基于聚煤環境分區的煤體結構測井判別及應用——以沁水盆地南部馬必東地區為例

張建國，韓 晟，張 聰，陳彥君

基于聚煤環境分區的煤體結構測井判別及應用——以沁水盆地南部馬必東地區為例

張建國1，韓 晟2，張 聰1，陳彥君2

(1. 中國石油天然氣股份有限公司華北油田分公司山西煤層氣開發分公司，山西 晉城 048000；2. 中國石油天然氣股份有限公司華北油田分公司勘探開發研究院，河北 任丘 062552)

煤體結構的測井曲線判別是一種高效經濟的地球物理判別方法，但是受沉積環境和煤儲層物性等因素影響，測井曲線具有多解性，造成煤體結構測井響應不明顯，由此得到的判別方法也會有區域局限性。因此，在進行測井判別之前，需要對除煤體結構以外的影響測井曲線的因素加以控制。以沁水盆地馬必東區塊3號煤為例，首先利用煤心灰分與伽馬測井曲線的正相關性進行煤心歸位，以確保測井深度與取心深度的一致性；再利用煤心的鏡質組與惰質組含量之比(鏡惰比)對工區的聚煤環境進行分區，并優選聚煤環境相近分區的測井曲線。結果表明，電阻率系列曲線可以較清晰地反映該地區的煤體結構，受探測深度的影響，聲波曲線無法準確地反映該地區煤體結構的變化規律。利用取心井訓練的多測井曲線隨機森林模型對未取心井煤體結構進行預測和判定，實測壓裂曲線檢驗表明，預測結果與實測數據吻合率高。應用表明，基于聚煤環境分區的煤體結構測井判別方法可以反映煤體結構分布規律，指導壓裂工作，降低煤層氣開發成本，且有助于指導跨區塊的煤體結構測井響應研究。

煤體結構；測井響應；聚煤環境；煤心歸位；隨機森林方法；顯微組分

煤體結構影響煤儲層的物理、化學性質[1]，進而造成煤層氣儲存、運移、產出的差異。因此，煤體結構是制約煤層氣勘探開發的重要因素。

煤體結構的主要判別方式可以分為3類。① 直接觀察法，即直接觀察煤心或煤壁的特征來判斷煤體結構；該方法的判別結果可靠，但成本較高，所以難以大規模應用。② 成因預測法，即綜合區塊的構造、應力、沉積等特征間接推斷煤體結構[2-3]，該方法適合對煤體結構的橫向展布進行預測，但不易解釋煤體結構的縱向變化規律。③ 地球物理判別法，即利用不同煤體結構的地球物理響應差異來判別煤體結構，比如使用地震數據[4]或測井數據[5-7]。其中測井曲線判別方法比較常用，因為其判別結果的縱向分辨率較高且應用成本適中。

測井判別中常用的方法有5種。① 曲線形態法[8]，通過研究不同煤體結構在不同測井曲線上的形態特征來判斷煤體結構，該方法人工參與較多，主觀性較強，不同人識別的結果可能差異較大。② 經驗公式法[9]，即通過不同測井曲線的煤體結構響應特征，利用若干種測井曲線的簡單函數運算組成一個指示煤體結構的經驗公式；該經驗公式可以定量判別煤體結構的好壞。該方法計算過程易于理解，可是判別結果的準確率有限，地區局限性比較強，經驗公式不易推廣；特別是在處理大量測井數據時 ，經驗公式不容易通過人工來歸納總結。③ 回歸公式法[10]，首先將煤體結構量化，比如使用地質強度因子GSI，再將GSI與多條測井曲線進行多元回歸，得到指示煤體結構的回歸公式。該方法通過回歸公式來進行特征提煉，適合處理大數據。④ 聚類分析法[11]，是一種無監督的機器學習方法，首先優選出對于煤體結構敏感的幾條測井曲線作為樣本集，再通過聚類方法將輸入的樣本集依據其數值及其組合特征進行自動分類。該方法在處理大數據和有較大噪音樣本集時，可能不易得到穩定的聚類結果，且判別結果的準確程度依賴于煤體結構敏感曲線的優選。⑤ BP神經網絡方法[12]，該方法是一種有監督的機器學習方法，使用取心井的不同測井曲線作為樣本集，再使用巖心觀察得到的煤體結構作為標簽集，構建BP神經網絡進行訓練，最后利用訓練好的神經網絡對非取心井進行煤體結構判別。該方法的判別結果比較準確，但訓練好神經網絡的映射過程不易理解，不方便對煤體結構的判別規律進行研究。

測井數據存在多解性，也就是說煤體結構并非是影響測井曲線的唯一因素，如果沒有控制好其他影響測井曲線的因素，得到判別結果的準確度不高。上述方法均沒有對影響測井曲線的其他因素加以控制。

沁水盆地馬必東地區煤體結構比較復雜，目前對于該地區的煤體結構的測井響應尚不明確，所以利用測井數據對煤體結構進行判別的以上方法應用較難。在對該工區3號煤的煤體結構研究過程中發現：不同煤體結構產生的原因可以歸結為內部因素和外部因素兩種：外因即構造應力，在其他條件相同的情況下，地應力越集中的地方煤巖越容易破碎[2]；內因即煤質，在地應力相同的情況下，煤巖機械強度越低的部位越容易破碎[13-14]，而內因的形成原因可以歸結為煤巖的沉積環境的差異。筆者首先通過煤巖顯微組分進行聚煤環境分區，控制好影響測井曲線的其他因素，再研究不同沉積環境下的煤體結構測井響應關系，最終得到較準確的煤體結構測井判別模型，以期指導研究區煤層氣勘探開發，并為其他類似地區煤體機構測井響應提供新思路。

1 研究區概況

馬必東工區位于沁水盆地南部的西斜坡洼槽帶，屬于中深層煤層氣勘探開發區，煤層氣儲層為高階無煙煤，煤層氣主要以吸附方式賦存在儲層中[1]。該地區含有2套產氣層：一套是位于下二疊統山西組的3號煤，該煤層沉積環境為三角洲—沼澤相，煤層平均厚度為7 m，煤層頂底板均有泥巖封堵。另一套是位于下二疊統–上石炭統太原組15號煤，該煤層沉積環境為潮坪–潟湖相，煤層平均厚度為5 m，其頂板有灰巖發育。其中，3號煤分布廣，且煤層較厚，是該區塊的主力產氣層，也是本次的研究對象。

該區塊主要經歷燕山、喜馬拉雅期兩期構造運動，其中燕山期主要為隆升運動，地表受到剝蝕作用；喜馬拉雅期主要為西抬東傾運動。斷裂方向主要為北向和北北西向。區塊的東西部存在2條隆起帶。

取心井共有15口，位置如圖1所示，煤心樣品共計95塊，工區面積約127 km2。

圖1 馬必東地區鏡惰比分布

2 煤心歸位

以煤心觀察的煤體結構為標準來研究不同煤體結構的測井響應關系。首先需要保證煤心深度與測井深度的一致性，利用灰分與自然伽馬的正相關性[15]進行煤心歸位。在保證煤心順序正確的情況下，計算每口井煤心的灰分含量與不同深度段上自然伽馬測井值的Pearson相關系數。當相關系數最大時，認為煤心歸位到準確深度。

Pearson 相關系數計算公式[16]如下：

設定煤心深度在原始深度處上下偏移2 m，再以測井采樣間隔為步長，提取若干組自然伽馬測井值。將每組煤心灰分和自然伽馬測井值代入式(1)，計算相關系數。相關系數最大值對應的測井偏移值即為煤心深度應該校正的深度值。

使用該方法可以通過編程自動校正煤心深度，后期再依據煤心特征與其他測井曲線變化規律人工檢查校正是否準確。表1為煤心歸位前的測井曲線與煤心煤質、煤巖等的相關系數，相關系數絕對值的平均值為0.105，最大值為–0.28；表2為經過煤心歸位的后測井曲線與煤心煤質、煤巖等的相關系數，相關系數絕對值的平均值為 0.19，最大值為–0.64；對比校正前，說明煤心參數與測井的相關程度得到了很大的提升。

3 聚煤環境分區

煤的形成需要經過泥炭化作用和煤化作用兩個階段[17]。馬必東地區煤的鏡質體最大反射率為2.43%～3.26%，均為高階無煙煤。煤巖性質差異大概率取決于泥炭化作用所處的聚煤環境。

顯微組分中的鏡惰比[18]可以反映聚煤環境。鏡質組是由植物遺體受凝膠化作用形成的，在靜水低能的還原沼澤環境容易發生；惰質組組分是由植物遺體受絲炭化作用形成的，在淺水高能的氧化沼澤環境容易發生[19]。因此，使用鏡質組與惰質組的比值作為泥炭氧化程度指標。圖1為使用取心井數據繪制的鏡惰比趨勢圖，從圖中可以看出馬必東地區可以分為東北區和西南區兩個區域，其中東北區偏靜水低能的還原環境，而西南區域為偏淺水的氧化環境。

表1 煤心歸位前煤心參數與測井曲線Pearson相關系數

表2 煤心歸位后煤心參數與測井曲線Pearson相關系數

4 煤體結構的測井響應

圖2a為全區所有探井的煤體結構測井響應概率密度圖，不同煤體結構的概率密度曲線在各個測井曲線上的重疊現象嚴重，說明該區塊的煤體結構測井響應不明顯。

圖2b為偏靜水低能環境的煤體結構測井響應概率密度圖，對比分區之前的響應概率密度圖(圖2a)，不同煤體結構在各個測井曲線上的重疊現象有所減弱。其中，電阻率系列測井曲線最為敏感。在深側向上，碎粒煤與原生結構煤(碎裂煤)的概率曲線分離比較明顯，在沖洗帶電阻率上，原生結構煤與碎裂煤(碎粒煤)分離比較明顯。而且煤體結構的測井響應與前人的認識一致：煤體結構越破碎，電阻率越低，這是因為構造煤的外生裂隙比較發育，會造成該部分煤層的孔隙率和含水量的增加[20]；另外構造煤中自由基和小分子含量較多[21]，會增強煤的離子導電作用。值得注意的是，在馬必東地區，聲波時差測井曲線并不能很好地反映煤體結構的變化規律。這可能是由聲波時差的探測深度較淺導致的，根據胡社榮等[22]的研究發現，常規聲波測井的探測深度一般在沖洗帶以內，而深側向測井可以達到侵入帶以外。圖3展示了該分區樣品的聲波時差和井徑與沖洗帶電阻率的交會圖，可以看出其相關程度較高，Pearson相關系數分別為0.69和–0.53。 因此，聲波時差測井可能受擴徑和泥漿入侵的影響比較嚴重。

圖2c為淺水高能環境的煤體結構測井響應直方圖，對比分區前的響應圖，雖然不同煤體結構在測井上的分離程度都有所提升，但是仍然不能通過測井曲線有效判別煤體結構。如果假設該區域的測井曲線只受煤體結構和顯微組分兩個因素影響，通過前人的研究已知原生結構煤的電阻率大于構造煤，由圖4可知，當鏡質組含量增加時，電阻率增大。那么鏡質組含量高的原生結構煤對應的電阻率應該最大，其次是鏡質組含量低的原生結構煤和鏡質組含量高的構造煤，而鏡質組含量低的構造煤的電阻率最低。鏡質組含量高的煤的節理較為發育[23]，是煤層氣賦存連通的有利因素。因此可以推斷，雖然該區塊的煤體結構的測井響應不明顯，但電阻率高的部位是煤層氣勘探開發的有利區域。

從開發井的數量來看，90%以上的開發井位于靜水低能區域；而且該區域的煤體結構測井響應比較明顯，因此，測井判別將以東北區塊為研究對象。

5 測井曲線綜合判別

隨機森林方法使用Bootstrap抽樣方法從原始樣本集中隨機獨立采集多套樣本子集，并利用樣本子集進行決策樹建模，最終綜合所有決策樹的結果進行判別[24]，過程如圖5所示。隨機森林方法不僅適用于小樣本數量的判別問題，而且可以給出每個特征屬性(即輸入的每種測井曲線類型)在最終結果中所占的比例。

圖3 測井曲線交會圖

圖4 西南區鏡質組含量與深側向電阻率交會圖

本次實驗的樣本集為馬必東地區靜水低能區域的45塊取心樣本所對應的深側向電阻率、沖洗帶電阻率、自然伽馬數據(研究區對煤體結構比較敏感的測井曲線)；標簽集為取心樣本所對應的煤心觀察獲得的煤體結構，原生結構煤(14塊)的標簽值為0，碎裂煤(21塊)為1，碎粒煤(9塊)為2，由于取心中的糜棱煤只有1塊，將糜棱煤的標簽也定為2，夾矸的數據為3。首先，使用 Bootstrap 抽樣方法從45塊取心樣品中隨機獨立采集57套樣本子集及對應的標簽集(經測試，本實驗樣本使用57棵決策樹，判別結果的準確率最高)；再將樣本子集分別建立決策樹，決策樹使用交叉熵作為不純度計算方法，不使用剪枝操作，決策樹的判別結果為當前樣本子集不純度最低分類方案；最后將57棵決策樹的判別結果進行投票判別，得票數高的煤體結構類型即為該樣品的最終判別結果。由于Bootstrap抽樣方法本身的性質，使得樣本總集中約37%的樣品不會存在于樣本子集中，這部分樣品被稱為袋外數據[24]，所以可以使用袋外數據作為測試集。經過多次實驗驗證，本次隨機森林方法的判別結果在測試集上的準確率穩定在83.7%左右。

圖5 隨機森林判別方法

6 應用及效果

利用上文中訓練好的隨機森林模型對未取心井進行判別。這里以m30-10 、m42-9和m10-2，3口未取心井為例進行預測。首先將測井煤層段對應的深側向、沖洗帶電阻率和自然伽馬曲線進行采樣以減少冗余數據，再將采樣后的數據輸入隨機森林模型。圖6a—圖6c即為3口井在不同深度段對應的煤體結構預測結果。

為了驗證煤體結構判別結果的可靠性，采用對應井的壓裂數據進行檢驗。原生結構煤比例高的井壓裂效果好，而占比低的井壓裂效果差。煤層氣壓裂曲線可以分為4種：穩定型、穩定波動型、下降型和波動型，壓裂效果由好到差[25]。

由圖6測井曲線預測結果可知，m30-10井的原生結構煤比例約為 82%；m42-9井原生結構煤比大約為73%；m10-2井的原生結構煤比例約為49%。

由壓裂曲線(圖7)可知，m30-10井的壓裂曲線屬于高壓穩定型，破裂壓力明顯，且套壓可以穩定維持在較高的壓力水平，壓裂效果好。m42-9井的壓裂曲線屬于穩定波動型，破裂壓力不明顯，套壓較高但有波動現象，壓裂效果較好。m10-2井壓裂曲線，套壓雖然穩定但低于20 MPa，且破裂壓力不明顯，壓裂效果差。

綜上實驗結果，說明該隨機森林模型的預測判別結果與實際壓裂效果基本一致，原生結構煤占比越高壓裂效果越好。

7 結論

a. 煤體結構的差異是由外因和內因兩種因素決定的，外因即煤體受到的構造應力的強弱；內因即煤巖煤質。利用測井曲線判識煤體結構，首先要做好煤心歸位，即保證煤心樣品對應的測井深度的準確性；同時要進行沉積環境的分區工作，在同一沉積環境下研究煤體結構，以降低測井曲線的多解性，找到對煤體結構敏感的測井曲線參數。

b. 沁水盆地馬必東地區，電阻率系列曲線可以較清晰地反映煤體結構的變化規律。而聲波時差曲線可能受鉆井擴徑、泥漿入侵和探測深度淺的影響無法有效反映煤體結構的變化規律。

c. 以深側向電阻率、沖洗帶電阻率和自然伽馬測井曲線為輸入的隨機森林判別模型，可以較準確地判別煤體結構，且判別結果可以指導壓裂工作，有效降低煤層氣開發成本。

[1] 蘇現波，陳江峰，孫俊民，等. 煤層氣地質學與勘探開發[M]. 北京：科學出版社，2001.

SU Xianbo，CHEN Jiangfeng，SUN Junmin，et al. Coalbed methane geology and exploration and development[M]. Beijing：Science Press，2001.

[2] 倪小明，蘇現波，張小東. 煤層氣開發地質學[M]. 北京：化學工業出版社，2010.

NI Xiaoming，SU Xianbo，ZHANG Xiaodong. Coal bed methane development geology[M]. Beijing：Chemical Industry Press，2010.

[3] 袁崇孚. 構造煤和煤與瓦斯突出[J]. 瓦斯地質，1986(1)：32–33.

YUAN Chongfu. Structural coal，coal and gas outburst[J]. Gas Geology，1986(1)：32–33.

[4] 湯友誼，孫四清，田高嶺. 測井曲線計算機識別構造軟煤的研究[J]. 煤炭學報，2005，30(3)：293–296.

TANG Youyi，SUN Siqing，TIAN Gaoling. Study of computer identifying on tectonic soft coal with well log[J]. Journal of China Coal Society，2005，30(3)：293–296．

[5] 姜波，秦勇，琚宜文，等. 煤層氣成藏的構造應力場研究[J]. 中國礦業大學學報，2005，34(5)：564–569.

JIANG Bo，QIN Yong，JU Yiwen，et al. Research on tectonic stress field of generate and reservoir of coalbed methane[J]. Journal of China University of Mining & Technology，2005，34(5)：564–569.

[6] 琚宜文，姜波，侯泉林，等. 構造煤結構–成因新分類及其地質意義[J]. 煤炭學報，2004，29(5)：513–517.

JU Yiwen，JIANG Bo，HOU Quanlin，et al. The new structure-genetic classification system in tectonically deformed coals and its geological significance[J]. Journal of China Coal Society，2004，29(5)：513–517.

[7] 馬麗，陳同俊，王新，等. 構造煤厚度定量預測技術新進展[J]. 煤田地質與勘探，2018，46(5)：66–72.

MA Li，CHEN Tongjun，WANG Xin，et al. Recent progress of quantitative prediction of tectonic coal thickness[J]. Coal Geology & Exploration，2018，46(5)：66–72.

[8] 孫四清，陳志勝，韓保山，等. 測井曲線判識構造軟煤技術預測煤與瓦斯突出[J]. 煤田地質與勘探，2006，34(4)：65–67.

SUN Siqing，CHEN Zhisheng，HAN Baoshan，et al. Technology of identifying deformed soft coal using well log：An approach to the regional prediction of coal and gas outburst in coal mine[J]. Coal Geology & Exploration，2006，34(4)：65–67.

[9] 張超，黃華州，徐德林，等. 基于測井曲線的煤體結構判識[J]. 煤炭科學技術，2017，45(9)：47–51.

ZHANG Chao，HUANG Huazhou，XU Delin，et al. Coal structure identified based on logging curve[J]. Coal Science and Technology，2017，45(9)：47–51.

[10] 劉振明，王延斌，韓文龍，等. 基于測井資料的BP神經網絡的煤體結構預測[J]. 中國煤炭，2018，44(6)：38–41.

LIU Zhenming，WANG Yanbin，HAN Wenlong，et al. Prediction of coal structure with BP neural network based on shaft logging data[J]. China Coal，2018，44(6)：38–41.

[11] 龍王寅，朱文偉，徐靜，等. 利用測井曲線判識煤體結構探討[J]. 中國煤田地質，1999，11(3)：64–66.

LONG Wangyin，ZHU Wenwei，XU Jing，et al. Discussion on identifying coal body structure using logging curve[J]. Coal Geology of China，1999，11(3)：64–66.

[12] 謝學恒，樊明珠. 基于測井響應的煤體結構定量判識方法[J]. 中國煤層氣，2013，10(5)：27–29.

XIE Xueheng，FAN Mingzhu. Quantitative identification of deformed coal based on logging response[J]. China Coalbed Methane，2013，10(5)：27–29.

[13] 高向東，王延斌，張崇崇. 鉆井中煤體結構特征與井壁穩定性分析研究[J]. 煤炭科學技術，2016，44(5)：95–99.

GAO Xiangdong，WANG Yanbin，ZHANG Chongchong. Study and analysis on coal structure features during drilling operation and well wall stability[J]. Coal Science and Technology，2016，44(5)：95–99.

[14] 李存磊，楊兆彪，孫晗森，等. 多煤層區煤體結構測井解釋模型構建[J]. 煤炭學報，2020，45(2)：721–730.

LI Cunlei，YANG Zhaobiao，SUN Hansen，et al．Construction of a logging interpretation model for coal structure from multi-coal seams area[J]．Journal of China Coal Society，2020，45(2)：721–730．

[15] 劉振明，王延斌，韓文龍，等. 基于測井資料的BP神經網絡的煤體結構預測[J]. 中國煤炭，2018，44(6)：38–41.

LIU Zhenming，WANG Yanbin，HAN Wenlong，et al. Prediction of coal structure with BP neural network based on shaft logging data[J]. China Coal，2018，44(6)：38–41.

[16] 劉最亮，馮梅梅. 陽泉礦區新景礦構造煤發育規律的數值模擬[J]. 煤田地質與勘探，2018，46(4)：35–43.

LIU Zuiliang，FENG Meimei. Numerical simulation study on the development patterns of tectonically deformed coal in Xinjing coal mine in Yangquan[J]. Coal Geology & Exploration，2018，46(4)：35–43.

[17] 湯友誼，田高嶺，孫四清，等. 對煤體結構形態及成因分類的改進和完善[J]. 焦作工學院學報(自然科學版)，2004，23(3)：161–164.

TANG Youyi，TIAN Gaoling，SUN Siqing，et al. Improvement and perfect way for the classification of the shape and cause formation of coal body texture[J]. Journal of Jiaozuo Institute of Technology(Natural Science)，2004，23(3)：161–164.

[18] 徐光波，趙金環，崔周旗，等. 沁水盆地南部安澤區塊煤體結構測井識別研究[J]. 煤炭科學技術，2018，46(5)：179–184.

XU Guangbo，ZHAO Jinhuan，CUI Zhouqi，et al. Study on well logging identification of coal structure in Anze Block of southern Qinshui Basin[J]. Coal Science and Technology，2018，46(5)：179–184.

[19] 韓晟，韓堅舟，趙璇，等. 距離權重改進的Pearson相關系數及應用[J]. 石油地球物理勘探，2019，54(6)：1363–1370.

HAN Sheng，HAN Jianzhou，ZHAO Xuan，et al. A pearson correlation coefficient improved by spatial weight[J]. Oil Geophysical Prospecting，2019，54(6)：1363–1370.

[20] 楊起，韓德馨. 中國煤田地質學[M]. 北京：煤炭工業出版社， 1980.

YANG Qi，HAN Dexin. China coal geology[M]. Beijing：China Coal Industry Publishing House，1980.

[21] 王紹清，唐躍剛. 神東礦區煤巖學特征及煤相[J]. 中國煤田地質，2007，19(5)：4–7.

WANG Shaoqing，TANG Yuegang. Coal petrological characteristics and coal facies in Shendong mining area[J]. Coal Geology of China，2007，19(5)：4–7.

[22] 胡社榮，潘響亮，張喜臣，等. 煤相研究方法綜述[J]. 地質科技情報，1998，17(1)：62–66.

HU Sherong，PAN Xiangliang，ZHANG Xichen，et al. Overview of research methods of coal facies[J]. Geological Science and Technology Information，1998，17(1)：62–66.

[23] 湯友誼，孫四清，郭純，等. 不同煤體結構類型煤分層視電阻率值的測試[J]. 煤炭科學技術，2005，33(3)：70–72.

TANG Youyi，SUN Siqing，GUO Chun，et al. Measurement of apparent resistivity value for coal slices of different seam structures[J]. Coal Science and Technology，2005，33(3)：70–72.

[24] 陳健杰，江林華，張玉貴，等. 不同煤體結構類型煤的導電性質研究[J]. 煤炭科學技術，2011，39(7)：90–92.

CHEN Jianjie，JIANG Linhua，ZHANG Yugui，et al. Study on coal conductive properties of different coal structure[J]. Coal Science and Technology，2011，39(7)：90–92.

[25] 謝楠. 沁水盆地鄭莊區塊煤層氣井壓裂排采效果與影響因素分析[D]. 北京：中國地質大學(北京)，2017.

XIE Nan. Analysis on fracturing effect and influencing factors of coalbed methane wells in Zhengzhuang block，Qinshui Basin[D]. Beijing：China University of Geosciences(Beijing)，2017.

Coal body structure identification by logging based on coal accumulation environment zoning and its application in Mabidong Block, Qinshui Basin

ZHANG Jianguo1, HAN Sheng2, ZHANG Cong1, CHEN Yanjun2

(1. Shanxi CBM Exploration and Development Branch of Huabei Oilfield Company, PetroChina, Jincheng 048000, China; 2. Exploration and Development Research Institute of Huabei Oilfield Company, PetroChina, Renqiu 062552, China)

Identification of coal body structure by logging curves is an efficient and economical geophysical method. However, due to the influence of sedimentary environment and coal reservoir property, logging curves have multiple solutions, leading to an unclear logging response of coal body structure. And the identification rules acquired in one place cannot be applied in another place. Therefore, before starting logging discrimination, it is necessary to control the factors influencing well logging apart from coal structure. This essay takes an example from No.3 coal seam in Mabidong Block, Qinshui Basin. Firstly, coal cores are relocated to their logging depth by the positive correlation between ash content and gamma logging curves. And then, the coal-accumulating environment is divided by the ratio of vitrinite content to inertinite content. After that, the logging curves of similar environment are selected preferably. The result shows that resistivity logging serial curves can indicate the changes in coal body structure clearly, while acoustic wave logging cannot because of its shallow penetration depth. Finally, the Random Forest Model built by the chosen curves is used to predict other wells’ coal body structure. The predicted results and the measured fracturing curves show that the results are in good agreement with the measured data. According to the application, the method can predicate the allocation of coal body structure, instruct hydraulic fracturing, which reduces development cost, and provide guidance to the logging response study on multi-regional coal body structure.

coal body structure; logging response; coal accumulating environment; coal core position restoring; Random Forest Machine learning; maceral

P631.8

A

1001-1986(2021)04-0114-09

2020-11-19；

2021-03-01

國家科技重大專項項目(2017ZX05064)；中國石油天然氣股份有限公司重大科技專項課題(2017E-1405)

張建國，1967年生，男，河北邢臺人，高級工程師，從事煤層氣勘探開發相關研究工作. E-mail：mcz_zjg@petrochina.com.cn

韓晟，1992年生，男，河北欒城人，碩士，工程師，從事煤層氣儲層預測工作. E-mail：yjy_hans@petrochina.com.cn

張建國，韓晟，張聰，等. 基于聚煤環境分區的煤體結構測井判別及應用——以沁水盆地南部馬必東地區為例[J]. 煤田地質與勘探，2021，49(4)：114–122. doi: 10.3969/j.issn.1001-1986.2021.04.014

ZHANG Jianguo，HAN Sheng，ZHANG Cong，et al. Coal body structure identification by logging based on coal accumulation environment zoning and its application in Mabidong Block, Qinshui Basin[J]. Coal Geology & Exploration，2021，49(4)：114–122. doi: 10.3969/j.issn.1001-1986. 2021.04.014

(責任編輯 范章群 郭東瓊)