在深水、深层油气勘探早期，可用于训练的测井样本有限，单一深度学习模型容易过拟合，岩性识别的泛化能力受限。针对这一问题，研究提出指数交互串行集成梯度提升方法（eGB）：将多个DNN或LSTM子网络串联，为各子网设置局部损失，使后续子网重点学习前序模型误判的样本，并通过指数交互机制综合局部残差与全局损失。研究使用9口井资料开展试验，以其中8口井用于训练、SHRIMPLIN井用于测试，并在NOLAN盲井上进一步验证。
图1. 深度学习梯度提升串行集成模型结构
测试结果显示，eGB相较单一DNN、LSTM及传统梯度提升集成，提高了多类岩性和相邻岩性识别表现；在SHRIMPLIN井的相邻岩性识别中，集成方法最高准确率为94.6%。NOLAN盲井测试中，LSTM-eGB的相邻岩性Precision、Recall、F1分别为0.92、0.89、0.88，优于文中RF-TPE和XGBoost-TPE基线。研究也指出，相似岩性特征高度重叠、稀少类别样本不足以及异常噪声仍会影响识别，模型在更多井区的验证仍有必要。
图2. NOLAN盲井实际岩性与不同模型预测剖面对比
研究成果近期发表于人工智能应用领域国际重要期刊 Engineering Applications of Artificial Intelligence。论文第一作者为中国石油大学（华东）深层油气全国重点实验室马玉彬，通讯作者为中国石油大学（华东）曹丹平教授，合作作者包括中国石油大学（华东）赵佳豪和瑞士洛桑大学地球科学研究所侯志宇。该研究得到国家自然科学基金和国家科技重大专项联合资助。
论文信息：Yubin Ma, Jiahao Zhao, Zhiyu Hou, Danping Cao. 2026. Lithology identification with limited data based on deep learning serial ensemble optimization. Engineering Applications of Artificial Intelligence, 176, 114654. doi:https://doi.org/10.1016/j.engappai.2026.114654.
