岩性识别是测井解释与地质建模中的关键环节，其结果直接决定了储层评价工作的可靠性。然而，然而，传统岩性分类方法多依赖单一机器学习模型构建判别体系，这类方法往往仅聚焦于测井曲线的数值特征提取与拟合，忽略了不同岩性族在形成环境、矿物成分、结构构造等方面存在的显著地质本质差异，导致模型缺乏对地质背景的适配性，尤其是在碎屑岩与碳酸盐岩等地质属性差异显著的岩性族之间。针对上述问题，本文提出了一种融合地质先验知识的XGBoost岩性识别方法，通过引入岩性族级约束机制，有效提升模型在复杂地质条件下的分类合理性与稳定性。为验证所提方法的有效性，本文在三口实际测井数据上开展系统实验，对比分析了传统XGBoost、引入地质约束的XGBoost以及本文方法在整体分类性能、族内识别能力及跨岩性族误判行为等方面的差异。实验结果表明，所提出的方法在Macro-F1、Weighted-F1等指标上均表现出更优或更稳定的性能，与传统单一XGBoost模型相比，本文所提出的方法在三口测试井上的Macro-F1指标分别提升了2.8%、3.9%、10.6%。同时，消融实验进一步证明了地质约束机制在提升模型地质一致性与预测可靠性方面的关键作用。综上，本文提出的融合地质先验知识的XGBoost岩性识别方法为复杂地质背景下的岩性识别提供了一种有效且具有良好泛化能力的解决方案，对数据驱动岩性建模方法的地质合理性提升具有一定参考价值。

暂无