值小于零，则以所述子神经网络模型作为母神经网络，返回步骤S104继续执行。
S107：若正确率差值大于等于零，则选取母神经网络模型中权值最大的地化指标作为主控因素。最后，将母神经网络中的地化指标按权值从大到小排序，权值较大的地化指标是页岩岩相形成的较强控制因素。
参见图2，图2是本发明实施例中BP神经网络示意图，包括：输入层201、输出层202、第一隐含层203、第二隐含层204、第一隐含层神经元205、第二隐含层神经元206。其中，地化指标由输入层201输入，经第一隐含层203内的第一隐含层神经元205及第二隐含层204内的第一隐含层神经元205处理后，在输出层202输出岩相发育类型。
参见图3，图3是本发明实施例中岩相发育类型示意图，包括：黏土矿物301、长英质矿物302、碳酸盐矿物303、黏土质页岩相CM、混合黏土质页岩相CM-2、含硅黏土质页岩相CM-1、含灰黏土质页岩相CM-3、含黏土/灰混合质页岩相M-3及混合质页岩相M。由图中可见，本实施例选取的岩相发育类型属于黏土矿物301。
参见图4，图4是本发明实施例中神经网络识别正确率矩阵示意图，包括：正确识别岩相发育类型元素401、错误识别岩相发育类型元素402、每行正确及错误识别率元素403、每列正确及错误识别率元素404、整体正确及错误识别率元素405。1表示含硅黏土质页岩相CM-1，2表示黏土质页岩相CM，3表示混合黏土质页岩相CM-2，4表示混合质页岩相M，5表示含黏土/灰混合质页岩相M-3，6表示含灰黏土质页岩相CM-3。本发明实施例选取35个页岩样品，5组地化参数，和6组岩相发育类型作为验证例子。由图中可见，1有29组识别正确，2有一组错误识别为3，3有1组正确识别，4有一组错误识别为1，5有1组正确识别，5有一组错误识别为1，6有一组错误识别为3。在第一行中，正确识别的概率为93.5％，错误识别的概率为6.5％。在第一列中，正确识别的概率为100％，错误识别的概率为0％。整体上正确识别的概率为88.7％，错误识别的概率为11.3％。本发明实施例中，最终确定的母神经网络的正确识别率为94.3％，地化指标中，古盐度Sr/Ba(平均权值1.522)是岩相发育的最主要的控制因素，古水动力条件Zr/Rb(平均权值1.241),古气候Sr/V(平均权值1.141),古氧化还原条件V/V+Ni(平均权值1.008)对于岩相识别的贡献程度依次减弱。换句话说，在研究区目的层中古盐度、古水动力条件、古气候、古氧化还原条件都控制着岩相的发育，其中古盐度是主控因素，古水动力条件、古气候、古氧化还原条件对于研究区目的层位岩相发育的控制作用依次减弱。最终确定的母神经网络中的地化指标的权值参见表2。
表2
Figure BDA0001534367320000051
参见图5，图5是本发明实施例的硬件设备工作示意图，所述硬件设备具体包括：一种页岩岩相发育主控因素判断设备501、处理器502及存储设备503。
页岩岩相发育主控因素判断设备501：所述一种页岩岩相发育主控因素判断设备501实现所述一种页岩岩相发育主控因素判断方法。
处理器502：所述处理器502加载并执行所述存储设备503中的指令及数据用于实现所述的一种页岩岩相发育主控因素判断方法。
存储设备503：所述存储设备503存储指令及数据；所述存储设备503用于实现所述的一种页岩岩相发育主控因素判断方法。
通过执行本发明的实施例，本发明权利要求里的所有技术特征都得到了详尽阐述。
区别于现有技术，本发明的实施例提供了一种页岩岩相发育主控因素判断方法、设备及存储设备，通过使用地化指标作为神经网络的输入项，利用神经网络的识别率，可以有效对影响岩相发育类型的控制因素进行排序，区分控制因素的影响程度大小，并确定最主要控制因素。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种页岩岩相发育主控因素判断方法，所述方法由硬件设备实现，其特征在于：包括以下步骤：提取页岩样品并进行处理得到指示沉积环境的地化指标；设定岩相发育类型；以所述地化指标作为输入层，所述岩相发育类型作为输出层建立母神经网络模型；剔除所述母神经网络模型中输入层权值最小的地化指标，保留岩相发育类型，建立子神经网络模型；母神经网络模型的识别正确率减去子神经网络模型的识别正确率得到正确率差值；若正确率差值小于零，则以所述子神经网络模型作为母神经网络，返回步骤剔除所述母神经网络模型中输入层权值最小的地化指标，保留岩相发育类型，建立子神经网络模型继续执行；若正确率差值大于等于零，则选取母神经网络模型中权值最大的地化指标作为主控因素。
2.如权利要求1所述的一种页岩岩相发育主控因素判断方法，其特征在于：所述神经网络模型具体为：BP神经网络模型。
3.如权利要求1所述的一种页岩岩相发育主控因素判断方法，其特征在于：所述地化指标包括：古盐度Sr/Ba、古水动力条件Zr/Rb、古气候Sr/V、古氧化还原条件V/V+Ni及古生产力垂向变化Ba/Ca。
4.如权利要求1所述的一种页岩岩相发育主控因素判断方法，其特征在于：所述岩相发育类型具体包括：黏土质页岩相CM、混合黏土质页岩相CM-2、含硅黏土质页岩相CM-1、含灰黏土质页岩相CM-3、含黏土/灰混合质页岩相M-3及混合质页岩相M。
5.如权利要求1所述的一种页岩岩相发育主控因素判断方法，其特征在于：地化指标的权值为神经网络模型中所有神经元权值的平均值。
6.如权利要求1所述的一种页岩岩相发育主控因素判断方法，其特征在于：所述选取母神经网络模型中权值最大的地化指标作为主控因素还包括：将母神经网络中的地化指标按权值从大到小排序。
7.如权利要求1所述的一种页岩岩相发育主控因素判断方法，其特征在于：提取页岩样品并进行处理具体包括：对页岩样品进行主量及微量元素测试；对页岩样品进行岩矿分析。
8.存储设备，其特征包括：所述存储设备存储指令及数据用于实现权利要求1～7所述的任意一种方法。
9.一种页岩岩相发育主控因素判断设备，其特征在于：包括：处理器及权利要求8所述存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现权利要求1～7所述的任意一种方法。
CN201711483947.2A 2017-12-29 2017-12-29 一种页岩岩相发育主控因素判断方法、设备及存储设备 Active CN108229011B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711483947.2A CN108229011B (zh) 2017-12-29 2017-12-29 一种页岩岩相发育主控因素判断方法、设备及存储设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711483947.2A CN108229011B (zh) 2017-12-29 2017-12-29 一种页岩岩相发育主控因素判断方法、设备及存储设备

Publications (2)

Publication Number Publication Date
CN108229011A CN108229011A (zh) 2018-06-29
CN108229011B true CN108229011B (zh) 2021-03-30

Family

ID=62646259

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711483947.2A Active CN108229011B (zh) 2017-12-29 2017-12-29 一种页岩岩相发育主控因素判断方法、设备及存储设备

Country Status (1)

Country Link
CN (1) CN108229011B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109298449B (zh) * 2018-09-26 2020-11-06 中国石油化工股份有限公司 一种确定陆相页岩油勘探有利单元的方法
CN109544545A (zh) * 2018-11-30 2019-03-29 济南浪潮高新科技投资发展有限公司 一种基于卷积神经网络的盐矿智能检测方法及系统
CN110970096B (zh) * 2019-12-12 2023-07-28 成都理工大学 一种细粒泥页岩的地球化学微相信息识别系统及方法
CN111461386B (zh) * 2019-12-27 2023-08-22 中国地质调查局成都地质调查中心 基于bp神经网络的页岩气甜点预测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011002327A1 (en) * 2009-06-30 2011-01-06 Schlumberger Canada Limited Numerical method of calculating heat, mass, chemical and electric transport for three-dimensional porous solid
CN103105630A (zh) * 2013-01-08 2013-05-15 中国矿业大学(北京) 矿井水文地质内外边界水力性质ann技术的定量确定方法
CN104453875A (zh) * 2014-10-29 2015-03-25 中国石油集团川庆钻探工程有限公司 基于自组织竞争神经网络的页岩气储层识别方法
CN104698500A (zh) * 2015-04-07 2015-06-10 成都乔依赛斯石油科技有限公司 一种利用地质和测井信息预测储层成岩相的方法
CN105260575A (zh) * 2015-11-17 2016-01-20 中国矿业大学 一种基于神经网络的巷道围岩变形预测方法
CN106338778A (zh) * 2016-08-25 2017-01-18 西南石油大学 一种基于测井信息的页岩岩相连续预测方法
CN106707340A (zh) * 2016-12-13 2017-05-24 中国石油天然气股份有限公司大港油田分公司 一种火山岩岩相的预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011002327A1 (en) * 2009-06-30 2011-01-06 Schlumberger Canada Limited Numerical method of calculating heat, mass, chemical and electric transport for three-dimensional porous solid
CN103105630A (zh) * 2013-01-08 2013-05-15 中国矿业大学(北京) 矿井水文地质内外边界水力性质ann技术的定量确定方法
CN104453875A (zh) * 2014-10-29 2015-03-25 中国石油集团川庆钻探工程有限公司 基于自组织竞争神经网络的页岩气储层识别方法
CN104698500A (zh) * 2015-04-07 2015-06-10 成都乔依赛斯石油科技有限公司 一种利用地质和测井信息预测储层成岩相的方法
CN105260575A (zh) * 2015-11-17 2016-01-20 中国矿业大学 一种基于神经网络的巷道围岩变形预测方法
CN106338778A (zh) * 2016-08-25 2017-01-18 西南石油大学 一种基于测井信息的页岩岩相连续预测方法
CN106707340A (zh) * 2016-12-13 2017-05-24 中国石油天然气股份有限公司大港油田分公司 一种火山岩岩相的预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陆相湖盆层序地层格架内有机质发育及控制因素分析—以中上扬子建南地区侏罗系东岳庙段为例;刘英杰;《天然气地球科学》;20170630;第930-938页 *

Also Published As

Publication number Publication date
CN108229011A (zh) 2018-06-29

Similar Documents

Publication Publication Date Title
CN108229011B (zh) 一种页岩岩相发育主控因素判断方法、设备及存储设备
CN110619353B (zh) 一种基于深度学习的多尺度测井曲线自动识别方法
CN106355011A (zh) 一种地球化学数据元素序结构分析方法及装置
CN104020509B (zh) 基于Bayes判别分析的砂质滩坝沉积微相测井识别方法
CN104977613A (zh) 基于多信息的碳酸盐岩岩相古地理重构方法及装置
CN101055631A (zh) 一种空间数据模糊证据权重分析方法
CN105956558A (zh) 一种基于三轴加速度传感器人体动作识别方法
CN109800954A (zh) 基于测井数据的储层评价新方法
CN114152980B (zh) 一种快速自动化产出震源机制解的方法与装置
CN110231447A (zh) 水质异常检测的方法、装置及终端设备
CN108072915A (zh) 一种识别碳酸盐岩颗粒滩相的方法
CN105986811A (zh) 基于常规测井资料五维度岩性判识方法
CN108647722B (zh) 一种基于过程尺寸特征的锌矿品位软测量方法
WO2019205725A1 (zh) 一种基于电成像测井分形维数的火山岩岩性识别方法
NGUYEN et al. Spatial cluster and outlier identification of geochemical association of elements: A case study in Juirui copper mining area
CN106777513B (zh) 一种确定资源储量估算的品位域的方法
CN105653788A (zh) 一种矿区水源识别方法、装置和系统
CN114203268A (zh) 一种基于机器学习的地球化学数据的分类方法和装置
CN104991280A (zh) 一种基于微观孔喉结构指数的射孔层段选择方法及装置
CN116466408B (zh) 一种基于航磁数据的人工神经网络超基性岩识别方法
CN107908834B (zh) 隐伏矿体的三维定位成矿预测方法以及系统
Ogore et al. Offline prediction of cholera in rural communal tap waters using edge ai inference
CN112329804A (zh) 基于特征随机的朴素贝叶斯岩相分类集成学习方法及装置
CN111273352A (zh) 地质构造智能检测方法、装置与电子设备
CN103901475B (zh) 一种属性等值线图绘制方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant