primjenom različitih algoritama strojnoga učenja. U ovome istraživanju testirane su metode najbližega susjedstva (engl. skr. NN) vrste K (za procjenu gustoće) i klasterske analize vrste K-sredine kod predviđanja litologije iz karotažnih podataka izmjerenih u siliciklastičnome ležištu naftnoga polja Shushufindi u Ekvadoru. Usporedba litološke interpretacije napravljena je korištenjem kvalitativne interpretacije te karotaže gustoće i neutrona. Rezultati su pokazali kako KNN bolje predviđa na temelju interpretiranih podataka (87,3 %, tj. 1145 m predviđeno od interpretiranih 1311,1 m) nego rezultati dobiveni klasterskom analizom K-sredina (71,6 %, tj. 939,7 m predviđeno od interpretiranih 1311,1 m). Geologija ležišta uvjetuje određenu razinu odstupanja zbog vrlo sličnih geofizičkih odgovora između vapnenaca i srednjozrnatih klastita. Mogućnost kontrole u KNN-u čini algoritam preporučljivim za litološku interpretaciju sličnih ležišta.