[发明专利]质量色谱图的自动化解释模型构建方法、装置和电子设备

说明书

本申请提供一种质量色谱图的自动化解释模型构建方法、装置和电子设备，通过获取多个样品分别对应的质量色谱图，对各质量色谱图进行处理获得对应的特征数据，并计算得到各特征数据的样本标签，利用携带样本标签的特征数据对构建的神经网络模型进行训练，直至满足预设要求时得到解释模型，该解释模型可用于对待处理的质量色谱图进行自动化信息解析分析。该方案采用机器学习的方式，通过获得特征数据和样本标签以训练得到解释模型，从而可用于自动化地实现质量色谱资料的分析和解释，可以支持提取质量色谱图的更多特征、反映更全面信息、实现高维度的分析的目的。

技术领域

本发明涉及自动化处理技术领域，具体而言，涉及一种质量色谱图的自动化解释模型构建方法、装置和电子设备。

背景技术

气象色谱-质谱分析(GC-MS)是石油勘探重要的分析测试手段。GC-MS系统通过色谱仪对混合有机物的分离、质谱仪对分子结构的鉴定从而实现对石油中许多化合物的识别和定量。质量色谱图是GC-MS分析获得的原始资料，它由一根波动起伏的曲线构成，各种凸起峰反映着仪器对于不同化合物的响应，峰的面积(或高度)则反映化合物的含量。以这一资料为依据，石油地球化学工作者能够分析出石油及沉积物中有机质的年代、母质类型、热成熟度等信息，进而为石油勘探过程中的成熟度评价、油源对比等工作提供重要的参考。

在现有的技术方法下，质量色谱图无法直接用于石油勘探的相关工作，它们需要经过地球化学或分析化学技术人员人工地处理和解释，一般的流程包含峰标注、识别化合物、积分计算峰面积、形成分析报告等一系列繁琐的操作，最终算得诸如甾烷C₂₉αα20S/(20S+20R)、萜烷Ts/Tm及Ga/C₃₀αβ等用于描述样品石油地球化学特征的参数。因此，在现有的技术方法下，质量色谱图严重地依赖专业人员的人工解读，处理流程繁琐费时，具有很高的技术和使用门槛，一定程度上限制了这种资料的广泛使用。并且，由于受限于人工分析方式，对于石油这类非常复杂的混合物，在实际工作和研究中往往只能使用其中较少数量的典型的化合物，导致降低了解释结果以及后续研究的准确性的缺陷。

发明内容

本发明的目的包括，例如，提供了一种质量色谱图的自动化解释模型构建方法、装置和电子设备，其能够针对质量色谱图实现提取更多特征、反映更全面信息和实现高维度分析的目的。

本发明的实施例可以这样实现：

第一方面，本发明提供一种质量色谱图的自动化解释模型构建方法，所述方法包括：

获取多个样品分别对应的质量色谱图；

对各所述质量色谱图进行处理，获得对应的特征数据；

计算得到各所述特征数据的样本标签；

利用携带样本标签的特征数据对构建的神经网络模型进行训练，直至满足预设要求时得到解释模型，该解释模型可用于对待处理的质量色谱图进行自动化信息解析分析。

在可选的实施方式中，各所述质量色谱图中包含色谱曲线；

所述对各所述质量色谱图进行处理，获得对应的特征数据的步骤，包括：

针对各所述质量色谱图中的色谱曲线，提取所述色谱曲线中包含的各曲线点的坐标数据；

基于所述色谱曲线的多个坐标数据构成相应的特征数据。

在可选的实施方式中，所述提取所述色谱曲线中包含的各曲线点的坐标数据的步骤，包括：

遍历所述色谱曲线包含的各个曲线点，并获得各所述曲线点的灰度值；

提取出灰度值满足预设要求的曲线点，并获得提取出的曲线点的纵轴方向的坐标数据。

在可选的实施方式中，各所述样品对应的质量色谱图包含多张质量子色谱图，各所述质量子色谱图具有不同的质荷比；