買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉中國地質科學院地質力學研究所申請的專利一種基于深度學習的儲層評價模型的構建方法及系統獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN120258045B 。

龍圖騰網通過國家知識產權局官網在2025-08-22發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202510735874.X，技術領域涉及：G06N3/045；該發明授權一種基于深度學習的儲層評價模型的構建方法及系統是由張浩;方欣欣;陳程;施輝;周遠劍設計研發完成，并于2025-06-04向國家知識產權局提交的專利申請。

本一種基于深度學習的儲層評價模型的構建方法及系統在說明書摘要公布了：本發明涉及儲層評估技術領域，尤其涉及一種基于深度學習的儲層評價模型的構建方法及系統。該方法包括以下步驟：獲取目標工區的測井數據及巖心分析數據，并分別進行異常值處理與缺失值填補，得到完整測井數據及完整巖心數據；基于完整巖心數據計算儲層孔隙結構參數；基于完整測井數據反演儲層宏觀孔隙度。本發明通過融合巖心與測井數據，結合孔隙結構參數、宏觀孔隙度及地質注意力機制，顯著提升了儲層評價的準確性、穩定性與魯棒性，解決了數據缺失、小樣本問題，并強化了模型的解釋性與地質一致性。

本發明授權一種基于深度學習的儲層評價模型的構建方法及系統在權利要求書中公布了：1.一種基于深度學習的儲層評價模型的構建方法，其特征在于，包括以下步驟： 步驟S1：獲取目標工區的測井數據及巖心分析數據，并分別進行異常值處理與缺失值填補，得到完整測井數據及完整巖心數據； 步驟S2：基于完整巖心數據計算儲層孔隙結構參數；基于完整測井數據反演儲層宏觀孔隙度； 步驟S3：基于儲層孔隙結構參數及儲層宏觀孔隙度解析儲層巖相物理屬性，確定孔隙連通性指數、儲層品質因子、巖性控制系數及非均質性指標，生成儲層評價指標數據集，步驟S3包括以下步驟： 步驟S31：對儲層孔隙幾何形態參數及孔喉半徑分布數據進行三維網絡連通性評估，得到孔隙網絡拓撲關系圖；基于孔隙網絡拓撲關系圖追蹤滲流路徑，得到有效流體通道數據；對有效流體通道數據進行數值積分與統計歸一化處理，得到孔隙連通性指數； 步驟S32：基于孔隙分形維度特征數據尺度定性分析微觀孔隙結構，得到孔隙復雜度初始評分；將孔隙復雜度初始評分與微孔隙度分布數據進行加權融合，得到初始孔隙結構復雜度指標；通過多孔介質壓汞儀對初始孔隙結構復雜度指標進行實驗驗證與校準，得到修正孔隙結構復雜度指標； 步驟S33：基于儲層宏觀孔隙度數據及孔隙連通性指數構建儲層流體儲存能力評估模型，生成儲層容量因子；對完整巖心數據中的滲透率數據與孔隙連通性指數進行相關性分析，得到滲流能力因子；對儲層容量因子及滲流能力因子進行多目標優化整合，得到儲層品質因子； 步驟S34：基于流體類型分布數據與儲層宏觀孔隙度數據解析巖-流相互作用，得到濕潤性評估結果；對濕潤性評估結果與修正孔隙結構復雜度指標進行多變量回歸，得到巖性控制系數；基于儲層孔隙幾何形態參數及孔隙類型分類結果識別空間變異性，生成空間變異系數；對空間變異系數進行層序約束處理，得到非均質性指標； 步驟S35：對儲層品質因子、巖性控制系數及非均質性指標進行層次分析法權重分配，得到指標權重矩陣；基于指標權重矩陣加權融合各評價指標，得到儲層綜合評價分值；對儲層綜合評價分值進行量化分級，得到儲層評價指標數據集； 步驟S4：將儲層評價指標數據集按層段劃分為訓練集、驗證集及測試集；利用訓練集構建一維卷積神經網絡模型的基礎結構，并引入地質注意力機制，得到地質注意力增強神經網絡； 步驟S5：對地質注意力增強神經網絡進行弱監督信號引導，得到地質知識約束注意力網絡；通過生成對抗網絡對訓練集進行小樣本儲層累并的數據合成擴充，得到平衡訓練數據集；利用地質知識約束注意力網絡及平衡訓練數據集執行深度學習模型訓練，并基于驗證集進行超參數優化及性能監控，得到候選模型； 步驟S6：利用測試集對候選模型進行性能評估與調優，得到初始儲層評價模型；將預設SZ3框架與初始儲層評價模型集成，生成最終儲層評價模型。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人中國地質科學院地質力學研究所，其通訊地址為：100081 北京市海淀區民族大學南路11號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。