Lithology identification is vital for reservoir exploration and petroleum engineering. Recently, there has been growing interest in using an intelligent logging approach for lithology classification. Machine learning has emerged as a powerful tool in inferring lithology types with the logging curves. However, well logs are susceptible to logging parameter manual entry, borehole conditions and tool calibrations. Most studies in the field of lithology classification with machine learning approaches have focused only on improving the prediction accuracy of classifiers. Also, a model trained in one location is not reusable in a new location due to different data distributions. In this paper, a unified framework is provided for training a multi-class lithology classification model for a data set with outlier data. In this paper, a coarse-to-fine framework that combines outlier detection, multi-class classification with an extremely randomized tree-based classifier is proposed to solve these issues. An unsupervised learning approach is used to detect the outliers in the data set. Then a coarse-to-fine inference procedure is used to infer the lithology class with an extremely randomized tree classifier. Two real-world data sets of well-logging are used to demonstrate the effectiveness of the proposed framework. Comparisons are conducted with some baseline machine learning classifiers, namely random forest, gradient tree boosting, and xgboosting. Results show that the proposed framework has higher prediction accuracy in sandstones compared with other approaches.

岩性识别对于油藏勘探和石油工程至关重要。近来，人们越来越关注使用智能测井方法进行岩性分类。机器学习已成为一种通过测井曲线推断岩性类型的强大工具。但是，测井数据容易受到测井参数手动输入，井眼条件和工具校准的影响。使用机器学习方法进行岩性分类领域的大多数研究仅集中在提高分类器的预测准确性上。而且，由于数据分布不同，在一个位置训练的模型在新位置不能重复使用。在本文中，提供了一个统一的框架，用于训练具有异常数据的数据集的多类岩性分类模型。在本文中，为了解决这些问题，提出了一种结合了异常值检测，多类分类和基于随机树的分类器的粗到精框架。使用无监督学习方法来检测数据集中的异常值。然后，使用从粗到精的推理过程，使用极其随机的树分类器来推断岩性类别。使用两个真实的测井数据集来证明所提出框架的有效性。使用一些基准机器学习分类器进行比较，即随机森林，梯度树增强和xgboosting。结果表明，与其他方法相比，该框架对砂岩的预测精度更高。为了解决这些问题，提出了一种基于极随机树的分类器进行多类分类。使用无监督学习方法来检测数据集中的异常值。然后，使用从粗到精的推理过程，使用极其随机的树分类器来推断岩性类别。使用两个真实的测井数据集来证明所提出框架的有效性。使用一些基准机器学习分类器进行比较，即随机森林，梯度树增强和xgboosting。结果表明，与其他方法相比，该框架对砂岩的预测精度更高。为了解决这些问题，提出了一种基于极随机树的分类器进行多类分类。使用无监督学习方法来检测数据集中的异常值。然后，使用从粗到精的推理过程，使用极其随机的树分类器来推断岩性类别。使用两个真实的测井数据集来证明所提出框架的有效性。使用一些基准机器学习分类器进行比较，即随机森林，梯度树增强和xgboosting。结果表明，与其他方法相比，该框架对砂岩的预测精度更高。然后，使用从粗到精的推理过程，使用极其随机的树分类器来推断岩性类别。使用两个真实的测井数据集来证明所提出框架的有效性。使用一些基准机器学习分类器进行比较，即随机森林，梯度树增强和xgboosting。结果表明，与其他方法相比，该框架对砂岩的预测精度更高。然后，使用从粗到精的推理过程，使用极其随机的树分类器来推断岩性类别。使用两个真实的测井数据集来证明所提出框架的有效性。使用一些基准机器学习分类器进行比较，即随机森林，梯度树增强和xgboosting。结果表明，与其他方法相比，该框架在砂岩中具有较高的预测精度。