基于改进TabNet算法的测井岩性识别方法

鲜于浩凡; 熊健; 刘敬言; 刘向君; 梁利喜; 丁乙

doi:10.12404/j.issn.1671-1815.2600014

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (30) :12993-13005 DOI: 10.12404/j.issn.1671-1815.2600014

论文：石油、天然气工业

基于改进TabNet算法的测井岩性识别方法

作者信息 +

Well Logging Lithology Identification Method Based on Improved TabNet Algorithm

Author information +

文章历史 +

摘要

岩性识别是油气勘探与开发过程中地层划分和储层评价的关键环节。针对复杂地质条件下测井数据呈现的高维非线性特征以及各类岩性样本分布不均衡的问题,提出了一种基于数据平衡化策略与改进TabNet网络的测井岩性识别新方法。首先,针对原始测井数据中少数类岩性样本稀缺导致的模型训练偏差问题,引入BSMOTE算法进行数据平衡化处理。其次,在模型构建上,提出了一种融合ViT(vision transformer)的改进TabNet模型。该方法在原始TabNet模型的基础上,将ViT编码器模块嵌入TabNet的注意力转换器中,形成了具备全局特征建模能力的复合注意力转化模块。基于新疆M区块实测数据的实验结果表明:BSMOTE平衡数据后的改进TabNet模型岩性识别准确率达92.79%,其综合性能显著优于随机森林等传统机器学习方法及卷积神经网络(convolutional neural networks,CNN)。

Abstract

Lithology identification is regarded as a critical component of formation subdivision and reservoir evaluation during the process of oil and gas exploration and development. To address the challenges posed by high-dimensional non-linear characteristics of well-logging data and the imbalanced distribution of lithological samples under complex geological conditions, a novel identification method based on a data balancing strategy and an improved TabNet network was proposed. Firstly, BSMOTE(borderline-SMOTE) algorithm was introduced for data equalization to mitigate model training biases caused by the scarcity of minority lithological samples in the raw logging data. Secondly, an improved TabNet model integrated with ViT (vision transformer) was constructed. By embedding the ViT encoder module into the Attentive Transformer of the original TabNet architecture, a composite attention transformation module with global feature modeling capabilities was formed. Experimental results based on field data from the M block in Xinjiang demonstrate that the improved TabNet model, following BSMOTE-based data balancing, achieves a lithology identification accuracy of 92.79%. The comprehensive performance is found to be significantly superior to traditional machine learning methods, such as RF (random forest), as well as deep learning benchmarks like CNN (convolutional neural networks).

Graphical abstract

关键词

岩性识别 / 数据集平衡 / SMOTE / TabNet / 测井数据

Key words

lithology identification / dataset balancing / SMOTE / TabNet / well logging data

引用本文

引用格式 ▾

鲜于浩凡, 熊健, 刘敬言, 刘向君, 梁利喜, 丁乙. 基于改进TabNet算法的测井岩性识别方法[J]. 科学技术与工程, 2026, 26(30): 12993-13005 DOI:10.12404/j.issn.1671-1815.2600014

XIANYU Hao-fan, XIONG Jian, LIU Jing-yan, LIU Xiang-jun, LIANG Li-xi, DING Yi. Well Logging Lithology Identification Method Based on Improved TabNet Algorithm[J]. Science Technology and Engineering, 2026, 26(30): 12993-13005 DOI:10.12404/j.issn.1671-1815.2600014

登录浏览全文

4963

注册一个新账户忘记密码

在油气勘探与开发过程中,岩性识别是地质分析与储层评价的关键环节,对地层划分、储层建模及开发方案的制定具有深远意义^[1]。现有的岩性识别手段主要涵盖了测井数据解释、地震属性分析及岩屑录井等^[2]。其中,测井技术凭借其纵向连续性好、分辨率高及成本效益显著等优势,已成为目前应用最广且最为有效的手段之一^[3] 。然而,传统的交会图法及电成像(fullbore formation microImager)识别法^[4] 往往过度依赖人工经验,存在主观性强、泛化能力弱及精度较低等问题,难以满足复杂地质条件下多源测井数据的综合分析需求。

随着机器学习与人工智能的快速发展,学者们尝试将先进算法应用于测井岩性识别领域^[5] 。显著提高了岩性识别的效率和精度。目前,随机森林、支持向量机^[6] 、K近邻算法,以及卷积神经网络等深度学习方法^[7] 都在测井岩性识别中展现出优异的性能。尚亚州等^[8]采用随机森林方法对火山岩进行识别,其结果与钻井取芯结果符合率高达85.98%;Al-khudafi^[9] 系统评估了多种树类模型,并指出采用集成策略能显著增强树类模型在处理复杂测井响应时的鲁棒性。高小平等^[10] 通过构建CNN-LSTM-Attention深度学习模型,岩性识别准确率达94.89%,显著优于传统方法和单一深度模型。然而,上述研究多基于分布均匀的理想化数据集。在实际工区中,测井数据往往存在严重的类别不平衡问题,这会导致模型偏向大类样本而忽视少数类,从而限制预测精度^[11]。为此,部分学者针对数据集不平衡问题开展了相关研究。裴谋等^[12] 在模型训练过程中引入先验概率平衡logit偏差,改进焦点损失函数,以提升对少数类岩性的识别能力。孙婧等^[13] 利用SVM-SMOTE算法对岩性数据进行平衡化处理,并结合麻雀搜索算法优化LightGBM模型,验证了该方案在处理失衡数据时的优越性;尹琼^[14] 采用生成对抗网络和全连接神经网络两步法进行样本平衡化处理和预测,模型整体准确率达83.44%;罗仁泽等^[15] 通过采样技术平衡数据集后,利用集成学习显著提升了预测精度,识别准确率达94.28%。上述方法虽在算法创新与数据集扩充方面取得了进展,但现有的样本扩充手段往往过于侧重类别数量的均衡化,而忽视了对决策边界附近样本空间分布特征的刻画。边界样本往往携带了决定分类性能的关键判别信息,若对其分布考量不足,极易导致模型在复杂地层过渡带的预测性能受限。

针对上述问题,现提出一种协同数据增强与架构创新的岩性识别方案。首先,引入BSMOTE(Borderline-SMOTE)算法,通过对分类边界处的模糊样本进行针对性合成与增强,旨在克服类别重叠带来的性能瓶颈,提升模型在复杂过渡带的判别精度^[16] 。其次,选用TabNet^[17] 深度架构作为基准模型,利用其独有的特征掩码机制实现稀疏特征选择,在保持高精度识别的同时,赋予模型明确的地质可解释性。在此基础上,对TabNet进行优化,通过集成ViT(vision transformer)中的多头注意力机制^[18],构建了全局特征感知模块。该改进模型有助于提升测井资料在复杂地层中的岩性识别能力,为后续精细地质建模与解释提供参考。

1 地质概况

研究区(图1)位于准噶尔盆地西北缘的玛湖凹陷^[19],该地区是准噶尔盆地最重要的坳陷发育区及油气富集区之一。目标层位中二叠统下乌尔禾组(P₂w)受盆缘克拉玛依—夏子街断裂带的强烈构造抬升与物源供给控制,沉积环境主要发育一套顺北西—南东方向向盆地中心推进的大规模扇三角洲沉积体系。该地层岩性组合极具特色,表现为粗碎屑岩的高度发育,其组分主要包括巨砾岩、粗砾岩、中—细砾岩及含砂砾岩,并在空间上频繁间夹透镜状分布的砂岩与泥质沉积。受洪水快速堆积与物源近距离搬运作用影响,碎屑物质分选极差,磨圆度较低,杂基含量随沉积相带变化剧烈,导致岩石内部孔隙结构极其复杂且呈现出强烈的非均质性。

2 模型算法原理

2.1 岩性识别流程

基于改进TabNet模型的岩性识别主要分为数据预处理、模型构建与训练、模型验证3个阶段,具体流程如图2所示。关键步骤介绍如下。

(1)采用分层采样策略将原始数据集按7∶3的比例划分为训练集与测试集,并对特征数据进行归一化处理以消除量纲影响。随后,针对训练集应用BSMOTE算法进行样本平衡化处理,以解决岩性类别分布不均导致的模型偏差问题。

(2)模型构建与训练:构建集成ViT编码器的改进TabNet模型,引入贝叶斯优化算法对模型超参数进行全局寻优,并基于最佳参数组合完成模型训练。

(3)模型验证:利用测试集验证改进的TabNet模型岩性识别性能,通过多维度评估指标对识别结果进行定量分析,并结合实验现象开展深入讨论。

2.2 BSMOTE数据平衡化原理

BSMOTE方法是对原始SMOTE方法存在盲目合成问题的一个改进^[21] 。其核心思想是:只对处于分类边界附近的“危险”少数类样本进行过采样合成。这能更精准地强化分类器的决策边界,有效避免了在少数类“安全”区域产生冗余样本,以及在噪声点附近产生有害样本。其具体步骤如下。

步骤1 识别边界样本。对于每个少数类样本x_i,通过欧氏距离计算它在整个训练集T中的K个最近邻;然后统计这K个最近邻中属于多数类的样本数量,记为m;根据m值,对x_i进行划分。若K/2≤m<K,将其归为边界样本;若m=K,将其归为噪声样本;若0≤m<K/2,将其归为安全样本。

步骤2 针对边界样本生成新样本。在所有少数类样本中,找出x_i的M个最近邻(通常M≤K),在M个最近邻中,每次选出一个样本x_zi,再采用线性插值合成一个新样本x_new。

(1)${\mathit{x}}_{\mathrm{n}\mathrm{e}\mathrm{w}}={\mathit{x}}_{\mathit{i}}+\mathit{\lambda }({\mathit{x}}_{\mathrm{z}\mathit{i}}-{\mathit{x}}_{\mathit{i}})$

式(1)中:λ为[0,1]区间内的随机数。

步骤3 将所有合成的新样本x_new添加到原始训练集中,形成平衡后的新训练集。

2.3 改进TabNet模型原理

TabNet网络是一种基于注意力机制的创新性模型,该网络能够基于内部的顺序多步框架自适应地进行全局以及局部的特征选择^[22] 。其中每一步执行的过程可近似于神经网络的判断节点。在各个执行步进行训练时,首先通过特征切分模块来处理输入数据,即在每一层中,只有部分特征被选中用于计算输出,从而保证特征的稀疏性以抑制过拟合。由于研究区地质情况复杂,砂砾岩油藏具有高度的异质性^[23],而TabNet网络结构既保持了神经网络端到端的特征学习能力,又具有决策树模型良好的可解释性,从而能够有效处理多维数据来研究区域中复杂的地质信息。

Vision Transformer的编码器模块^[24] 能有效捕捉输入数据中的长程依赖关系,有助于提取全局特征,故尝试将TabNet编码器每一步的注意力转换器与Vision Transformer编码器模块结合,构成复合注意力转化器模块,以构建改进的TabNet模型。通过添加ViT编码器模块,使得TabNet在做特征选择时,较传统的线性模型或浅层神经网络,能更有效地捕捉数据中的非线性模式。基于可解释注意力机制自动学习关键特征,避免人工筛选的主观性。复合注意力模块动态调整特征关注度,生成重要性排名^[25],指导优化测井方案。模型实时更新各样本不同特征权重,有利于准确捕捉岩性识别过程的局部特征,并通过动态调整勘探优先级,提升可解释性与决策可信度。改进TabNet模型原理如图3所示。

2.4 贝叶斯优化算法

深度学习模型的性能高度依赖于超参数的选择^[26] 。传统的网格搜索或随机搜索在面对高维且计算代价昂贵的参数空间时,往往面临搜索效率低下、资源消耗过大且难以获取全局最优解的局限性。为此,采用贝叶斯优化算法(Bayesian optimization)进行自动化的超参数寻优^[27] 。该算法基于贝叶斯原理,通过构建代理模型拟合目标函数的分布特征,并结合已观测样本信息不断迭代更新先验分布,从而在有限的评估次数内高效逼近全局最优超参数组合。

3 实例分析

3.1 数据来源及预处理

实验数据来源于准噶尔盆地玛湖地区M区块现场岩屑录井资料,并收集了该工区8口井的9 528组测井数据构建数据集。模型的训练标签严格依据现场岩屑录井资料确定,并进行了深度校正,确保了岩性真值的可靠性。实验数据集包括了8个核心测井参数,分别是:伽马(Gamma ray,GR)、声波时差(acoustic,AC)、补偿中子(compensated neutron log,CNL)、密度(density,DEN)、电阻率(true resistivity,RT)、冲洗带电阻率(flushed zone resistivity,RXO)、自然电位(spontaneous potential,SP)、井径(caliper,CALI)。由于这8条测井曲线涵盖了储层评价的主要方面,能够提供丰富的地层信息,故考虑在岩性识别预测时,选择从这8条测井曲线中进行输入参数的筛选。

在输入特征选择上,将CALI作为模型输入,旨在通过TabNet的自适应注意力机制,使模型能够自动识别井径对密度、中子等曲线造成的干扰,通过调整特征权重实现隐式的环境影响补偿,从而增强模型在复杂井况下的鲁棒性。

根据研究区地质特征及岩性划分标准,共划分7类岩性:大中砾、小中砾、巨砾、泥岩、砂岩、粗砾、细砾。用1~7作为岩性标签,各类岩性样本与标签如表1所示。选择4口井共9 528条数据用于岩性样本的智能识别,并按7∶3的比例进行训练集与测试集的划分。由于本文中岩性识别部分采用的改进TabNet模型能够自适应地进行特征选择,因此在数据集输入前无需人为进行特征筛选。故将上述8个测井参数均作为模型的输入,部分测井数据如表2所示。

由表1可知,细砾岩性样本最多,为1 578组,而砂岩岩性样本最少,为468组。总体数据存在不平衡现象。在岩性识别数据集中,这会使得模型在训练过程中容易更加关注多数类岩性样本的信息,而忽略了部分少数类样本间的信息表示,使得分类模型的性能易受到较大的影响。因此,采用BSMOTE算法对岩性识别样本数据集进行数据平衡化处理,该方法仅对处在边界位置的少数类样本实行过采样操作。

数据平衡前后岩性数据分布如图4所示。经过数据平衡化处理后,泥岩、砂岩以及粗砾等少数类样本数量显著提升。后续对数据进行归一化处理,以消除量纲不一致的影响。归一化公式为

(2)$\mathit{z}=\frac{{\mathit{x}}_{\mathit{i}}-\mathit{\mu }}{\mathit{\sigma }}$

式(2)中:i=1,2,…,n;x_i为归一化前的第i个样本;μ为数据集的算术平均值;σ为数据集的标准差;z为归一化后的特征值。

为了初步量化评估生成样本的分布可靠性,计算了合成样本与其同类原始样本集之间的最短欧氏距离,其公式为

(3)$\mathrm{d}(\mathrm{x},\mathrm{y})=\sqrt{\stackrel{\mathit{n}}{\sum _{\mathit{i}=1}}({\mathit{x}}_{\mathit{i}}-{\mathit{y}}_{\mathit{i}}{)}^{2}}$

式(3)中:x_i和y_i为归一化后的第i个维度下的数值;d为欧氏距离。

对生成的全量数据和原始数据进行最短欧式距离计算,如表3所示,各岩性类别的平均最短欧氏距离分布在0.102 0~0.278 8,由于该距离是在标准化特征空间中计算所得,较低的平均距离值有力地证明了合成样本并非在特征空间内随机产生,而是紧密依附于原始样本的决策边界进行填充。初步验证了生成样本的合理性。

3.2 模型参数设置

为了确定改进TabNet模型在岩性识别任务中的最优性能,采用贝叶斯优化算法对模型超参数进行全局搜索。寻优过程设置最大迭代次数为50代,并采用5折交叉验证法评估不同参数组合下的模型表现:将训练集划分为5个子集,轮流选取其中4份作为训练数据,余下1份作为验证数据。以各代平均准确率为目标函数,通过不断迭代筛选出最优超参数组合。

图5展示了改进TabNet模型在贝叶斯超参数优化过程中的迭代结果。由图5可知,目标函数值随迭代次数的增加呈现稳步上升趋势。在迭代初期,算法利用先验信息在参数空间内广泛搜索,模型识别准确率提升显著。随着迭代次数增加,算法逐渐聚焦于最优解邻域进行精细化搜索,准确率提升速度趋于平缓,最终实现收敛。在第36次迭代时寻得全局最优超参数组合,此时训练集准确率达到90.0%,交叉验证集准确率为89.0%,展现出良好的泛化性能。由于本文模型由原生TabNet决策网络与 ViT复合注意力转换器共同构成,其参数设置涵盖ViT结构参数与TabNet决策参数两个维度。具体配置如表4所示。

利用贝叶斯优化确定的最优超参数组合对模型进行训练,其训练集与验证集的准确率及损失率随迭代次数的变化曲线如图6和图7所示。

由图6可以看出,在训练初期,模型表现出极快的学习速率,准确率迅速攀升至80%以上。随着迭代次数增加,曲线波动逐渐减小并趋于稳定。整个训练过程中验证集与训练集的准确率保持高度同步,略低于训练集,表明该模型能够有效地捕捉岩性特征,且具有良好的学习性能。

由图7可以观察到,损失值随迭代次数的增加稳步下降。在训练前50代,损失值由初始的3.5左右迅速降至1.0以下,反映了改进TabNet模型强大的搜索与拟合能力。在训练后期损失值在0.4附近波动。验证集与训练集同样保持相同趋势,整个过程未表现出过拟合现象,模型表现出较高的稳定性。

3.3 性能评估指标

为了全面、客观地评估本文模型在岩性识别任务中的性能,选取了混淆矩阵、精确率(P_recision)、召回率(R_ecall)以及F₁分数(F₁)作为核心评价指标。精确率是指在预测结果为正类的数据中,数据预测正确的概率;召回率是针对原样本而言的,其含义为实际为正的样本中被预测为正样本的概率;F₁分数用以综合评估精确率和召回率。该值越大,模型质量越高。混淆矩阵如表5所示。

(4)${\mathit{P}}_{\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}}=\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}}\times 100\mathrm{\%}$

(5)${\mathit{R}}_{\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l}}=\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{N}}\times 100\mathrm{\%}$

(6)${\mathit{F}}_{1}=2\frac{{\mathit{P}}_{\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}}{\mathit{R}}_{\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l}}}{{\mathit{P}}_{\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}}{\mathit{R}}_{\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l}}}\times 100\mathrm{\%}$

式中:TP为真正例;FP为假正例;TN为真反例;FN为假反例。

3.4 实验结果分析

为检验模型对岩性预测的有效性,采用五折叠交叉验证的方法训练岩性识别模型。即将数据集划分为5个大小尽可能相等的子集。共进行5次实验,每次选择1个折作为验证集,其余4个折作为训练集,共进行10次验证。通过10次五折交叉验证的方式,进行多次数据划分和重复训练,减少模型对特定数据分布的依赖,从而尽可能避免了由于数据划分的随机性,使得模型仅根据某些特殊性的验证集(如某些类别分布不均)进行调整,造成学习到的数据信息泛化性较差,在测试集上表现不理想的情况。即通过交叉验证的方法可有效防止模型训练时出现过拟合,表6和表7中展示的是样本平衡前后采用改进TabNet方法进行交叉实验。由表6和表7可以看出,采用五折交叉验证试验,样本平衡前后在训练集上的岩性识别准确率分别为88.72%和93.14%,进一步证明了采用BSMOTE方法进行样本平衡化处理,提升了改进TabNet模型的岩性识别效果。

为进一步验证样本平衡化处理对模型预测能力的提升,并评估改进TabNet模型在岩性识别任务中的性能,对比了样本平衡前后随机森林(RF)、支持向量机(SVM)、K-近邻(KNN)、卷积神经网络(CNN)、原始TabNet与改进TabNet模型的识别准确率。各模型的对比实验结果如表8所示,样本平衡后各模型在测试集上混淆矩阵如图8所示。表9列出了样本平衡后各模型的多维评价指标,包括精确度、F₁分数以及召回率。

由表7可知,对样本进行平衡化处理后,所有模型的识别准确率均得到了不同程度的提升。其中CNN与原始TabNet模型的提升率最为显著,分别达到了6.30%和5.24%,且经过平衡化处理后,改进TabNet模型最终达到了92.79%的最高准确率。进一步证实了样本平衡化对于岩性识别准确性的提升,也说明了改进TabNet模型在M区块的岩性识别任务中要优于其他常规模型。

由图8中各模型的混淆矩阵视图可以看出,各模型在大中砾、泥岩、砂岩以及细砾预测效果均较好,预测精度普遍在90%以上。其他模型主要在小中砾和巨砾的识别发生误判,这是由于二者粒度在空间上是渐变的,测井响应特征存在天然重叠。而改进TabNet模型在处理此类边界样本时相较于SVM等传统模型具有更强的决策边界刻画能力,预测效果更好。

表9对比实验结果表明,改进TabNet模型相较于其他方法,对每一类别岩性预测效果更为均衡,在精确率、F₁分数以及召回率平均值均在92%以上,总体评价要优于其他方法。

此外,在岩性识别任务中,除了需要关注模型的准确性及稳定性外,改进的TabNet模型较其他深度学习模型更重视模型的可解释性。该模型能够基于各个执行步的综合决策结果,可视化不同样本下、不同特征的全局重要性程度,并结合不同特征在所有样本上的全局重要性程度,帮助研究人员理解哪些特征对区分不同的岩石类型最为关键,以指导后续的数据处理、特征工程的工作。如图9所示,参数AC、CNL、GR、SP特征重要性均在0.16以上,说明以上参数是M区块储层岩性类别的重要参数表征。

为进一步验证改进TabNet模型在复杂地质条件下的实际应用效果,将该模型应用于M区块剩余验证井中,图10和图11展示了各模型在A井2 885~3 102 m段的识别准确率对比和岩性识别效果。分析表明,改进TabNet准确率为91.78%,显著高于其他对比模型:RF(84.43%)、SVM(67.39%)、KNN(86.87%)、CNN(74.82%)、XGBoost(87.58%)、LightGBM(85.82%)以及TabNet(89.86%)。预测结果与实测岩性柱状图具有极高的一致性,尤其在成分复杂、非线性特征显著的多矿物组分地层中,改进后的模型展现出更强的稳健性与泛化能力。这证明了采用改进TabNet模型,通过特征注意力机制与参数优化,能够有效挖掘测井曲线中的深层地质语义信息。

4 结论

(1)针对原始数据中少数类岩性样本稀缺导致的模型训练偏差问题,引入BSMOTE算法进行数据平衡处理。实验证明,通过数据平衡处理,各模型均显著提升了预测性能,为后续深度学习模型的精准训练奠定了数据基础。

(2)构建了改进TabNet模型,将ViT编码器引入TabNet的注意力转换器中,有效增强了模型对测井曲线深层全局特征的捕捉能力,并采用贝叶斯优化算法进行超参数寻优,最终模型在新疆M区块的整体识别准确率达到92.79%,优于其他机器学习方法。

(3)借助改进TabNet模型的特征掩码机制,定量分析了不同测井参数对识别结果的贡献度。研究发现,AC、CNL、GR、SP在复杂岩性识别中占据主导地位,揭示了岩性识别的关键测井响应特征,提升了深度学习模型的可解释性。

(4)目前改进的TabNet模型主要利用ViT模块对序列数据进行隐式提取,而对测井数据的纵向连续性利用尚显不足。后续研究将考虑引入滑动窗口或时序建模机制,通过显式引入深度上下文信息来感知沉积旋回对岩性发育的影响,增强模型对地质演化背景的感知能力。

(5)受限于沉积环境的区域性差异,改进 TabNet 模型在跨区域或跨层位应用时可能存在精度波动。但得益于模型架构对测井物理特征的高效表征能力,其具备良好的区块迁移基础,后续研究将尝试引入迁移学习以提高模型的泛化能力。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	许振浩, 马文, 李术才, 等. 岩性识别: 方法、现状及智能化发展趋势[J]. 地质论评, 2022, 68(6): 2290-2304.

[2]	Xu Zhenhao, Ma Wen, Li Shucai, et al. Lithology identification: method, research status and intelligent development trend[J]. Geological Review, 2022, 68(6): 2290-2304.

[3]	陈秀娟, 冯镇涛, 曾芙蓉, 等. 页岩地层测井岩性识别技术发展现状[J]. 新疆石油地质, 2024, 45(6): 742-752.

[4]	Chen Xiujuan, Feng Zhentao, Zeng Furong, et al. Development status of logging-based lithology identification technology for shale formations[J]. Xinjiang Petroleum Geology, 2024, 45(6): 742-752.

[5]	马陇飞, 萧汉敏, 陶敬伟, 等. 基于深度学习岩性分类的研究与应用[J]. 科学技术与工程, 2022, 22(7): 2609-2617.

[6]	Ma Longfei, Xiao Hanmin, Tao Jingwei, et al. Research and application of lithology classification based on deep learning[J]. Science Technology and Engineering, 2022, 22(7): 2609-2617.

[7]	段忠义, 肖昆, 杨亚新, 等. 松辽盆地砂岩型铀矿钻孔岩性的测井识别[J]. 地球物理学进展, 2023, 38(6): 2490-2501.

[8]	Duan Zhongyi, Xiao Kun, Yang Yaxin, et al. Logging identification of borehole lithology of sandstone-type uranium deposit in Songliao Basin[J]. Progress in Geophysics, 2023, 38(6): 2490-2501.

[9]	罗功伟, 安小平, 姚卫华, 等. 非常规油气储层测井智能解释应用现状与发展趋势[J]. 石油科学通报, 2025, 10(5): 908-925.

[10]	Luo Gongwei, An Xiaoping, Yao Weihua, et al. Application status and development trends of artificial intelligence in logging interpretation for unconventional oil and gas reservoirs[J]. Petroleum Science Bulletin, 2025, 10(5): 908-925.

[11]	李曦, 范翔宇, 王兆峰, 等. 基于PSO-SVM的测井岩性识别方法研究: 以南图尔盖盆地K油田古生界(Pz)储层为例[J]. 地球物理学进展, 2022, 37(2): 617-626.

[12]	Li Xi, Fan Xiangyu, Wang Zhaofeng, et al. Logging lithology identification method research based on PSO-SVM: a case study of Paleozoic (Pz) reservoir in K oil field, South Turgay Basin, Kazakhstan[J]. Progress in Geophysics, 2022, 37(2): 617-626.

[13]	曾锐, 邵燕林, 黄宇, 等. 基于深度学习的测井岩性智能识别[J]. 科学技术与工程, 2025, 25(30): 12804-12812.

[14]	Zeng Rui, Shao Yanlin, Huang Yu, et al. Intelligent identification of logging lithology based on deep learning[J]. Science Technology and Engineering, 2025, 25(30): 12804-12812.

[15]	尚亚洲, 张兆辉, 许多年, 等. 基于随机森林的火山岩岩性测井识别--以准噶尔盆地滴西地区石炭系为例[J]. 物探与化探, 2024, 48(4): 1025-1036.

[16]	Shang Yazhou, Zhang Zhaohui, Xu Duonian, et al. Log-based lithology identification of volcanic rocks using random forest method: a case study of Carboniferous strata in the Dixi area, Junggar Basin[J]. Geophysical and Geochemical Exploration, 2024, 48(4): 1025-1036.

[17]	Al-khudafi A M, Al-Sharifi H A, Hamada G M, et al. Evaluation of different tree-based machine learning approaches for formation lithology classification[C]// ARMA/DGS/SEG International Geomechanics Symposium. Al Khobar: ARMA, 2023. DOI: 10.56952/IGS-2023-0026.

[18]	高小平, 朱宏博, 赵凯, 等. 基于卷积神经网络-长短期记忆人工神经网络-自注意力机制的岩性识别方法[J]. 科学技术与工程, 2026, 26(2): 544-552.

[19]	Gao Xiaoping, Zhu Hongbo, Zhao Kai, et al. Rock identification method based on convolutional neural network-long short term memory artificial neural network-self attention mechanism[J]. Science Technology and Engineering, 2026, 26(2): 544-552.

[20]	苏赋, 马磊, 罗仁泽, 等. 基于改进多分类孪生支持向量机的测井岩性识别方法研究与应用[J]. 地球物理学进展, 2020, 35(1): 174-180.

[21]	Su Fu, Ma Lei, Luo Renze, et al. Research and application of logging lithology identification based on improved multi-class twin support vector machine[J]. Progress in Geophysics, 2020, 35(1): 174-180.

[22]	裴谋, 李波, 胡勇. 基于ECA-MSCB ResNet的不均衡岩性识别[J]. 科学技术与工程, 2025, 25(22): 9398-9407.

[23]	Pei Mou, Li Bo, Hu Yong. Imbalanced lithology identification based on ECA-MSCB ResNet[J]. Science Technology and Engineering, 2025, 25(22): 9398-9407.

[24]	孙婧, 赵军龙, 张雨辰, 等. 基于SSMO-SSA-LGBM算法的致密砂岩储层岩性识别[J]. 地质通报, 2025, 44(5): 935-948.

[25]	Sun Jing, Zhao Junlong, Zhang Yuchen, et al. Lithology identification of tight sandstone reservoirs based on SSMO-SSA-LGBM algorithm[J]. Geological Bulletin of China, 2025, 44(5): 935-948.

[26]	尹琼. 基于生成对抗神经网络的岩性识别方法与应用[J]. 测井技术, 2025, 49(1): 57-67.

[27]	Yin Qiong. Lithology identification method and application based on generative adversarial neural network[J]. Well Logging Technology, 2025, 49(1): 57-67.

[28]	罗仁泽, 庹娟娟, 倪华玲, 等. 基于改进集成学习的测井岩性识别方法研究[J]. 石油物探, 2023, 62(2): 212-224.

[29]	Luo Renze, Tuo Juanjuan, Ni Hualing, et al. Logging lithology identification method based on improved ensemble learning[J]. Geophysical Prospecting for Petroleum, 2023, 62(2): 212-224.

[30]	唐佰强, 孟庆涛, 杨亮, 等. 基于BSMOTE-SVM的细粒沉积岩岩相智能预测: 以松辽盆地青山口组一段为例[J]. 古地理学报, 2025, 27(4): 937-949.

[31]	Tang Baiqiang, Meng Qingtao, Yang Liang, et al. Intelligent prediction of fine-grained sedimentary lithofacies based on BSMOTE-SVM: a case study of the Member 1 of Qingshankou Formation in Songliao Basin[J]. Journal of Palaeogeography, 2025, 27(4): 937-949.

[32]	Arik S Ö, Pfister T. Tabnet: attentive interpretable tabular learning[C]// Proceedings of the AAAI Conference on Artificial Intelligence. Palo Alto: AAAI Press, 2021, 35(8): 6679-6687.

[33]	李朝纲, 巨能攀, 何朝阳, 等. 基于分层抽样和注意力机制的阶跃型滑坡位移预测[J]. 科学技术与工程, 2026, 26(2): 476-489.

[34]	Li Chaogang, Ju Nengpan, He Chaoyang, et al. Stepped landslide displacement prediction based on stratified sampling and attention mechanism[J]. Science Technology and Engineering, 2026, 26(2): 476-489.

[35]	秦志军, 操应长, 毛锐, 等. 玛湖凹陷乌尔禾组致密砂砾岩沸石特征及储集层识别[J]. 新疆石油地质, 2023, 44(2): 136-143.

[36]	Qin Zhijun, Cao Yingchang, Mao Rui, et al. Characteristics and identification of zeolite-bearing tight sandy conglomerate reservoirsin Wuerhe Formation, Mahu Sag[J]. Xinjiang Petroleum Geology, 2023, 44(2): 136-143.

[37]	孙靖, 尤新才, 张全, 等. 准噶尔盆地玛湖地区深层致密砾岩储层发育特征及成因[J]. 天然气地球科学, 2023, 34(2): 240-252.

[38]	Sun Jing, You Xincai, Zhang Quan, et al. Development characteristics and genesis of deep tight conglomerate reservoirs of Mahu area in Junggar Basin[J]. Natural Gas Geoscience, 2023, 34(2): 240-252.

[39]	Li P, Meng J B, Li J, et al. Enhanced lithofacies classification of tight sandstone reservoirs using a hybrid CNN-GRU model with BSMOTE and heat kernel imputation[J]. Applied Geophysics, 2025, 22: 1141-1157.

[40]	He Y B, Sheng K M, Du M L, et al. An interpretable deep learning framework using FCT-SMOTE and BO-TabNet algorithms for reservoir water sensitivity damage prediction[J]. Scientific Reports, 2025, 15(1): 18655.

[41]	唐勇, 宋永, 郭旭光, 等. 准噶尔盆地玛湖凹陷源上致密砾岩油富集的主控因素[J]. 石油学报, 2022, 43(2): 192-206.

[42]	Tang Yong, Song Yong, Guo Xuguang, et al. Maincontrolling factors of tight conglomerate oil enrichment above source kitchen in Mahu Sag, Junggar Basin[J]. Acta Petrolei Sinica, 2022, 43(2): 192-206.

[43]	Islam K. Recent advances in vision transformer: a survey and outlook of recent work[J]. arXiv Preprint arXiv: 2203.01536,2022.

[44]	张宸嘉, 朱磊, 俞璐. 卷积神经网络中的注意力机制综述[J]. 计算机工程与应用, 2021, 57(20): 64-72.

[45]	Zhang Chenjia, Zhu Lei, Yu Lu. Review of attention mechanism in convolutional neural networks[J]. Journal of Computer Engineering & Applications, 2021, 57(20): 64-72.

[46]	马玉彬, 刘仕友, 曹丹平, 等. 基于贝叶斯优化的随机森林在储层预测中的应用[J]. 地球物理学报, 2025, 68(8): 3247-3257.

[47]	Ma Yubin, Liu Shiyou, Cao Danping, et al. Application of random forest algorithm based on Bayesian optimization for reservoirprediction[J]. Chinese Journal of Geophysics, 2025, 68(8): 3247-3257.

[48]	Zhang W G, Wu C Z, Zhong H Y, et al. Prediction of undrained shear strength using extreme gradient boosting and random forest based on Bayesian optimization[J]. Geoscience Frontiers, 2021, 12(1): 469-477.