2026年6月5日，中国石油大学（北京）克拉玛依校区石油学院硕士研究生董志武以第一作者在地球科学领域国际顶级期刊《IEEE Transactions on Geoscience and Remote Sensing》（TGRS）上发表研究论文，论文题目为“End-to-End Depositional Microfacies Identification from Variable-Log Inputs Using CNN and Attention-CRF”。校区石油学院为第一完成单位，论文由高崇龙、任影副教授指导完成，科研团队其余作者包括纪友亮教授、钟大康教授及研究生许楚昊、许瑞、李易伦。

图1.本文人工智能识别模型架构与沉积微相智能识别结果验证

沉积微相识别是沉积学研究及油气藏勘探开发中的关键基础工作之一。传统地质识别方法主要根据测井曲线与岩心资料依赖人工进行单井和连井判识对比，整体数据处理体量小、效率低且主观性强。而前期相关人工智能深度学习方法多需要对测井序列进行伸缩变换以统一长度，这不仅破坏了原始地层序列的深度信息，也难以有效建立测井响应与沉积微相间的端到端映射。

针对上述目前国际研究的难题，研究团队提出了一种融合卷积神经网络（CNN）与注意力机制及条件随机场（Attention-CRF）的端到端深度学习模型。该模型相比前期理论和技术方法具有三大优势：（1）最少仅需单条测井曲线即可完成沉积微相识别，降低了对多曲线组合的依赖；（2）无需对测井序列进行伸缩变换等预处理，保留了原始深度域的地层信息；（3）引入条件随机场（CRF）对相邻地层的微相连续性进行建模，通过相转移概率约束地质上相邻井和地层间的微相组合关系，确保识别结果在空间上符合沉积学理论原理。本方法在三角洲水下分流河道、河口坝、席状砂等多种沉积微相单井-连井识别对比中均取得了高精度、高鲁棒性的效果，为测井沉积学解释的自动化与智能化提供了全新技术路径。

IEEE Transactions on Geoscience and Remote Sensing是国际IEEE地球科学与遥感学会（GRSS）旗舰会刊，已有60年历史，是地球科学领域最顶尖级的国际期刊之一。该刊2026年实时影响因子为9.1，在Web of Science（WOS）期刊引证报告（JCR）中被列为Q1区，在中国科学院SCI期刊分区中归入地球科学1区TOP期刊。

论文链接：https://ieeexplore.ieee.org/document/11552782