老挝他曲钾盐矿床测井岩性的机器学习识别与模型对比OA

精准识别地层岩性是钾盐矿层位厘定与资源量估算的重要地质依据。文章以老挝他曲钾盐矿区为研究对象,基于区内3口钻井的钾盐测井数据,划分训练集与验证集,并预留四口井作为盲井进行模型验证。采用超参数搜索策略优化模型,对比了随机森林、GBDT、XGBoost、CatBoost、SMOTE-CatBoost及Stacking集成算法在岩性识别中的应用效果,其中SMOTE技术用于改善样本不均衡问题。结果表明,Stacking集成模型泛化能力最优,其外部测试宏平均F1分数达81.35%,井间平均准确率为96.38%;SMOTE-CatBoost模型次之;GBDT模型效果最差,宏平均F1分数仅为70.12%,平均准确率为93.25%。Stacking集成模型通过融合随机森林、XGBoost和CatBoost等多类具有差异学习偏差的基模型,显著提升了蒸发岩系中薄互层岩性的综合识别能力,为深部钾盐矿勘探提供了有效技术支撑。