Les méthodes d'apprentissage automatique sont les principaux moyens techniques pour l'identification lithologique des roches carbonatées par diagraphie. Le choix d'une méthode d'apprentissage automatique adaptée selon les conditions géologiques et les données est l'un des facteurs clés pour une identification lithologique précise. Cependant, les études sur l'applicabilité des méthodes d'apprentissage automatique pour l'identification lithologique sont rares. À ce titre, quatre méthodes d'apprentissage automatique couramment utilisées sont présentées : la méthode d'analyse de regroupement par réseau neuronal auto-organisé (SOM), la méthode d'analyse de regroupement multi-résolution basée sur l'imagerie (MRGC), l'algorithme de classification des k plus proches voisins (KNN) et la méthode des réseaux neuronaux artificiels (ANN). En comparant les principes et les résultats pratiques de ces méthodes, les avantages, les inconvénients et l'applicabilité de ces quatre méthodes d'apprentissage automatique sont résumés. En cas de faible nombre d'échantillons de carottes, la méthode MRGC est privilégiée ; en cas de grand nombre d'échantillons, les méthodes KNN ou MRGC sont préférées. L'application de ces méthodes à l'identification lithologique de la formation du groupe Longwangmiao dans la région MX du bassin du Sichuan montre que les méthodes MRGC et KNN donnent les meilleurs résultats, suivies de la méthode SOM, tandis que la méthode ANN est la moins performante. L'application pratique et l'analyse comparative des différentes méthodes d'apprentissage automatique jouent un rôle de référence pour l'application des méthodes d'identification lithologique des roches carbonatées dans d'autres formations ou zones de travail, et présentent une grande valeur pratique.

roches carbonatées; identification par diagraphie; apprentissage automatique; groupe Longwangmiao; bassin du Sichuan