基于聚煤环境分区的煤体结构测井判别及应用——以沁水盆地南部马必东地区为例

张建国，韩 晟，张 聪，陈彦君

基于聚煤环境分区的煤体结构测井判别及应用——以沁水盆地南部马必东地区为例

张建国1，韩 晟2，张 聪1，陈彦君2

(1. 中国石油天然气股份有限公司华北油田分公司山西煤层气开发分公司，山西 晋城 048000；2. 中国石油天然气股份有限公司华北油田分公司勘探开发研究院，河北 任丘 062552)

煤体结构的测井曲线判别是一种高效经济的地球物理判别方法，但是受沉积环境和煤储层物性等因素影响，测井曲线具有多解性，造成煤体结构测井响应不明显，由此得到的判别方法也会有区域局限性。因此，在进行测井判别之前，需要对除煤体结构以外的影响测井曲线的因素加以控制。以沁水盆地马必东区块3号煤为例，首先利用煤心灰分与伽马测井曲线的正相关性进行煤心归位，以确保测井深度与取心深度的一致性；再利用煤心的镜质组与惰质组含量之比(镜惰比)对工区的聚煤环境进行分区，并优选聚煤环境相近分区的测井曲线。结果表明，电阻率系列曲线可以较清晰地反映该地区的煤体结构，受探测深度的影响，声波曲线无法准确地反映该地区煤体结构的变化规律。利用取心井训练的多测井曲线随机森林模型对未取心井煤体结构进行预测和判定，实测压裂曲线检验表明，预测结果与实测数据吻合率高。应用表明，基于聚煤环境分区的煤体结构测井判别方法可以反映煤体结构分布规律，指导压裂工作，降低煤层气开发成本，且有助于指导跨区块的煤体结构测井响应研究。

煤体结构；测井响应；聚煤环境；煤心归位；随机森林方法；显微组分

煤体结构影响煤储层的物理、化学性质[1]，进而造成煤层气储存、运移、产出的差异。因此，煤体结构是制约煤层气勘探开发的重要因素。

煤体结构的主要判别方式可以分为3类。① 直接观察法，即直接观察煤心或煤壁的特征来判断煤体结构；该方法的判别结果可靠，但成本较高，所以难以大规模应用。② 成因预测法，即综合区块的构造、应力、沉积等特征间接推断煤体结构[2-3]，该方法适合对煤体结构的横向展布进行预测，但不易解释煤体结构的纵向变化规律。③ 地球物理判别法，即利用不同煤体结构的地球物理响应差异来判别煤体结构，比如使用地震数据[4]或测井数据[5-7]。其中测井曲线判别方法比较常用，因为其判别结果的纵向分辨率较高且应用成本适中。

测井判别中常用的方法有5种。① 曲线形态法[8]，通过研究不同煤体结构在不同测井曲线上的形态特征来判断煤体结构，该方法人工参与较多，主观性较强，不同人识别的结果可能差异较大。② 经验公式法[9]，即通过不同测井曲线的煤体结构响应特征，利用若干种测井曲线的简单函数运算组成一个指示煤体结构的经验公式；该经验公式可以定量判别煤体结构的好坏。该方法计算过程易于理解，可是判别结果的准确率有限，地区局限性比较强，经验公式不易推广；特别是在处理大量测井数据时 ，经验公式不容易通过人工来归纳总结。③ 回归公式法[10]，首先将煤体结构量化，比如使用地质强度因子GSI，再将GSI与多条测井曲线进行多元回归，得到指示煤体结构的回归公式。该方法通过回归公式来进行特征提炼，适合处理大数据。④ 聚类分析法[11]，是一种无监督的机器学习方法，首先优选出对于煤体结构敏感的几条测井曲线作为样本集，再通过聚类方法将输入的样本集依据其数值及其组合特征进行自动分类。该方法在处理大数据和有较大噪音样本集时，可能不易得到稳定的聚类结果，且判别结果的准确程度依赖于煤体结构敏感曲线的优选。⑤ BP神经网络方法[12]，该方法是一种有监督的机器学习方法，使用取心井的不同测井曲线作为样本集，再使用岩心观察得到的煤体结构作为标签集，构建BP神经网络进行训练，最后利用训练好的神经网络对非取心井进行煤体结构判别。该方法的判别结果比较准确，但训练好神经网络的映射过程不易理解，不方便对煤体结构的判别规律进行研究。

测井数据存在多解性，也就是说煤体结构并非是影响测井曲线的唯一因素，如果没有控制好其他影响测井曲线的因素，得到判别结果的准确度不高。上述方法均没有对影响测井曲线的其他因素加以控制。

沁水盆地马必东地区煤体结构比较复杂，目前对于该地区的煤体结构的测井响应尚不明确，所以利用测井数据对煤体结构进行判别的以上方法应用较难。在对该工区3号煤的煤体结构研究过程中发现：不同煤体结构产生的原因可以归结为内部因素和外部因素两种：外因即构造应力，在其他条件相同的情况下，地应力越集中的地方煤岩越容易破碎[2]；内因即煤质，在地应力相同的情况下，煤岩机械强度越低的部位越容易破碎[13-14]，而内因的形成原因可以归结为煤岩的沉积环境的差异。笔者首先通过煤岩显微组分进行聚煤环境分区，控制好影响测井曲线的其他因素，再研究不同沉积环境下的煤体结构测井响应关系，最终得到较准确的煤体结构测井判别模型，以期指导研究区煤层气勘探开发，并为其他类似地区煤体机构测井响应提供新思路。

1 研究区概况

马必东工区位于沁水盆地南部的西斜坡洼槽带，属于中深层煤层气勘探开发区，煤层气储层为高阶无烟煤，煤层气主要以吸附方式赋存在储层中[1]。该地区含有2套产气层：一套是位于下二叠统山西组的3号煤，该煤层沉积环境为三角洲—沼泽相，煤层平均厚度为7 m，煤层顶底板均有泥岩封堵。另一套是位于下二叠统–上石炭统太原组15号煤，该煤层沉积环境为潮坪–潟湖相，煤层平均厚度为5 m，其顶板有灰岩发育。其中，3号煤分布广，且煤层较厚，是该区块的主力产气层，也是本次的研究对象。

该区块主要经历燕山、喜马拉雅期两期构造运动，其中燕山期主要为隆升运动，地表受到剥蚀作用；喜马拉雅期主要为西抬东倾运动。断裂方向主要为北向和北北西向。区块的东西部存在2条隆起带。

取心井共有15口，位置如图1所示，煤心样品共计95块，工区面积约127 km2。

图1 马必东地区镜惰比分布

2 煤心归位

以煤心观察的煤体结构为标准来研究不同煤体结构的测井响应关系。首先需要保证煤心深度与测井深度的一致性，利用灰分与自然伽马的正相关性[15]进行煤心归位。在保证煤心顺序正确的情况下，计算每口井煤心的灰分含量与不同深度段上自然伽马测井值的Pearson相关系数。当相关系数最大时，认为煤心归位到准确深度。

Pearson 相关系数计算公式[16]如下：

设定煤心深度在原始深度处上下偏移2 m，再以测井采样间隔为步长，提取若干组自然伽马测井值。将每组煤心灰分和自然伽马测井值代入式(1)，计算相关系数。相关系数最大值对应的测井偏移值即为煤心深度应该校正的深度值。

使用该方法可以通过编程自动校正煤心深度，后期再依据煤心特征与其他测井曲线变化规律人工检查校正是否准确。表1为煤心归位前的测井曲线与煤心煤质、煤岩等的相关系数，相关系数绝对值的平均值为0.105，最大值为–0.28；表2为经过煤心归位的后测井曲线与煤心煤质、煤岩等的相关系数，相关系数绝对值的平均值为 0.19，最大值为–0.64；对比校正前，说明煤心参数与测井的相关程度得到了很大的提升。

3 聚煤环境分区

煤的形成需要经过泥炭化作用和煤化作用两个阶段[17]。马必东地区煤的镜质体最大反射率为2.43%～3.26%，均为高阶无烟煤。煤岩性质差异大概率取决于泥炭化作用所处的聚煤环境。

显微组分中的镜惰比[18]可以反映聚煤环境。镜质组是由植物遗体受凝胶化作用形成的，在静水低能的还原沼泽环境容易发生；惰质组组分是由植物遗体受丝炭化作用形成的，在浅水高能的氧化沼泽环境容易发生[19]。因此，使用镜质组与惰质组的比值作为泥炭氧化程度指标。图1为使用取心井数据绘制的镜惰比趋势图，从图中可以看出马必东地区可以分为东北区和西南区两个区域，其中东北区偏静水低能的还原环境，而西南区域为偏浅水的氧化环境。

表1 煤心归位前煤心参数与测井曲线Pearson相关系数

表2 煤心归位后煤心参数与测井曲线Pearson相关系数

4 煤体结构的测井响应

图2a为全区所有探井的煤体结构测井响应概率密度图，不同煤体结构的概率密度曲线在各个测井曲线上的重叠现象严重，说明该区块的煤体结构测井响应不明显。

图2b为偏静水低能环境的煤体结构测井响应概率密度图，对比分区之前的响应概率密度图(图2a)，不同煤体结构在各个测井曲线上的重叠现象有所减弱。其中，电阻率系列测井曲线最为敏感。在深侧向上，碎粒煤与原生结构煤(碎裂煤)的概率曲线分离比较明显，在冲洗带电阻率上，原生结构煤与碎裂煤(碎粒煤)分离比较明显。而且煤体结构的测井响应与前人的认识一致：煤体结构越破碎，电阻率越低，这是因为构造煤的外生裂隙比较发育，会造成该部分煤层的孔隙率和含水量的增加[20]；另外构造煤中自由基和小分子含量较多[21]，会增强煤的离子导电作用。值得注意的是，在马必东地区，声波时差测井曲线并不能很好地反映煤体结构的变化规律。这可能是由声波时差的探测深度较浅导致的，根据胡社荣等[22]的研究发现，常规声波测井的探测深度一般在冲洗带以内，而深侧向测井可以达到侵入带以外。图3展示了该分区样品的声波时差和井径与冲洗带电阻率的交会图，可以看出其相关程度较高，Pearson相关系数分别为0.69和–0.53。 因此，声波时差测井可能受扩径和泥浆入侵的影响比较严重。

图2c为浅水高能环境的煤体结构测井响应直方图，对比分区前的响应图，虽然不同煤体结构在测井上的分离程度都有所提升，但是仍然不能通过测井曲线有效判别煤体结构。如果假设该区域的测井曲线只受煤体结构和显微组分两个因素影响，通过前人的研究已知原生结构煤的电阻率大于构造煤，由图4可知，当镜质组含量增加时，电阻率增大。那么镜质组含量高的原生结构煤对应的电阻率应该最大，其次是镜质组含量低的原生结构煤和镜质组含量高的构造煤，而镜质组含量低的构造煤的电阻率最低。镜质组含量高的煤的节理较为发育[23]，是煤层气赋存连通的有利因素。因此可以推断，虽然该区块的煤体结构的测井响应不明显，但电阻率高的部位是煤层气勘探开发的有利区域。

从开发井的数量来看，90%以上的开发井位于静水低能区域；而且该区域的煤体结构测井响应比较明显，因此，测井判别将以东北区块为研究对象。

5 测井曲线综合判别

随机森林方法使用Bootstrap抽样方法从原始样本集中随机独立采集多套样本子集，并利用样本子集进行决策树建模，最终综合所有决策树的结果进行判别[24]，过程如图5所示。随机森林方法不仅适用于小样本数量的判别问题，而且可以给出每个特征属性(即输入的每种测井曲线类型)在最终结果中所占的比例。

图3 测井曲线交会图

图4 西南区镜质组含量与深侧向电阻率交会图

本次实验的样本集为马必东地区静水低能区域的45块取心样本所对应的深侧向电阻率、冲洗带电阻率、自然伽马数据(研究区对煤体结构比较敏感的测井曲线)；标签集为取心样本所对应的煤心观察获得的煤体结构，原生结构煤(14块)的标签值为0，碎裂煤(21块)为1，碎粒煤(9块)为2，由于取心中的糜棱煤只有1块，将糜棱煤的标签也定为2，夹矸的数据为3。首先，使用 Bootstrap 抽样方法从45块取心样品中随机独立采集57套样本子集及对应的标签集(经测试，本实验样本使用57棵决策树，判别结果的准确率最高)；再将样本子集分别建立决策树，决策树使用交叉熵作为不纯度计算方法，不使用剪枝操作，决策树的判别结果为当前样本子集不纯度最低分类方案；最后将57棵决策树的判别结果进行投票判别，得票数高的煤体结构类型即为该样品的最终判别结果。由于Bootstrap抽样方法本身的性质，使得样本总集中约37%的样品不会存在于样本子集中，这部分样品被称为袋外数据[24]，所以可以使用袋外数据作为测试集。经过多次实验验证，本次随机森林方法的判别结果在测试集上的准确率稳定在83.7%左右。

图5 随机森林判别方法

6 应用及效果

利用上文中训练好的随机森林模型对未取心井进行判别。这里以m30-10 、m42-9和m10-2，3口未取心井为例进行预测。首先将测井煤层段对应的深侧向、冲洗带电阻率和自然伽马曲线进行采样以减少冗余数据，再将采样后的数据输入随机森林模型。图6a—图6c即为3口井在不同深度段对应的煤体结构预测结果。

为了验证煤体结构判别结果的可靠性，采用对应井的压裂数据进行检验。原生结构煤比例高的井压裂效果好，而占比低的井压裂效果差。煤层气压裂曲线可以分为4种：稳定型、稳定波动型、下降型和波动型，压裂效果由好到差[25]。

由图6测井曲线预测结果可知，m30-10井的原生结构煤比例约为 82%；m42-9井原生结构煤比大约为73%；m10-2井的原生结构煤比例约为49%。

由压裂曲线(图7)可知，m30-10井的压裂曲线属于高压稳定型，破裂压力明显，且套压可以稳定维持在较高的压力水平，压裂效果好。m42-9井的压裂曲线属于稳定波动型，破裂压力不明显，套压较高但有波动现象，压裂效果较好。m10-2井压裂曲线，套压虽然稳定但低于20 MPa，且破裂压力不明显，压裂效果差。

综上实验结果，说明该随机森林模型的预测判别结果与实际压裂效果基本一致，原生结构煤占比越高压裂效果越好。

7 结论

a. 煤体结构的差异是由外因和内因两种因素决定的，外因即煤体受到的构造应力的强弱；内因即煤岩煤质。利用测井曲线判识煤体结构，首先要做好煤心归位，即保证煤心样品对应的测井深度的准确性；同时要进行沉积环境的分区工作，在同一沉积环境下研究煤体结构，以降低测井曲线的多解性，找到对煤体结构敏感的测井曲线参数。

b. 沁水盆地马必东地区，电阻率系列曲线可以较清晰地反映煤体结构的变化规律。而声波时差曲线可能受钻井扩径、泥浆入侵和探测深度浅的影响无法有效反映煤体结构的变化规律。

c. 以深侧向电阻率、冲洗带电阻率和自然伽马测井曲线为输入的随机森林判别模型，可以较准确地判别煤体结构，且判别结果可以指导压裂工作，有效降低煤层气开发成本。

[1] 苏现波，陈江峰，孙俊民，等. 煤层气地质学与勘探开发[M]. 北京：科学出版社，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，苏现波，张小东. 煤层气开发地质学[M]. 北京：化学工业出版社，2010.

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

[3] 袁崇孚. 构造煤和煤与瓦斯突出[J]. 瓦斯地质，1986(1)：32–33.

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

[4] 汤友谊，孙四清，田高岭. 测井曲线计算机识别构造软煤的研究[J]. 煤炭学报，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. 煤层气成藏的构造应力场研究[J]. 中国矿业大学学报，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. 构造煤结构–成因新分类及其地质意义[J]. 煤炭学报，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] 马丽，陈同俊，王新，等. 构造煤厚度定量预测技术新进展[J]. 煤田地质与勘探，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] 孙四清，陈志胜，韩保山，等. 测井曲线判识构造软煤技术预测煤与瓦斯突出[J]. 煤田地质与勘探，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] 张超，黄华州，徐德林，等. 基于测井曲线的煤体结构判识[J]. 煤炭科学技术，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] 刘振明，王延斌，韩文龙，等. 基于测井资料的BP神经网络的煤体结构预测[J]. 中国煤炭，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] 龙王寅，朱文伟，徐静，等. 利用测井曲线判识煤体结构探讨[J]. 中国煤田地质，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] 谢学恒，樊明珠. 基于测井响应的煤体结构定量判识方法[J]. 中国煤层气，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] 高向东，王延斌，张崇崇. 钻井中煤体结构特征与井壁稳定性分析研究[J]. 煤炭科学技术，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，杨兆彪，孙晗森，等. 多煤层区煤体结构测井解释模型构建[J]. 煤炭学报，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] 刘振明，王延斌，韩文龙，等. 基于测井资料的BP神经网络的煤体结构预测[J]. 中国煤炭，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] 刘最亮，冯梅梅. 阳泉矿区新景矿构造煤发育规律的数值模拟[J]. 煤田地质与勘探，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] 汤友谊，田高岭，孙四清，等. 对煤体结构形态及成因分类的改进和完善[J]. 焦作工学院学报(自然科学版)，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，赵金环，崔周旗，等. 沁水盆地南部安泽区块煤体结构测井识别研究[J]. 煤炭科学技术，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] 韩晟，韩坚舟，赵璇，等. 距离权重改进的Pearson相关系数及应用[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] 杨起，韩德馨. 中国煤田地质学[M]. 北京：煤炭工业出版社， 1980.

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

[21] 王绍清，唐跃刚. 神东矿区煤岩学特征及煤相[J]. 中国煤田地质，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] 胡社荣，潘响亮，张喜臣，等. 煤相研究方法综述[J]. 地质科技情报，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] 汤友谊，孙四清，郭纯，等. 不同煤体结构类型煤分层视电阻率值的测试[J]. 煤炭科学技术，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] 陈健杰，江林华，张玉贵，等. 不同煤体结构类型煤的导电性质研究[J]. 煤炭科学技术，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] 谢楠. 沁水盆地郑庄区块煤层气井压裂排采效果与影响因素分析[D]. 北京：中国地质大学(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

国家科技重大专项项目(2017ZX05064)；中国石油天然气股份有限公司重大科技专项课题(2017E-1405)

张建国，1967年生，男，河北邢台人，高级工程师，从事煤层气勘探开发相关研究工作. E-mail：mcz_zjg@petrochina.com.cn

韩晟，1992年生，男，河北栾城人，硕士，工程师，从事煤层气储层预测工作. E-mail：yjy_hans@petrochina.com.cn

张建国，韩晟，张聪，等. 基于聚煤环境分区的煤体结构测井判别及应用——以沁水盆地南部马必东地区为例[J]. 煤田地质与勘探，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

(责任编辑 范章群 郭东琼)