该研究提出了一种基于XGBoost模型的新颖联邦学习（FL）框架，通过安全的协作建模实现多方可访问但隐藏数据的收集，通过贝叶斯优化实现模型的超参数调优。研究证明FL-XGBoost方法在地能量领域的二元分类问题中取得了合适的平衡，FL模型展现了优越的准确性和泛化能力。对于数据有限或相关性较低的参与者而言，相比于单独模型，FL提供了显著的隐私优势。FL协议内的聚合优化方法在超参数调优方面表现有效。这项研究开辟了通过协作和隐私保护的FL技术评估非传统储层的新途径。