Maschinelle Lernverfahren sind die Haupttechniken zur Lithologiebestimmung karbonatischer Gesteine mittels Bohrlochmessungen. Die Auswahl der geeigneten maschinellen Lernmethode für unterschiedliche geologische Bedingungen und Daten ist einer der Schlüsselfaktoren für eine hochpräzise Lithologiebestimmung. Allerdings gibt es nur wenige Forschungen zur Anwendbarkeit von maschinellen Lernmethoden für die Lithologieerkennung. Daher werden vier der am häufigsten verwendeten maschinellen Lernmethoden zur Lithologieerkennung aufgelistet: Selbstorganisierende Karten (SOM), bildbasierte Mehrauflösungs-Clusteranalyse (MRGC), k-nächste-Nachbarn-Klassifikationsalgorithmus (KNN) und künstliche neuronale Netze (ANN). Durch einen Vergleich der Prinzipien und der praktischen Anwendung dieser Methoden werden deren Vor- und Nachteile sowie ihre Anwendbarkeit zusammengefasst. Bei wenigen Kernproben wird die MRGC-Methode bevorzugt; bei einer größeren Anzahl von Kernproben werden die KNN- oder MRGC-Methoden bevorzugt. Die Anwendung bei der Lithologiebestimmung der Longwangmiao-Formation im MX-Gebiet des Sichuan-Beckens zeigt, dass MRGC und KNN die besten Ergebnisse liefern, gefolgt von SOM, während ANN die schlechteste Leistung erbringt. Die praktische Anwendung und vergleichende Analyse verschiedener maschineller Lernmethoden dient als Referenz für die Anwendung von Lithologiebestimmungsmethoden karbonatischer Gesteine in anderen Schichten oder anderen Arbeitsgebieten und besitzt einen hohen Praxiswert.

karbonatische Gesteine; Lithologiebestimmung; maschinelles Lernen; Longwangmiao-Formation; Sichuan-Becken