储层岩心的电学特性在测井解释、储层评价以及储量预测中具有重要作用,是研究岩石导电机理和评估储层岩石油水分布的重要因素。基于数字岩心技术进行岩石电学特性分析可确保物性分析在同一岩样上进行实验。使用机器学习方法及高阶数据分析手段可深入探索岩石孔隙结构与电学等物理属性之间的耦合关系。同时,采用不确定性量化方法能够有效解决不同数字岩心的物理属性预测准确性问题,为将数字岩心分析结构推广至岩石物理分析及油气储层评价等科学、工程领域提供重要的理论参考依据。本论文以砂岩为研究对象,采用贝叶斯证据学习和多种机器学习技术,科学分析岩心空间几何特征和电学特性之间的潜在关系,有效解决数字岩心电学特性量化分析问题。主要内容包括:首先,基于生成对抗网络和多点统计算法等建模方式,以增广岩心数据集为目标,对比生成对抗网络和多点统计算法训练重构的建模时间和建模质量,获取足量实验岩心模型。其次,针对数字岩心电学特性不确定性量化,设计贝叶斯证据学习基本流程,以典型相关分析与核密度估计等关键技术为手段,采用蒙特卡洛抽样方式保留岩心模型内部的不确定性,采取假设检验与区间估计等标准,评价预测结果的合理性。最后,应用贝叶斯证据学习于工程实践中,计算砂岩孔隙度、比表面积、欧拉数等几何特征描述符和电导率,训练贝叶斯证据学习框架以获得关于砂岩电导率不确定性量化结果。计算结果表明,采用机器学习及贝叶斯证据学习框架可对复杂储层的数字岩心模型进行电学特性的有效预测及不确定性量化,对Bentheimer砂岩、二维砂岩铸体薄片岩心的实测数据及量化结果评价标准均证明输出结果的可靠性和有效性。以不确定性量化分析思想进行数字岩心电学特性预测可提高结果的可解释性,为推进岩心模型电学特性在实际工程中的应用建立重要理论基础,同时也为后续探索岩心不同物性之间内在关系提供可能。