Методы машинного обучения являются основными техническими средствами для идентификации литологии карбонатных пород по каротажу. Выбор подходящего метода машинного обучения в зависимости от различных геологических условий и данных является одним из ключевых факторов для высокоточной идентификации литологии. Однако исследований, касающихся применимости методов машинного обучения для определения литологии, немного. В связи с этим перечислены четыре наиболее часто используемых метода машинного обучения для определения литологии: кластерный анализ с помощью самоорганизующихся нейронных сетей (SOM), многоразрешающий кластерный анализ изображений (MRGC), алгоритм классификации ближайших соседей (KNN) и метод нейронных сетей (ANN). Сравнивая принципы методов и их практическую эффективность, подведены итоги по преимуществам, недостаткам и применимости данных четырёх методов машинного обучения. При небольшом количестве образцов керна предпочтителен метод MRGC; при большом объёме данных керна предпочтительны методы KNN или MRGC. Применение этих методов на слоистых отложениях группы Луньвнамяо в районе MX Сычуаньского бассейна показало, что лучшие результаты дают методы MRGC и KNN, затем SOM, а метод ANN оказался наименее эффективным. Практическое применение и сравнительный анализ различных методов машинного обучения служат ориентиром для применения методов идентификации литологии карбонатных пород в других горизонтах и районах, обладая высокой практической ценностью.

карбонатные породы; идентификация по каротажу; машинное обучение; группа Луньвнамяо; Сычуаньский бассейн