近期，成都理工大学侯明才教授团队连续发表了多项沉积地质学与计算机科学的交叉研究成果，包括基于基于深度学习的锆石CL图像智能分类、基于深度学习的测井数据岩性判别、深度学习的测井数据总有机碳预测。几项成果简介如下：

进展一：基于深度学习的锆石CL图像智能分类

锆石是自然界中常见的重矿物，在确定地质年代、火成岩和变质岩的生成以及确定沉积岩的源区和最大沉积年龄方面具有重要意义。岩浆、变质和热液锆石是常见的锆石类型，对锆石类型进行分类是进一步进行地质年代学和地球化学分析的前提步骤。目前锆石分类方法主要是利用人工手段对锆石阴极发光（CL）图像进行锆石分类。然而，这一过程是劳动密集型的，需要专业的知识，且其准确性取决于解释者的专业知识和谨慎性。

（锆石智能分类工作流）

（基于迁移学习的锆石分类）

为此，该研究创建了一个包含上述三类锆石的4000张CL图像的图集，采用深度卷积神经网络（DCNNs）和迁移学习的方法对锆石类型进行了划分。研究结果表明，DCNNs能够很好地区分图集中热液锆石与其他锆石，准确率可达100%。虽然岩浆锆石和变质锆石的相似结构给锆石分类带来了很大的挑战，但DCNNs成功地划分出了95%的岩浆锆石和92%的变质锆石。该研究证明了DCNNs在锆石分类中具有高精度的能力，该方法可以进行快速、智能地锆石识别工作。本研究发表于地学Top期刊Geoscience Frontiers。

进展二：基于深度学习的测井数据智能岩相判别

岩相是一定沉积环境中形成的岩石或岩石组合，岩相对于预测地层单元的岩性分布至关重要，是重建深时古地理和寻找油气勘探甜点的关键。测井数据因其来源广、易获取、连续分布等特征，被广泛应用于岩相解释与预测。然而目前利用测井数据进行岩相解释的方法时长、成本高、准确度不高，并且不能考虑样本不均衡问题。

（利用XGBoost以及重采样算法进行岩相的测井智能识别工作流）

针对以上问题，该研究选取四川盆地元坝工区家河组与自流井组地层作为研究对象，获得约11万条基于专家构建的河流-湖泊相知识图谱的测井与岩相数据。采用XGBoost 算法，并且结合了多种重采样算法构建机器学习模型。基于以上模型，对于研究工区的沉积相测井识别准确度可以达到90%。该算法提升了机器学习在该类问题预测的准确性，表明机器学习在岩相预测的广阔应用前景，并且有望为未来大尺度的深时古地理重建与油气勘探提供技术支撑。本研究发表于石油类Top期刊Journal of Petroleum Science and Engineering。

进展三：基于深度学习的测井数据有机碳预测

页岩油气作为重要的非常规油气资源，是国家“十四五”也是各大能源公司重点攻关的能源资源。总有机碳作为评价页岩油气藏的重要指标，如果能够建立合适模型，对总有机碳进行快速、准确地预测，将极大地提高勘探效率、节约勘探成本。

（利用深度学习预测TOC与传统机器学习等方法的对比）

该研究对来自中国四川盆地、鄂尔多斯盆地、渤海湾盆地以及西加拿大盆地的页岩油气藏，建立了电阻率、声波、密度以及伽马测井与总有机碳的深度学习模型。该模型能够利用上述测井曲线数值对未知组段的页岩总有机碳进行预测，预测准确度可以达到89%；相较于ΔLogR，支持向量机以及神经网络等传统研究方法，深度学习模型显著地提高了预测精度，且具有极强的可移植性。该模型在实际非常规油气藏的勘探与开发具备巨大的应用潜力。本研究发表于石油类知名期刊Marine and Petroleum Geology 。

上述成果主要完成人为郑栋宇副研究员、马超教授等。郑栋宇副研究员、马超教授都是该团队近年来从美国引进的地学大数据方向的青年人才。研究主要依托“深时数字地球（DDE）”国际大科学计划和自然基金委0-1创新项目。

郑栋宇

郑栋宇，地质学博士，副研究员，硕士生导师，四川省高层次海外留学人才。研究方向主要包括：深时深地数字地球重建，侧重于沉积学与其他学科的交叉研究；非常规油气资源智能化勘探，应用深度学习技术在油气智能化勘探开发应用等研究。

马超

马超，地质学博士，教授，博士生导师，国家高层次海外人才、四川省特聘专家、珠峰A类人才。他长期从事地质学和计算机科学的交叉研究，在Nature、Geology等国际一流期刊发表英文SCI论文20余篇；首次在地质记录中发现混沌太阳系的确凿证据，成果发表在Nature杂志。

欢迎关注"成都理工大学本科招生"头条号，第一时间获取关于成理的最新资讯！

本文素材来源：成都理工大学沉积地质研究院官网、成理青年等