矿床地质

作者：丁剑,封志兵,袁兴民,王春连,江丽

单位：东华理工大学 核资源与环境国家重点实验室, 江西 南昌 330013;青海省核工业地质局, 青海 西宁 810001;中国地质科学院矿产资源研究所 自然资源部成矿作用与资源评价重点实验室, 北京 100037

关键词：钾盐,测井数据,机器学习,岩性识别,集成学习,SMOTE,Stacking模型,

基金：深地国家科技重大专项(编号:2024ZD1003300); 中国铀业有限公司-东华理工大学核资源与环境国家重点实验室联合创新基金项目(编号:2023NRE-LH-08); 江西省自然科学基金项目(编号:20252BAC240270)联合资助

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。

来源：2026年第1期

《矿床地质》期刊编辑部

查看矿床地质杂志2026年第1期