本发明涉及油气地质勘探，尤其涉及基于sa-rbf神经网络模型的古水深推测方法。
背景技术：
1、在古地理研究中，古水深的推断对于理解古代环境、气候和生物演化具有重要意义。并且，古水深的判识对油气地质研究中烃源岩发育具有重要的指示意义。目前古水深的推断的主要方法是定性与定量两类，其中定性法主要依赖古环境或古地貌特征，常见有沉积学方法、微体古生物、测井识别、沉积构造等方法，由于定性方法通常只能提供大致的古水深范围或相对深度，而无法给出精确的数值，这对于需要高精度数据的研究来说可能是不够的，并且受沉积物的沉积、保存和后期变化等多种因素的影响，会使沉积物中的古水深信息变得复杂和难以解释。定量法常见有古生物标志法、地球化学方法、基于米兰科维奇旋回的古水深定量恢复方法和湖泊水深定量还原方法。由于定量方法通常基于复杂的数学模型和算法，其结果解释和验证需要深厚的专业知识和经验，这可能导致不同研究者得出不同结论且精度不高。
2、前人研究证明在泥页岩的形成过程中，磷元素往往以有机质的形式富集。随着水深的增加，有机质的降解速率会减慢，导致磷元素富集度的升高，导致在不同古地貌环境下，磷元素值存在明显差异。因此现有方法中选取磷元素(p)和总有机碳含量(toc)为预测因子，对古水深进行预测和研究，但是该方法的预测精度也较低。
技术实现思路
1、为了解决现有古水深推测方法的推测结果精度较低的问题，本发明提出基于sa-rbf神经网络模型的古水深推测方法，解决上述问题。
2、本技术公开了基于sa-rbf神经网络模型的古水深推测方法，包括以下步骤：
3、s1、获取与古水深相关的地球化学数据和地球物理数据，并进行初步筛选与整理；
4、s2、对s1获取的数据进行预处理，并将数据划分为训练集和测试集；
5、s3、以径向基函数(radial basis function,rbf)神经网络为基础，使用模拟退火算法(simulated annealing，sa)对径向基函数神经网络进行优化，建立sa-rbf神经网络，利用训练集对sa-rbf神经网络进行训练，得到古水深推测模型；
6、s4、利用测试集验证古水深推测模型，判断验证结果是否满足预设精度要求，若满足，则得到最优古水深推测模型，若不满足，则迭代更新古水深推测模型；
7、s5、使用s4获得的最优古水深推测模型对古水深进行推测。
8、优选的，所述地球化学数据包括磷元素含量、铝元素含量、铁元素含量、硅元素含量和氧同位素比值δ18o；所述地球物理数据包括自然伽马、自然电位和补偿中子。
9、优选的，所述预处理包括数据清洗、异常值处理和缺乏值填充。
10、优选的，所述s3包括以下步骤：
11、s31、确定径向基函数神经网络的结构，所述径向基函数神经网络包括输入层、隐含层和输出层，隐含层神经元个数由经验公式计算得出，将训练集数据和测试集数据输入径向基函数神经网络并进行数据归一化；
12、s32、网络参数设置，设径向基函数神经网络输入层到隐含层的激活函数为f(x)，设径向基函数神经网络隐含层到输出层激活函数为g(x)，设初始温度为t0，设最小温度tmin为算法终止条件，设每个温度下的迭代次数为lk，设目标函数可接受最小误差ε为终止条件，由状态产生函数随机生成初始权值矩阵w以及初始阈值矩阵b；
13、s33、信息正向传递，根据输入数据、初始权值矩阵w、初始阈值矩阵b和激活函数正向传递计算预测值，并计算预测值与真实值的初始均方误差mse_0；
14、s34、内循环迭代，执行s35至s37，迭代次数lk＝1,2，…；
15、s35、产生新解前向传递，根据扰动函数产生新的权值矩阵w_new和新的阈值矩阵b_new，将新的权值矩阵w_new和新的阈值矩阵b_new经过激活函数正向传递，并计算新的均方误差mse_new；
16、s36、判断是否接受新解，计算δmse＝mse_new-mse_0，判断δmse是否小于0，若δmse小于0，则接受新解w_new和b_new为当前解，否则以概率p＝exp(-δmse/t)接受新解w_new和b_new为当前解，接受新解后更新mse_0；
17、s37、判断当前温度t下是否达到迭代次数lk，若未达到则返回s34，若达到则判断δmse是否小于目标函数可接受最小误差ε，若δmse小于目标函数可接受最小误差ε，则停止当前温度下的内循环迭代，并输出当前解为最优解，前向传播，输出结果，否则执行s38；
18、s38、外循环退温，根据退温函数降低温度t，迭代温度t逐渐趋向于0，然后转至s34；
19、s39、输出结果，输出最小均方误差所对应的权值和阈值，信息正向传递，求出预测值。
20、优选的，所述隐含层神经元个数的计算公式如下：
21、
22、其中，p为输入层神经元个数，m为输出层神经元个数，con为[1,10]之间的自然数。
23、优选的，所述目标函数为预测值与真实值的均方误差，即目标函数为：
24、
25、其中，zk为真实值，yk为预测值，d为输出数据中每个维度下的数据个数。
26、优选的，所述扰动函数如下：
27、
28、其中，随机生成一组数(y1,y2,···,yn)，yi服从n(0,1)，t为当前温度；
29、检验是否满足若满足，则令若或则令：
30、
31、其中，r为[0,1]之间均匀分布的随机数，即r∈rand[0,1]。
32、优选的，所述退温函数如下：
33、tn＝an*t0,t(n+1)＝a*tn＝an+1*t0；
34、其中，a为玻尔兹曼常数，n为模拟退火算法外循环的循环次数。
35、优选的，所述验证古水深推测模型包括以下步骤：
36、s41、准备测试集数据并进行加载与预处理，所述预处理包括归一化与编码；
37、s42、使用s3获得的古水深推测模型对测试集数据进行预测；
38、s43、对于测试集中的每个样本数据，记录古水深推测模型的输出，并将其与真实值进行比较；
39、s44、根据评估指标泛化能力与稳定性的结果，分析古水深推测模型的性能，得到验证结果。
40、优选的，所述古水深推测模型的评估指标包括均方根误差、相对误差以及平均相对误差；
41、所述均方根误差的计算公式为：
42、
43、所述相对误差的计算公式为：
44、
45、所述平均相对误差的计算公式为：
46、
47、其中，为训练集中第i个样本点的模型推测结果，yi为训练集中第i个样本点的实际观测值，n为训练集中样本点的总数。
48、本发明的有益效果：
49、本发明采用模拟退火算法(sa)对径向基函数(rbf)神经网络模型预测效果的参数进行优化处理，构建sa—rbf神经网络模型，从而推测古水深，使rbf神经网络模型的泛化能力和预测精确度有效提高。帮助研究人员更好地判断深部地层中烃源岩的发育特征，从而为油气资源评价提供科学依据。
1.基于sa-rbf神经网络模型的古水深推测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于sa-rbf神经网络模型的古水深推测方法，其特征在于，所述地球化学数据包括磷元素含量、铝元素含量、铁元素含量、硅元素含量和氧同位素比值δ18o；所述地球物理数据包括自然伽马、自然电位和补偿中子。
3.根据权利要求2所述的基于sa-rbf神经网络模型的古水深推测方法，其特征在于，所述预处理包括数据清洗、异常值处理和缺乏值填充。
4.根据权利要求3所述的基于sa-rbf神经网络模型的古水深推测方法，其特征在于，所述s3包括以下步骤：
5.根据权利要求4所述的基于sa-rbf神经网络模型的古水深推测方法，其特征在于，所述隐含层神经元个数的计算公式如下：
6.根据权利要求5所述的基于sa-rbf神经网络模型的古水深推测方法，其特征在于，所述目标函数为预测值与真实值的均方误差，即目标函数为：
7.根据权利要求6所述的基于sa-rbf神经网络模型的古水深推测方法，其特征在于，所述扰动函数如下：
8.根据权利要求7所述的基于sa-rbf神经网络模型的古水深推测方法，其特征在于，所述退温函数如下：
9.根据权利要求8所述的基于sa-rbf神经网络模型的古水深推测方法，其特征在于，所述验证古水深推测模型包括以下步骤：
10.根据权利要求9所述的基于sa-rbf神经网络模型的古水深推测方法，其特征在于，所述古水深推测模型的评估指标包括均方根误差、相对误差以及平均相对误差；
