引用本文
娄林, 彭杰师, 李哲, 李蕤竹, 张博, 王铎. 基于深度学习的岩性智能归位方法——以中佳区块ZJ 143井为例[J]. 录井工程, 2026,37(2): 27-33.
LOU Lin, PENG Jieshi, LI Zhe, LI Ruizhu, ZHANG Bo, WANG Duo. Intelligent lithology homing method based on deep learning：Taking well ZJ 143 in Zhongjia Block as an example[J]. Mud Logging Engineering, 2026,37(2): 27-33.
Doi:10.3969/j.issn.1672-9803.2026.02.004  
Permissions
Copyright©, 《录井工程》杂志社
《录井工程》杂志社 所有
基于深度学习的岩性智能归位方法——以中佳区块ZJ 143井为例
娄林①, 彭杰师②, 李哲①, 李蕤竹③, 张博④, 王铎④
①中国石油新疆油田公司勘探事业部
②中国石油西部钻探地质研究院
③南开大学（津南校区）密码与网络空间安全学院
④中国石油新疆油田公司玛湖勘探开发项目部

作者简介：娄林 工程师，1992年生，2018年毕业于俄罗斯国立石油天然气大学（古勃金）地质工程专业，现在中国石油新疆油田公司勘探事业部主要从事地质资源与地质工程研究工作。通信地址：834000 新疆克拉玛依市克拉玛依区迎宾街道新兴路218号。E-mail：464901905@qq.com

收稿日期: 2026-04-20
摘要

在油气勘探与开发过程中,准确识别地层岩性是评价储层、识别含油气层和指导钻井施工的基础工作。传统岩性识别成本高、周期长、空间连续性差,难以满足现代高效勘探的需求,因而,亟需借助地球物理资料构建高效、自动化的岩性识别方法。基于此,将U-Net网络与残差网络相结合,利用测井数据对岩性进行归位,旨在通过深度学习模型,减少人工工作量,提高识别精度及效率。在模型中引入残差块以提升特征提取的效率与稳定性,引入注意力模块以提升对岩性边界的敏感性。此外,相较于传统的处理流程,在数据预处理阶段对测井曲线进行标准化处理,并通过统计中值提取的方式构建深度切片数据集,增强模型的泛化能力与可解释性。研究结果表明,相比于传统的人工岩性归位,基于深度学习的岩性智能归位结果具有划分精度高、界面识别准确等优势。该方法在中佳区块ZJ 143井进行应用,识别准确率为93.8%,较人工岩性归位提速6~8倍。

关键词: 录井工程; 数智化录井; 岩性归位; 深度学习; 测井曲线; 中佳区块
中图分类号:TE132.1 文献标志码:A
Intelligent lithology homing method based on deep learning：Taking well ZJ 143 in Zhongjia Block as an example
LOU Lin①, PENG Jieshi②, LI Zhe①, LI Ruizhu③, ZHANG Bo④, WANG Duo④
① Exploration Division of PetroChina Xinjiang Oilfield Company,Karamay,Xinjiang 834000,China
② Geological Research Institute of Xibu Drilling Engineering Company Limited,CNPC,Karamay,Xinjiang 834000,China
③ College of Cryptography and Network Space Security,Nankai University （Jinnan Campus）,Tianjin 300350,China
④ Mahu Exploration and Development Project Department,PetroChina Xinjiang Oilfield Company,Karamay,Xinjiang 834000,China
Abstract

During oil and gas exploration and development,accurate identification of formation lithology serves as the fundamental work for reservoir evaluation,hydrocarbon-bearing zone identification,and drilling operation guidance. Traditional lithology identification methods suffer from high cost,long cycle time,and poor spatial continuity,making it difficult to meet the demands of modern high-efficiency exploration. Therefore,it is urgent to develop an efficient and automated lithology identification method using geophysical data. To this end,this study integrates the U-Net network with a residual network to perform lithology homing using well logging data,aiming to reduce manual workload and improve identification accuracy and efficiency through deep learning models. The residual blocks introduced into the model to enhance the efficiency and stability of feature extraction,while the attention module improved sensitivity to lithological boundaries. Moreover,compared with traditional processing workflows,the well logging curves are standardized during the data preprocessing stage,and a depth-slice dataset is constructed via statistical median extraction to enhance the model′s generalization ability and interpretability. The research results indicate that,compared with traditional manual lithology homing,the deep learning-based method offers advantages such as higher classification accuracy and more precise homing identification. The method was applied to well ZJ 143 in the Zhongjia Block,achieving an identification accuracy of 93.8% and a speed increase of 6-8 times compared to manual interpretation.

Keyword: mud logging engineering; digital and intelligent mud logging; lithology homing; deep learning; log; Zhongjia Block
0 引言

在油气勘探开发过程中, 岩性识别作为地质解释与储层评价的重要环节, 对预测油气藏与减少钻探风险具有重要意义。传统岩性识别方法主要依赖岩心资料和人工解释测井曲线, 存在主观性强、成本高、周期长、空间连续性差等局限, 而且难以满足复杂地质条件下的岩性快速识别与自动化需求。

许多研究人员使用传统机器学习算法提取特征, 如支持向量机（SVM）、决策树等[1, 2, 3, 4, 5, 6, 7], 通过人工选择测井曲线的统计特征作为输入进行岩性分类。然而, 这类方法高度依赖统计特征, 不仅存在主观性强、效率低下的问题, 在面对地质构造复杂、多尺度变化显著的测井数据时, 泛化能力和识别精度也难以满足实际应用需求[8]。

深度学习（Deep learning, DL）作为人工智能（Artificial intelligence, AI）领域的一种热门的机器学习技术, 在图像分类和语音识别方面已取得了重大突破[9]。鉴于深度学习在图像分类识别中的应用优势, 目前许多学者将深度学习应用于油气勘探的诸多领域：张志厚等[10]基于深度学习提出了一种瑞雷波频散曲线的反演方法, 具有较高的计算精度和良好的鲁棒性, 并将其运用于实际同震地表破裂带的瑞雷波勘探中; 汪敏等[11]设计了一种深度Transformer迁移学习网络, 通过已有工区的测井与岩心资料构建预测模型, 实现未取心新工区储层参数快速准确预测; 董文豪等[12]采用迁移学习方法进行岩性分类识别并取得了较好的结果。相比传统机器学习算法, 深度学习技术具有端到端建模和自动特征提取能力[13], 能够从原始测井曲线中挖掘复杂的非线性特征关系[14, 15, 16, 17, 18]。因此, 基于测井曲线的智能岩性识别方法成为当前研究的重点方向[19]。

针对测井数据非线性、高维和局部变化复杂的特征, 本文设计了一种融合残差结构与注意力机制的一维U-Net深度学习模型。该模型基于8条常规测井曲线（自然伽马、深电阻率、浅电阻率、微球电阻率、密度、井径、补偿中子、声波时差）构建岩性识别特征空间, 全面刻画地层的物理响应特征。模型中引入的残差块可缓解深层网络训练中的梯度消失问题, 提升特征提取的效率与稳定性; 注意力模块则能动态聚焦关键层段的测井响应特征, 提升对岩性边界的敏感性。在数据预处理阶段, 对测井曲线进行标准化处理, 并通过统计中值提取的方式构建深度切片数据集, 以增强模型的泛化能力与可解释性。在此基础上, 充分利用已有岩性标注, 实现模型在不同岩性类型间的有效判别, 为储层识别与地质分层提供高效辅助。

1 区块简介
1.1 区域构造演化特征

中拐凸起位于准噶尔盆地西部隆起区, 呈北西-南东向鼻状隆起, 北侧与克百断裂带相邻, 西侧紧邻红车断裂带, 东接巴松凸起, 南部斜坡位于红车断裂带下盘, 为二叠系至侏罗系缓倾鼻状构造, 地势西北高、东南低。由于地处构造转换关键部位, 被玛湖凹陷、沙湾凹陷及P 1井西凹陷三大富烃凹陷环绕, 为长期油气运移优势指向区。中佳区块位于中拐凸起西北部, 发育宽缓鼻隆、连通性断裂及构造-地层复合型圈闭, 成藏条件优越。

1.2 区域地层发育及接触关系特征

中佳区块在石炭系基底之上发育的地层自下而上为：二叠系佳木河组（P1j）、上乌尔禾组（P3w）, 三叠系百口泉组（T1b）、克拉玛依组（T2k）、白碱滩组（T3b）, 侏罗系八道湾组（J1b）、三工河组（J1s）、西山窑组（J2x）, 白垩系吐谷鲁群（K1tg）、东沟组（K2d）和古近系（E）。二叠系缺失风城组、夏子街组和下乌尔禾组, 上乌尔禾组直接覆盖在佳木河组之上, 两者之间为不整合接触; 佳木河组在该区主要发育佳木河组一段和佳木河组二段, 缺失佳木河组三段。二叠系与三叠系、三叠系与侏罗系、侏罗系与白垩系之间为区域性不整合接触。

1.3 区域地层岩性特征

纵向上二叠系佳木河组以上地层为常规碎屑岩组合, 主要代表岩性有泥岩、粉砂质泥岩、泥质粉砂岩、泥质细砂岩、砂砾岩、细砂岩。佳木河组岩性以火山碎屑岩为主, 主要发育凝灰质砂砾岩夹少量凝灰质泥岩。吐谷鲁群上部为褐色泥岩、粉砂质泥岩与灰色泥质粉砂岩互层, 中下部以褐色泥岩为主, 底部为灰色含砾细砂岩。西山窑组以灰色含砾细砂岩为主, 夹泥岩。三工河组上、中、下部分别以泥岩、砂岩及泥岩为主。八道湾组上部为泥岩与细砂岩、煤互层, 中部以泥岩为主夹煤, 下部以砂砾岩为主夹煤。白碱滩组以泥岩为主。克拉玛依组上部含煤, 下部为褐色泥岩。百口泉组为砂砾岩, 顶部为泥岩。上乌尔禾组以褐色泥岩为主。佳木河组主要为凝灰质砂砾岩。

2 数据处理

岩性智能归位依赖高质量的样本数据支撑智能算法训练, 本研究选取中佳区块ZJ 143井附近10口井、每口井8条曲线, 共80条测井曲线用于模型训练。由于岩性组合体深度、厚度不一, 且各类岩性样本数据不平衡, 使用分层K折交叉验证法对训练集、验证集及测试集进行划分。在划分时, 确保每一折（即交叉验证中划分得到的子数据集）中各个类别的比例与原始数据集中的比例相同, 有效避免了因随机划分导致某些折中部分岩性类别样本过少或没有的情况, 从而可使评估更加准确。

考虑到实际录井工作中通常以2 m为单位进行岩性分析, 因此通过以2 m为滑窗的方式对深度区间进行聚合, 并计算区间内各类特征的中位数作为该区间的代表特征值, 以贴合实际需求。数据处理包括特征选取、特征标准化与数据平衡。

2.1 特征选取

为了进一步提高模型的泛化能力并降低冗余特征对分类器的干扰, 本研究采用单因素方差分析（ANOVA F-test）法进行特征筛选。具体步骤如下：

（1）将数据集拆分为特征矩阵 X（包含所有测井曲线特征）和标签向量 y（岩性类别）。其中特征矩阵 X∈Rn×d（共 n个样本、 d个原始特征, n、d用于表示矩阵的维度）, 该式表明“ 特征矩阵 X是一个实数域上n行d列的矩阵” ; 标签向量 y∈[0，1，···，C-1]（ C为岩性类型个数）, 表示岩性类型。

（2）采用ANOVA F-test计算每个特征与岩性标签之间的F分数。F分数表征了在不同岩性类别间的特征区分能力, 其值越高, 区分能力越强。

（3）使用SelectBest（选择最优特征）方法选取F分数最高的8个特征作为训练数据, 构成特征子集。

该方法可以去除噪声较多或区分度不高的特征, 有助于提升模型在小样本条件下的表现。

2.2 特征标准化

为了消除不同测井曲线之间数值尺度不一致的影响, 使用Z-score标准化方法对所选特征进行标准化处理。公式如下：

xi'=xi-μσ

式中： xi'为特征标准化值; xi为原始特征值; μ和 σ分别为特征的均值和标准差。

该步骤确保每个输入特征服从标准正态分布, 有助于加快神经网络的收敛速度, 并避免某些特征因尺度过大对模型训练产生主导影响。

2.3 数据平衡

为缓解岩性识别中存在的类别不平衡问题, 本研究采用SMOTE（Synthetic Minority Over-sampling Technique）过采样算法对训练数据集进行处理。该方法通过生成新的少数类样本, 在不重复已有样本的基础上平衡各类样本数量, 从而提高模型对少数类的学习能力, 避免出现预测偏倚。

SMOTE是一种基于插值的过采样方法, 通过在特征空间中, 针对每个少数类样本, 从其 k个最近邻中随机选取一个邻居, 按照一定的线性插值策略生成新样本。如： αi为某一个少数类样本、 αi（nn）为其随机选取的一个 k近邻样本、 δ∈0，1为在邻域之间随机生成的权重因子, 则新生成样本 αnew可表示为：

αnew=αi+δ（αi（nn）-αi）

该插值公式实质上是在少数类样本之间建立“ 连线” , 并在这条连线上随机选取新点, 从而在原样本分布的局部区域中扩充数据分布, 提高样本多样性。

本研究设置SMOTE的随机种子为42, 以确保实验结果的可重复性。过采样操作在进行特征选择与归一化之后执行, 以保证插值后的新样本在同一特征空间尺度下具有合理性。

3 模型原理、结构与算法

本研究提出一种基于一维U-Net、残差网络（ResNet）与注意力机制（Attention）融合的深度神经网络结构, 用于测井数据的岩性自动分类[20, 21]。该模型结合了时序建模能力、特征保留能力与语义聚焦能力[22], 提升了在多类岩性识别中的准确性与鲁棒性。

3.1 原理

一维U-Net是基于经典U-Net架构改进的序列数据处理网络[23]。该模型采用对称的编码器-解码器结构, 编码器通过卷积和下采样提取多层特征, 解码器通过上采样恢复序列分辨率。一维U-Net通过跳跃连接机制, 实现了将编码器的高分辨率细节特征与解码器的深层语义特征直接融合, 有效解决了深度网络中信息丢失问题。将该模型用于测井岩性识别能够在保持深层语义理解的同时保留局部细节特征。

残差网络通过引入残差学习框架, 有效缓解了深度网络梯度消失问题[24]。其核心是残差块结构, 通过“ 快捷连接” 将输入直接传递至输出层, 使网络只需要学习输入与输出之间的残差映射。在本研究中, 通过使用残差块作为基础构建单元, 显著增强了模型的特征提取能力与训练稳定性。

注意力机制模仿人类视觉认知, 通过动态分配计算资源使模型聚焦于关键信息[25]。在岩性识别任务中, 注意力机制能够自主学习测井曲线不同深度点对当前岩性分类的贡献程度, 使模型在处理长序列时保持对关键层段的关注。

3.2 网络结构设计

3.2.1 Encoder（编码器）

编码器由多个一维残差块组成, 每个残差块包含两个卷积层和一条跳跃连接（shortcut）, 用于提取局部深度域特征并缓解梯度消失问题。每次下采样通过MaxPooling1D实现, 逐层缩小序列长度、加深语义信息。残差块通过引入快捷连接, 将输入特征与卷积输出进行融合, 使网络在加深的同时能够保持训练稳定并提高特征提取能力。

3.2.2 Attention模块（注意力模块）

在编码器的最底层添加注意力机制, 增强模型对关键特征通道的关注。该模块通过对特征进行自适应加权, 强化对岩性识别有贡献的关键信息, 同时抑制无关或冗余特征, 从而提升模型的表达能力。

3.2.3 Decoder（解码器）

解码器对编码后的高阶语义特征进行上采样（UpSampling1D）, 并拼接对应层的编码特征（跳跃连接）, 以实现更细粒度的还原。解码器每一层同样使用残差块精炼特征, 最终通过一维全局平均池化和全连接层结合Softmax激活函数输出分类概率。

3.3 模型的前向计算逻辑

3.3.1 特征提取与下采样

输入信号为一维深度序列或测井曲线特征, 记为 X∈RT×C（ T为深度采样点数, C为通道数）。编码器通过多个残差块与下采样交替堆叠, 逐步提取并压缩特征。每个残差块通过卷积运算提取局部深度特征, 并通过快捷连接将输入特征直接传递至输出端, 从而在加深网络的同时缓解梯度消失问题。随着网络加深, 通过下采样逐步降低序列分辨率、扩大感受野, 使模型能够学习不同深度尺度下的岩性响应特征。

3.3.2 特征融合与上采样

编码器最深层语义特征首先经注意力模块进行重加权, 以增强关键信息。随后, 解码器通过逐层上采样逐步恢复序列分辨率, 并与编码器对应层通过跳跃连接提供的浅层高分辨率特征进行拼接融合。融合后的特征再经残差块精炼, 逐步重建空间细节, 从而在解码阶段能兼顾深层语义和局部边界信息。

3.3.3 分类输出

解码器输出的最终特征通过全局池化压缩为特征向量, 并通过全连接层映射为各岩性类别的概率分布。最终输出为各岩性类别的预测概率, 所有类别概率之和为1。在实际分类时, 选择概率最大的类别作为最终岩性识别结果, 实现对多种岩性的自动识别。

4 模型建立

依据中佳区块ZJ 143井附近10口井的测井数据, 首先对原始数据进行预处理, 并通过特征选取优选出自然伽马、深电阻率、浅电阻率、微球电阻率、密度、井径、补偿中子及声波时差8个关键特征。随后, 对所选特征进行标准化处理, 以消除不同特征之间量纲差异的影响, 并采用数据平衡方法对样本分布进行优化。

在此基础上, 构建了基于一维U-Net、残差网络与注意力机制融合的深度学习岩性智能归位模型, 并通过分层K折交叉验证对模型进行训练与评估。模型能够充分挖掘测井曲线中的非线性特征关系, 实现对不同岩性类别的有效区分。最终, 所建立模型可对中佳区块8种常见岩性（泥岩、粉砂质泥岩、泥质粉砂岩、泥质细砂岩、砂砾岩、细砂岩、凝灰质砂砾岩及凝灰质泥岩）进行自动化识别。整体流程如图1所示。

图1 模型流程图

5 模型评估及应用

本研究从训练集和验证集两个角度对模型性能进行评估, 并通过在ZJ 143井的应用进行验证。为全面衡量模型在岩性自动识别任务中的表现, 采用准确率与损失函数作为评价指标, 以评估模型的分类精度与收敛状态。

5.1 模型评估

本研究中采用以下标准指标评估模型性能：准确率（Accuracy）, 衡量预测正确的样本比例; 损失函数（loss）, 采用sparse categorical cross entropy（稀疏分类交叉熵）作为多类交叉熵损失。利用训练过程可视化指标, 绘制训练集和验证集准确率、损失曲线, 观察是否存在过拟合或欠拟合现象。

训练过程共执行200轮（Epochs）, 使用RMSprop优化器进行优化, batch size（批次大小）为64, 训练集不打乱顺序（shuffle=False）。训练过程曲线见图2。

图2 训练过程曲线

从准确率曲线可以看出, 在训练初期（前25轮）准确率迅速提升, 从约50%上升至约80%, 并在第75轮前后趋于稳定, 最终训练集准确率接近90%。验证集准确率与训练集准确率基本同步增长, 波动较小, 最终稳定在略低于训练集准确率的水平（约80%）, 表明模型具有良好的泛化能力, 未出现明显过拟合。

从损失曲线观察, 训练损失在前50轮快速下降, 之后下降速度减缓并逐渐收敛。且验证集损失与训练集损失趋势一致, 均未出现显著上升, 进一步验证了模型的稳定性。

综合来看, 该模型在训练过程中表现稳健, 学习效率较高, 且在验证集上保持了较好的泛化性能, 未出现过拟合现象。

5.2 识别结果

经ZJ 143井1578个样本人工岩性归位与深度学习岩性归位效果对比可知（图3）, 深度学习岩性归位的结果整体上与人工岩性归位结果相似, 符合地层沉积规律, 深度学习的归位准确率达93.8%, 而且在进行岩性归位时具有更细的划分精度。传统人工归位通常需要3~4 h才可以完成, 本方法在数据集收集完毕的前提下仅需20~30 min即可完成归位, 较人工归位提速6~8倍, 大幅减轻现场工作量。如图3所示, 本方法在识别上乌尔禾组与佳木河组地层分界面时表现出较高的识别准确率。该识别结果与人工归位结论、常规测井及气测曲线均展现出良好的对应性与一致性。本方法对于上乌尔禾组砂层段的解释符合率亦较高。

图3 ZJ 143井录测综合解释及人工归位与机器学习归位岩性对比

佳木河组主体岩性为凝灰质砂砾岩, 本方法对该套地层的岩性识别精度表现突出。值得注意的是, 在深度4 420 m处, 本方法识别并解释为一层凝灰质泥岩, 而该层位在同期的人工解释中未被明确标注, 该深度为解释结论中差油层与油水同层的分界位置。由于本方法在模型训练阶段只应用了测井数据, 并未引入气测数据及钻时等随钻实时参数, 其在该深度独立识别出的凝灰质泥岩层及其对应的界面位置, 为利用录测井资料辅助识别油气水界面提供了有价值的参考依据, 展现出该方法在储层流体性质判别方面具有一定的应用潜力。

6 结论

基于深度学习的岩性智能归位方法在保持较高识别精度的同时, 具备良好的鲁棒性和实用性, 与传统的人工岩性归位相比, 基于深度学习的智能归位方法岩性归位的结果具有划分精度、地质规律一致性以及界面识别准确性高等优势, 能够为地质勘探中的储层识别和地质分层提供高效辅助, 具有重要的工程应用前景与推广价值。同时, 本方法使用的模型可拓展应用于钻时风险预报及储层解释评价。然而该方法仍存在一定的缺陷：

（1）在准确率上仍有不足, 且对火成岩识别效果有待提升, 需加大样本数据量以实现更准确识别。

（2）目前该方法只能应用于中佳区块, 其他区块应用效果不佳。若需应用到其他区块需重新建立模型, 后期将对该部分进行完善。

编辑 陈娟

参考文献
[1] 刘君毅, 王清辉, 冯进, 等. 测录井融合潜山储层复杂岩性随机森林识别方法: 以珠江口盆地惠州26-6构造为例[J]. 长江大学学报(自然科学版), 2025, 22(2): 18-27.
LIU Junyi, WANG Qinghui, FENG Jin, et al. Comprehensive lithology identification method for complex reservoir of buried hill based on wireline and cutting logs: A case study of Huizhou 26-6 structure in the Pearl River Mouth Basin[J]. Journal of Yangtze University (Natural Science Edition), 2025, 22(2): 18-27. [本文引用:1]
[2] 孙杨沙, 刘诗琼, 邓羽, 等. 玛湖凹陷上乌尔禾组致密砂砾岩储层岩性识别方法[J]. 石化技术, 2025, 32(4): 227-229.
SUN Yangsha, LIU Shiqiong, DENG Yu, et al. Lithology identification method of tight glutenite reservoir in upper Wuerhe Formation in Mahu Depression[J]. Petrochemical Industry Technology, 2025, 32(4): 227-229. [本文引用:1]
[3] 童宇, 李文志. 基于测井资料的油层智能识别: 以松辽盆地中央坳陷区古龙凹陷古龙向斜储层为研究对象[J]. 西部探矿工程, 2025, 37(3): 31-34, 38.
TONG Yu, LI Wenzhi. Oil layer identification based on logging data: Taking the Gulong synclinal reservoir in the central depression of the Songliao Basin as the research object[J]. West-China Exploration Engineering, 2025, 37(3): 31-34, 38. [本文引用:1]
[4] 王军, 费剑炜, 刘可行. 基于支持向量机的车排子凸起石炭纪火山岩岩性识别[J]. 矿产与地质, 2025, 39(2): 282-290.
WANG Jun, FEI Jianwei, LIU Kexing. Lithology identification of carboniferous volcanic rocks in the Chepaizi uplift based on support vector machine[J]. Mineral Resources and Geology, 2025, 39(2): 282-290. [本文引用:1]
[5] 徐海寒, 秦昊, 张辉, 等. 机器学习算法在岩性识别上的应用对比研究[J]. 防护工程, 2024, 46(6): 54-61.
XU Haihan, QIN Hao, ZHANG Hui, et al. Comparative study on the application of machine learning algorithms in lithology identification[J]. Protective Engineering, 2024, 46(6): 54-61. [本文引用:1]
[6] 冯昊楠, 杨森, 王涛, 等. 基于RBF神经网络模型的天然气储层测录井岩性识别方法[J]. 录井工程, 2025, 36(1): 63-69.
FENG Haonan, YANG Sen, WANG Tao, et al. Lithological identification method for natural gas reservoirs based on the RBF neural network model using logging data[J]. Mud Logging Engineering, 2025, 36(1): 63-69. [本文引用:1]
[7] 孙婧, 赵军龙, 刘军锋. 基于Lasso-SSA-Adaboost组合模型的致密砂岩储层岩性识别[J]. 录井工程, 2025, 36(1): 41-48.
SUN Jing, ZHAO Junlong, LIU Junfeng. Lithology identification of tight sand stone reservoirs based on Lasso-SSA-Adaboost combined model[J]. Mud Logging Engineering, 2025, 36(1): 41-48. [本文引用:1]
[8] 邹玉涵, 李沁慈, 阙为民, 等. 基于不同机器学习算法的地浸测井数据岩性识别对比[J]. 铀矿冶, 2025, 44(2): 9-17, 37.
ZOU Yuhan, LI Qinci, QUE Weimin, et al. Lithology identification comparison on geophysical logging data of in-situ leaching uranium based on multiple machine learning algorithms[J]. Uranium Mining and Metallurgy, 2025, 44(2): 9-17, 37. [本文引用:1]
[9] 邹突, 曹婷婷, 张国坚, 等. 基于深度学习的视网膜OCT图像的疾病自动分类[J]. 广东医科大学学报, 2025, 43(3): 227-232.
ZOU Tu, CAO Tingting, ZHANG Guojian, et al. Automated disease classification in retinal OCT images using deep learning[J]. Journal of Guangdong Medical University, 2025, 43(3): 227-232. [本文引用:1]
[10] 张志厚, 石泽玉, 马宁, 等. 瑞雷波频散曲线的深度学习反演方法[J]. 地球物理学报, 2022, 65(6): 2244-2259.
ZHANG Zhihou, SHI Zeyu, MA Ning, et al. Deep learning inversion of Rayleigh dispersion curves[J]. Chinese Journal of Geophysics, 2022, 65(6): 2244-2259. [本文引用:1]
[11] 汪敏, 郭鑫平, 唐洪明, 等. 深度Transformer迁移学习的页岩气储层核心参数预测案例[J]. 地球物理学报, 2023, 66(6): 2592-2610.
WANG Min, GUO Xinping, TANG Hongming, et al. Prediction case of core parameters of shale gas reservoirs through deep Transformer transfer learning[J]. Chinese Journal of Geophysics, 2023, 66(6): 2592-2610. [本文引用:1]
[12] 董文豪, 张怀. 基于迁移学习的岩屑岩性识别[J]. 中国科学院大学学报, 2023, 40(6): 743-750.
DONG Wenhao, ZHANG Huai. Lithology recognition of cuttings based on transfer learning[J]. Journal of University of Chinese Academy of Sciences, 2023, 40(6): 743-750. [本文引用:1]
[13] JIANG Zhenjiao, WANG Jinxin, CHEN Xuanyi. An interpretation-based convolution neural network framework for geophysical data fusion and aquifer structure identification[J]. Journal of Applied Geophysics, 2024, 230: 105545. [本文引用:1]
[14] 范昱江, 栾锡武, 金龙, 等. 人工智能在各领域的应用场景及未来展望[C]//中国地球物理学会油气地球物理专业委员会. 第七届油气地球物理学术年会论文集. 山东科技大学地球科学与工程学院, 2025: 241-242.
FAN Yujiang, LUAN Xiwu, JIN Long, et al. Application scenarios and future prospects of artificial intelligence in various fields[C]//Proceedings of the 7th Annual Academic Conference on Oil and Gas Geophysics, 2025: 241-242. [本文引用:1]
[15] 罗玺. 深度学习在油田测井曲线处理中的应用研究[D]. 西安: 西安石油大学, 2024.
LOU Xi. Research on the application of deep learning in oilfield logging curve processing[D]. Xi′an: Xi′an Shiyou University, 2024. [本文引用:1]
[16] 王振豪. 基于深度学习的测井岩性识别方法研究[D]. 大庆: 东北石油大学, 2024.
WANG Zhenhao. The research focuses on the application of deep learning in lithology identification method based on logging[D]. Daqing: Northeast Petroleum University, 2024. [本文引用:1]
[17] 周渊凯. 基于深度学习的铀矿测井岩性识别研究[D]. 北京: 核工业北京地质研究院, 2024.
ZHOU Yuankai. Research on lithology identification of uranium well-logging based on deep learning methods[D]. Beijing: Beijing Research Institute of Uranium Geology, 2024. [本文引用:1]
[18] 熊文君, 肖立志, 袁江如, 等. 基于深度强化学习的测井曲线自动深度校正方法[J]. 石油勘探与开发, 2024, 51(3): 553-564.
XIONG Wenjun, XIAO Lizhi, YUAN Jiangru, et al. Automatic depth matching method of well log based on deep reinforcement learning[J]. Petroleum Exploration and Development, 2024, 51(3): 553-564. [本文引用:1]
[19] JIA Cunde, KONG Xiangdong, WANG Minghui, et al. Application of attention mechanism-based LSTM neural network in stratigraphy identification[J]. Results in Engineering, 2025, 27: 105267. [本文引用:1]
[20] KHAN S Q, KIRMANI F U D. Applicability of deep neural networks for lithofacies classification from conventional well logs: An integrated approach[J]. Petroleum Research, 2024, 9(3): 393-408. [本文引用:1]
[21] SUN Youzhuang, PANG Shanchen, QIU Zhihan, et al. Causal-graph lithology classifier: Synergizing causal inference with graph neural networks for high-accuracy rock classification in well logging[J]. Marine and Petroleum Geology, 2025, 180: 107452. [本文引用:1]
[22] 蔺佳伟. 基于改进U-Net的海马体MRI图像分割[D]. 保定: 河北大学, 2024.
LIN Jiawei. Hippocampal MRI image segmentation based on improved U-Net[D]. Baoding: Hebei University, 2024. [本文引用:1]
[23] RONNEBERGER O, FISCHER P, BROX T. U-Net: Convolutional networks for biomedical image segmentation[M]. Cham: Springer International Publishing, 2015. [本文引用:1]
[24] HE Kaiming, ZHANG Xiangyu, REN Shaoqing, et al. Deep residual learning for image recognition[J]. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, 2016, pp. 770-778. doi: 10.1109/CVPR.2016.90. [本文引用:1]
[25] VASWANI A, SHAZEER N, PARMAR N, et al. Attention is all you need[C]//31st Conference on Neural Information Processing Systems (NIPS 2017), Long Beach, CA, USA. [本文引用:1]