跨井岩性识别是油气勘探开发中的重要基础问题，其难点主要体现在不同井之间测井响应差异显著以及目标井岩性标注样本严重不足，导致传统依赖大样本假设的监督学习方法在实际工程中稳定性较差。针对上述问题，本文以南海西部某区块为研究对象，提出了一种融合地学知识约束、少样本迁移学习、分布对齐与概率自适应融合机制的跨井岩性智能识别方法，在样本受限条件下实现了高精度预测。
在特征构建方面，基于岩石成因与地球化学机理，引入具有明确地学意义的衍生特征，包括Si/Al、Th/K等元素比值以及Fe+Mg等成分组合特征，用于刻画不同岩性在元素组成层面的本质差异。该特征体系有效降低了单纯依赖原始测井曲线所带来的井间分布差异影响，从特征层面增强了跨井岩性识别的稳定性。
针对目标井样本稀缺的问题，本文设计了一种少样本迁移学习策略。在以源域样本为主体训练模型的基础上，引入少量目标井已知岩性样本参与联合训练，并通过样本重加权机制强化目标域样本对模型参数更新的约束作用。同时，结合少数类过采样方法对类别分布进行平衡，并采用基于分位数映射的分布对齐策略，将不同井的数据映射至统一的统计空间，从而有效减弱源域与目标域之间的特征分布差异，提升模型的泛化能力。
在模型层面，选用随机森林作为基础分类器，并引入基于地学经验的软判别规则，以概率形式对模型输出结果进行约束与修正，避免硬阈值规则在复杂地质条件下产生误判。进一步地，提出基于预测熵的自适应融合策略，根据模型预测不确定性动态调节数据驱动结果与地学规则之间的权重，实现二者的协同优化。
实验结果表明，该方法在目标井上的岩性识别总体精度达到97.14%，显著优于传统随机森林模型；在源域不同区段和样本子集上的验证精度均保持在99%以上，体现出良好的稳定性与鲁棒性。综上，本文方法为复杂地质条件下的少样本跨井岩性智能识别提供了一种具有实际工程应用价值的技术方案。
 

跨井岩性识别；少样本迁移学习；地学知识约束；分布对齐；自适应融合机制