复杂地层岩性随钻识别是钻井过程中井壁稳定控制、破岩参数优化和降低复杂风险的关键技术,可保障安全快速钻进并有效预防井下风险。传统的基于现场岩屑录井和测井资料分析方法识别岩性具有明显的滞后性,且受钻井液流体侵泡和录井解释人员业务水平等因素影响,识别精度受限;基于随钻工具的测井响应岩性识别方法虽满足低时延要求,但应用受限于适用环境和维护成本,高经济成本和苛刻的井筒环境限制了其推广使用。然而,井下钻具振动数据是钻井过程中大量产生的高密度附属数据,具有可实时获取的低时延和低成本优势,其高频段可反馈地层岩性特征,因此探讨如何有效利用井下振动数据识别地层岩性具有重要意义。针对上述问题,本论文提出将钻头钻具的振动数据做为合理的识别信号源,提取振动时频特征转化为时频图像,结合Mobilenet和Res Net结构优势,构建以卷积神经网络算法为基础的复杂地层岩性(砾岩、砂岩和泥岩)随钻识别模型,并开展相关的模型精度验证和模型预测结果解释工作。具体完成如下工作:原始样本包含1410条砾岩、砂岩和泥岩3种岩性数据,将原始振动信号经过巴特沃斯(BHPF)滤波降噪处理并使用短时傅立叶(STFT)变换提取振动时频图像,再利用数据增强技术将训练样本集扩充5倍,以Mobile Net和Res Net为基础单元使用python脚本和MXNET框架实现具体模型,并完成训练、调优和评估等迭代流程。为提高决策结果的可信任度,通过梯度加权的类激活热力定位图和t分布邻域嵌入技术分别解释模型的决策依据和空间聚类决策结果。最终验证测试表明,模型的单样本决策时间10ms,模型占用49.38KB存储空间,测试集宏查准率74.3%、宏查全率72.3%。本文是以石油钻探过程中的岩性识别需求为切入口,一是提供保障安全快速钻井的低时延、低成本岩性判断方法,二是探索前沿的深度学习技术能否用于改进完善优化石油领域的难点痛点,为石油领域的工业大数据落地应用探索可行性与适用性。