1.用于砂岩铀矿的测井曲线响应分析方法，其特征在于，包括步骤：S1，根据历史数据，构建关于钻井深度值与多种仪器测量值的测井曲线；

S2，根据所述测井曲线，计算不同的测井曲线对不同砂岩铀矿地质成分的响应程度；

S3，根据所述响应程度优化预设神经网络模型的损失函数，生成最优的分析模型；

S4，响应于待分析的测井曲线被获取，根据所述分析模型，生成测井曲线响应的分析结果；

所述根据所述测井曲线，计算不同的测井曲线对不同砂岩铀矿地质成分的响应程度，包括步骤：计算第一向量与第二向量，所述第一向量由多个深度数据中所有的测井曲线值组成，所述第二向量由深度数据中不同砂岩铀矿地质成分占比值组成；

根据所述第一向量及第二向量，计算相似性系数，计算公式为：；

其中， 为 与 之间的相似性系数， 为第i条深度数据中第r个测井曲线的值， 为第i条深度数据中第s种砂岩铀矿地质成分的占比值， 为第i条深度数据中砂岩铀矿地质成分的峰强系数，峰强系数为第二向量中的成分占比值作为概率值计算获得的信息熵值；

根据相似性系数，获得相似性系数矩阵；

计算所述相似性系数矩阵中多个元素位置的响应程度值；

根据所述响应程度值构建响应程度矩阵，所述响应程度矩阵中的多个元素值分别表示不同测井曲线对砂岩铀矿成分的响应程度值；

计算所述相似性系数矩阵中多个元素位置的响应程度值，包括步骤：获得相似性系数序列，将相似性系数矩阵中元素位置所出现的元素值组成多个相似性系数序列；

根据聚类算法，划分所述相似性系数序列为多个类别；

计算获取每一类别内相似性系数的均值；

根据所有类别的所述均值的最大值，得到元素位置的响应程度值；

根据所述响应程度优化预设神经网络模型的损失函数，生成最优的分析模型中，优化过的损失函数的表达式为：；

其中， 为优化后的损失函数值， 为当前训练轮次下神经网络模型对数据集中砂岩铀矿组成成分预测的向量值， 为当前训练轮次下神经网络模型在数据集中输入数据对应的砂岩铀矿组成成分的标签向量值， 为钻井的第i个深度数据对应的测井曲线数据序列， 为钻井的所在地理位置下不同测井曲线对不同砂岩铀矿的组成成分的响应程度值；

损失函数的优化中，使用随机梯度下降法，使神经网络模型通过反馈更新网络权重，使损失函数的数值下降。

2.根据权利要求1所述的用于砂岩铀矿的测井曲线响应分析方法，其特征在于，所述测井曲线包括：自然伽马测井曲线、电阻率测井曲线、声波时差测井曲线、中子测井曲线、密度测井曲线及微电阻测井曲线中的至少两种。