多煤层煤层气勘探开发是中国“十三五”重点科技攻关方向,滇东黔西是中国南方重要的煤炭与煤层气资源赋存区,上二叠统煤层气地质资源量约占全国的10%,具有“煤层层数多而薄、应力高、弱富水、煤体结构复杂”的地质特征[1]。煤体结构复杂是本区煤层气勘探开发的重要约束地质条件。不同煤体结构的煤层,其含气性、渗透性、可改造性各不相同,因此,识别煤体结构对多煤层中优选主力产层及产层优化组合具有重要的意义[2-9]。
地球物理技术是识别煤体结构重要方法[10],已有学者在利用深-浅双侧向电阻率、自然伽马、补偿密度、声波时差、补偿中子等测井曲线识别煤体结构方面做了相关研究并取得一定的成果[11-17]。近年来,部分学者通过引入地质强度因子GSI来探讨煤体结构精细描述的定量表达[18-20]。部分学者基于测井方法,使用聚类分析、BP神经网络方法、主成分分析法、对应分析技术等数学地质方法,建立煤体结构预测模型[21-24]。还有部分学者采用地震勘探中的AVO反演、叠置前同步反演等三维地震勘探技术识别预测煤体结构并取得了不错的效果[25-26]。由于三维地震勘探技术、获取煤芯识别煤的煤体结构价格昂贵,地球物理测井被越来越广泛地应用于识别煤体结构。对于多煤层煤层气勘探开发更是如此。
尽管目前煤体结构测井解释模型很多,但依然存在着解释模型具有地域的局限性,测井解释精度不够高,测井曲线需求太多限制了其可操作性及更大范围的推广,同时大多数测井解释模型针对单一厚煤层的解释,对于煤层层数多而薄的多煤层地区的研究,比较缺乏。本文旨在以多煤层发育的云南老厂雨旺区块为例,以YW-01,YW-02,YW-03,YW-04,YW-05等5口测井资料完整且拥有全煤层取芯的参数井为基础,引入GSI、皮尔逊相关系数与矩阵算法,解决多煤层最适曲线问题,再基于自相似性,使用嵌套着K-means算法的K均值聚类检验并寻找多煤层煤体结构测井曲线特征规律,构建多煤层区煤体结构测井解释模型,可满足多煤层煤层气勘探开发的需求。
云南老厂雨旺区块位于老厂背斜东南部,煤层面积81.75 km2,总体为一平缓的单斜构造,边缘为弧形断裂围绕,内部有次一级的宽缓褶曲,断层稀少(图1)。研究区地层由老到新出露有泥盆系、石炭系、二叠系、三叠系、第四系,其中侏罗系、白垩系、古近系及新近系为缺失地层。含煤地层为晚二叠世龙潭组,其中龙潭组含煤总厚度为39.99 m,上部含煤性好,下部含煤性差,共分成上、中、下3段。上段包括2号煤底到17号煤底,厚度约118.36 m,可采煤层共有7层;中段包括17号煤底到23号煤底,厚度约140.36 m,含煤层数为2~8层;下段包括23号煤底到茅口组顶,厚度约107.80 m,其中上部有3 层不稳定薄煤层,下部灰岩层增多、增厚。全区可采煤层为2,3,7,8,9,16,19号煤层共7层;大部分可采煤层为4,13,17,18号煤4层。可采煤层单煤层平均厚度在1.54~3.01 m,可采煤层总厚32.28 m。
图1 雨旺区块构造纲要
Fig.1 Outline of the structure of the Yuwang block
煤级为贫煤—无烟煤,煤层含气量较高,平均含气量在12 m3/t左右,试井渗透率较低,平均为0.13×10-15m2,平均储集层压力梯度为1.05 MPa/hm,储集层压力状态为正常-超压。煤体结构较为复杂,是本区煤层气开发的重要约束条件。
雨旺区块早期部署煤层气开发井4口,参数井11口。2016年以来,通过实施“十三五”国家科技重大专项“滇东黔西煤层气开发技术及先导性试验”,新部署实施试验井6口,其中YW-01,YW-02,YW-03,YW-04为其中4口(图1),目前处于稳产阶段。
多煤层区煤体结构测井解释模型构建主要基于以下思路:首先对多层主力煤层进行煤体结构GSI 赋值,然后通过相关性分析提取反应煤体结构敏感的重要测井曲线,减少无关测井信息,在此基础上采用聚类分析方法进行聚类验证,以检验敏感测井曲线的有效性。最后构建煤体结构解释模型(图2)。具体构建流程:
图2 利用测井资料识别煤体结构的工作流程(虚线框 为参数优选过程)
Fig.2 Workflow of identifying coal structure by logging data (Dotted line frame is the process of parameter optimization)
(1)主力煤层煤体结构GSI 赋值。
由于钻井取芯过程对煤体结构会造成一定程度的破坏,如果按照通常煤体结构分类[27-28],即把煤体结构分为原生结构煤、碎裂煤、碎粒煤和糜棱煤,从煤芯识别煤体结构较繁琐;其次对煤层气开发影响而言,经压裂改造之后的原生结构煤和碎裂煤都比较有利,而碎粒煤和糜棱煤具有压裂改造难以产生裂隙和易出煤粉堵塞煤层气渗流通道等特点,不利于储层压降和煤层气产出。从以上几个因素考虑,把煤体结构分为Ⅰ类煤(原生结构煤)、Ⅱ类煤(碎裂煤)和Ⅲ类煤(碎粒煤和糜棱煤),具有实际意义。
地质强度因子GSI(Geological Strength Index)为由HOEK,KAISER和BROWN在1995 年建立的一种岩体分类方法中所使用的一种量化指标[29-31],已经被证明可以有效表征煤体结构。GSI值的确定主要取决于岩体结构的完整程度、岩体结构面裂隙、节理的质量状况。为了使样品能够尽可能代表整个雨旺区块,选取了YW-01,YW-02,YW-03,YW-04井30多个各个煤层的钻井取芯样品进行宏观描述(表1),基于此,依据GSI岩体分类系统对样品煤体结构定量表征,判定出样品的GSI值[18](表2),达到对煤体结构的量化表征,具体方法见文献[16]。
(2)各测井参数与煤体结构GSI值进行相关性分析,选取最敏感测井曲线。
老厂雨旺区块参数井煤层测井参数数据,主要有埋深(Depth)、补偿密度(DEN)、自然伽马(GR),X-Y向井径(CALX-CALY)、深-浅双侧向电阻率(RD-RS)、声波时差(AC)、微球型聚焦电阻率(RMSF)、补偿中子(CNL)和自然电位(SP)等测井曲线。信号采集间距为0.125 m。其中,深侧向电阻率、浅侧向电阻率数值变化范围极大,为了便于计算及绘图,均采用对数取值,进行放缩。考虑到如果应用所有测井参数进行煤体结构判识,变量过多、变量间的相关度高,给系统分析与建模带来很大的不便,且可能存在部分参数缺失;单一测井曲线则受钻井液、施工和地质条件等影响,如果按照单参数建立解释模型,很难满足生产评价模型的准确性,由图3也可以看出单一测井曲线与GSI值拟合度并不高,也就意味着无法准确表征煤体结构。因此,选择其中几个重要测井参数建立解释模型,增加可计算性和简便性,是比较合适的方式。选择重要测井参数分为两步:分别是纵向和横向上。
表1 各煤层取样情况
Table 1 Sampling for each coal seam
井位煤层编号取样个数2号3YW-019号313号22号33号14号1YW-029号213号118号119号14号1YW-039号27+8号313号22号1YW-047+8号29号213号2
测井参数之间的相关性分析:由表3可以看出Depth与SP的相关性达到0.98;RD与RS的相关性达到0.97;CALX与CALY相关性达到0.82;RMSF与RD的相关性达到0.79,同样,与RS达到0.75。相关性较高意味着所表征的信息有所重复。已有研究表明,主要利用CAL测井来辅助判断岩性,煤体结构越破碎,煤岩结构越疏松,在钻井过程中越容易造成井壁垮塌并产生井径扩大,从而井径测井值越大。
表2 不同煤体结构的GSI估测值(李广生,2015)[18]
Table 2 GSI estimated values of different coal structures (LI Guangsheng,2015)[18]
煤体结构煤岩体结构、构造特征煤岩体结构面质量状况GSI估值图示原生结构煤煤芯质地坚硬,呈薄层状,少量镜煤呈线理状或条带状结构,未见揉皱镜面,块体间无相对位移结构面粗糙,面割理较发育,部分端割理不发育60~90碎裂煤煤芯主要呈块状。质地疏松,煤体破碎,宏观裂隙已无法观测,低角度构造裂隙发育结构面平整,构造镜面发育,内生裂隙发育40~60碎粒煤煤芯呈碎粒状。宽—中条带结构,煤体很疏松,手捻即碎。节理已无法观测,构造镜面发育结构面相互交织,无法制成圆柱状煤样,具有黄铁矿薄膜20~40糜棱煤煤体呈粉末状、鳞片状,原生层理及裂隙消失,煤体极疏松无法识别结构面,裂隙无法观测,含大量鳞片状褐灰色泥岩矸石0~20
CALX,CALY分别代表X向井径、Y向井径,2者是相互垂直的,主要受地应力的影响,因此在所表征煤体结构特征上具有一定的重复性,因而决定只采用CALX。深-浅侧向电阻率测井的主要应用之一是划分岩性剖面,2者在泥岩层或非渗透层段,曲线基本重合,对两者进行相关性分析,发现相关性比较高,也反应了本研究区低渗透率的特点,因此,只选择RD作为煤体结构划分参数之一。地质强度因子与测井参数相关性分析:将30多个钻井取芯样品的GSI值与其对应的经过深度校正的各测井参数进行相关性分析,可以看出(图3),雨旺区块煤体结构GSI值与该区GR,CALX,ln RD,DEN等测井参数存在一定的相关性,但相关性都不是很高,这也证实了无法用单一测井曲线进行煤体结构表征。
纵向上分为各测井参数之间的相关性分析和地质强度因子与测井参数相关性分析。各测井参数之间的相关性分析是各测井参数之间进行相似性度量,达到去除冗余参数即参数之间相似度过高的参数中的一个,尽可能的简化信息。地质强度因子与测井参数相关性性分析是将所选样品的GSI值与其测井参数进行相似性度量,选择出最能表达煤体结构信息的测井参数。
图3 雨旺区块GSI值与测井参数相关性分析
Fig.3 Correlation analysis between GSI value and logging parameters in the Yuwang block
表3 各测井参数相关矩阵
Table 3 Logging parameter correlation matrix
类型DepthSPRDRSCALXCALYDENRMSFGRCNLACDepth1SP0.9761RD0.6330.5471RS0.6780.5940.9731CALX-0.319-0.2950.0380.0351CALY-0.400-0.304-0.335-0.3390.8181DEN-0.0680.061-0.629-0.624-0.409-0.0151RMSF0.5000.4580.7870.7480.264-0.102-0.4521GR-0.275-0.361-0.297-0.276-0.543-0.6420.172-0.3251CNL-0.191-0.205-0.308-0.326-0.1240.258-0.035-0.474-0.2101AC0.3940.2340.4240.4100.1830.013-0.5240.307-0.2460.2501
相关系数经常用来度量变量间的相似性。变量Xi与Xj的变量相关系数定义为(皮尔逊相关系数)[32]:
(1)
式中,i,j为样本序号;k为特征数据的序号。
经过综合考虑,最终选择了GR,DEN,ln RD,CALX作为主要参数。
(3)聚类验证。
将得到的4个主要的原始测井参数,进行横向分维,每一个采点作为一个对象,最后进行K-Means聚类分析,将样本聚类分为3个簇,分别表示Ⅰ类煤、Ⅱ类煤、Ⅲ类煤,进行参数选择的验证。
K-means算法是集简单和经典于一身的基于距离的聚类算法[33-35]。采用距离作为相似性的评价指标,即认为两个对象的距离越近,其相似度就越大。这也比较符合不同煤体结构在测井曲线上有不同的响应特征,反之,同一煤层同一煤体结构在一定的区域范围内其沉积环境、物质来源基本稳定,煤岩组成、煤质,物性也基本相近或存在一定的变化趋势,其测井曲线必然存在相似性的特征。该算法认为类簇是由距离靠近的对象组成的,因此把得到紧凑且独立的簇作为最终目标。其特点显著:各聚类本身尽可能的紧凑,而各聚类之间尽可能的分开。该过程可以借助统计分析软件SPSS16.0进行实现[36]。
采用欧氏距离来进行距离计算,欧氏距离是聚类分析中最常用的计算方法,其表现公式为
(2)
即第i个和第j个样本间的欧氏距离为其对应的特征数据的绝对距离平方和的算数平方根。
以7+8号煤层为例(表4),对原始测井数据进行校正,舍弃每个类别中无意义的孤立点即坏点,防止其对聚类结果产生不良影响。根据最终聚类中心(表5),与实际取芯进行对比,可以判断出各簇对应煤体结构类型,簇1为Ⅱ类煤、簇2为Ⅰ类煤、簇3为Ⅲ类煤。将YW-01井7+8号煤层钻孔取芯所示煤体结构和聚类结果进行对比,较为一致。
表4 YW-01井7+8号煤层部分测井原始数据
Table 4 YW-01 well 7+8 coal seam partial logging raw data
DEN/(g·cm-3)GR/APICALX/cmln RD聚类煤体结构划分指数CI1.2024.3646.463.8232.771.2125.7448.044.0532.931.2324.1647.744.1933.181.4522.6230.344.8820.131.4422.1531.975.0020.301.3218.7440.424.3112.131.2919.9937.694.3711.36
将相同类煤体结构聚集在一起,绘制成图(图4):在电阻率曲线上,Ⅲ类煤平均值较低;在密度曲线上,表现为Ⅰ类煤平均响应最高,其次为Ⅱ类煤,Ⅲ类煤最低;在自然伽马曲线上,Ⅲ类煤最高;在井径曲线上,Ⅲ类煤响应最高,Ⅰ类煤最低。
表5 最终聚类中心
Table 5 Final cluster center
聚类123DEN/(g·cm-3)1.441.211.31GR/API22.3824.7519.36CALX/cm31.1647.4139.06ln RD4.944.024.34
图4 煤层各煤体结构测井曲线组合特征模型
Fig.4 Combined feature model of logging curve of coal seam structure in coal seam
通过该步骤进一步说明了,提取的4类测井曲线可有效精确划分煤体结构,同时也是一种划分煤体结构的独立方法。
(4)煤体结构测井解释模型构建。
根据DEN,GR,ln RD,CALX的聚类分段性与钻孔取芯所示煤体结构分段较为对应。因此,采用以上4个测井参数进行建模来表征煤体结构。
依据组合特征模型,ln RD与CALX在Ⅲ类煤差值较大,在Ⅰ类煤差值也较大,Ⅱ类煤差值较小。DEN与CALX在Ⅰ类煤差值大,Ⅲ类煤差值也较大,Ⅱ类煤差值较小。GR与CALX在Ⅰ类煤差值大,Ⅱ类煤、Ⅲ类煤差值相近。在进行数据统计时发现通过3个差值的乘积,可以进行煤体结构的定量判识。
同时,为了能够反映多煤层特征使参数更能表征实际煤体结构。将各参数与(2)中的多煤层钻井取芯样品的地质强度因子与测井参数相关系数R2相乘,然后进行加权,有效性评价,用乘过的测井参数代入下式:
CI=(DEN-CALX)(GR-CALX)×
(ln RD-CALX)/1 000+α
(3)
式中,α为校正参数。
当CI的绝对值大于2.5时,可以将煤体结构划分为Ⅲ类煤;1~2.5时,可以将煤体结构划分为Ⅱ类煤;小于1时可以划分为Ⅰ类煤,与本区块实际煤芯煤体结构比较相符。通过以上4步,完成了针对雨旺区块多煤层煤体结构特征的测井解释模型构建。
用煤体结构划分指数进行煤体结构判识,能够简单快速的识别出煤体结构。煤层气区块不同,具体煤体结构划分指数的范围可以通过校正参数α进行局部调整,从而增加了该模型的普适性。
雨旺区块3,7+8(7,8),9,13,16,19号煤层全区稳定发育,而2,14,17,18号煤层则存在不同程度的尖灭、不连续发育等现象。本文采用新构建的测井解释模型进行了YW-05井3,9,13,19号的煤体结构识别,并与实际取芯进行对比(图5)。
图5 YW-05井煤层煤体结构测井曲线与判识结果组合特征
Fig.5 Combination characteristics of logging curves and identification results of coal seam structure in YW-05 well
可以看出,除了少数深度之外,测井识别和煤芯识别结果具有很好的一致性。通过研究区测井识别方法,发现研究区煤体结构自上而下由简单变复杂,Ⅲ类煤逐渐增多。同时,厚煤层Ⅲ类煤更为发育,如19号煤。
进一步,对雨旺区块中北部7+8和19号煤层煤体结构进行了平面区域预测。7+8号煤层煤体结构以Ⅱ类煤为主,YW-05井附近煤体结构较好,以Ⅰ类煤为主,其次为东南部,东北部煤体结构较差,接近于Ⅲ类煤。19号煤层也是以Ⅱ类煤为主,但在西南部有少部分Ⅲ类煤,Ⅰ类煤主要集中在YW-05井附近,其余部分为Ⅱ类煤,这也与杨兆彪等(2019)得出的研究结果较为一致[8](图6),同时用其余井位(NC-01R,NC-04,NC-05,NC-07)的部分录井、取样资料进行验证,预测结果与实际描述结果较为一致。
图6 雨旺区块中北部煤体结构平面分布
Fig.6 Plane map of coal structure in the middle and central part of Yuwang block
在煤层气井测井解释中,煤层与其他岩层可通过GR,DEN,CAL等测井曲线准确区分。当划分出煤层后,采用煤体结构指数作为定量判识指标,则可进行煤体结构的判识。传统方法主要为利用测井曲线特征进行煤体结构判识,在应用到雨旺区块多煤层区煤层多而薄的煤体结构判识时,受煤层薄的影响,测井曲线变化特征不明显,判识区分比较困难。该方法通过GSI将煤体结构量化,叠加纵向横向分维相关分析,降低测井数据的多元性和测井曲线间的相关性对预测结果的影响,再引入符合理论需求的K-means算法,借助SPSS软件实现自动迭代出各煤体结构测井参数特征也就是最终聚类中心,消除各煤体结构之间过渡的干扰。最后,得出判识模型。在使用该方法时,样品质量非常重要,当煤层中存在夹矸时,需要先在原始测井数据处理过程中将判断为夹矸的层去除[26],且受测井采点间隔的影响,在煤厚小于0.375 m时,无法形成变化曲线,故没有办法进行准确判识。也就是说对于大于0.375 m厚度以上的煤层,具有有效的识别性。
(1)基于前人地质强度因子(GSI)判识煤体结构原理,对主力煤层煤体结构GSI赋值,然后各测井曲线数据与煤体结构GSI值进行纵向和横向相关性分析,最终提取出自然伽马(GR)、密度(DEN)、井径(CAL)和深侧向电阻率(RD)等测井曲线可有效判识多煤层区煤体结构。
(2)采用K-means聚类算法获得了表征各煤体结构的GR、DEN、CAL和RD组合测井曲线特征、并考虑测井曲线数据与强度因子R2,完成了测井解释模型构建,根据模型计算获得的煤体结构指数大小可进行煤体结构的精确识别。
(3)采用该计算模型对雨旺区块中北部多煤层煤体结构进行了垂向预测,自上而下由简单变复杂,Ⅲ类煤逐渐增多。同时,厚煤层Ⅲ类煤更为发育,如19号煤。
(4)对雨旺区块中北部7+8和19号煤层煤体结构进行了平面区域预测,7+8号煤层煤体结构以Ⅱ类煤为主,YW-05井附近煤体结构较好,以Ⅰ类煤为主,其次为东南部,东北部煤体结构较差,接近于Ⅲ类煤;19号煤层以Ⅱ类煤为主,在西南部有少部分Ⅲ类煤,Ⅰ类煤主要集中在YW-05井附近,其余部分为Ⅱ类煤。
[1] 高弟,秦勇,易同生.论贵州煤层气地质特点与勘探开发战略[J].中国煤炭地质,2009,21(3):20-23.
GAO Di,QIN Yong,YI Tongsheng.Geological condition,exploration and exploitation strategy of coal-bed methane resources in Guizhou[J].Coal Geology of China,2009,21(3):20-23.
[2] 陈跃,汤达祯,许浩,等.应用测井资料识别煤体结构及分层[J].煤田地质与勘探,2014,42(1):19-23.
CHEN Yue,TANG Dazhen,XU Hao,et al.Application of logging data in recognition of coal structure and stratification[J].Coal Geology & Exploration,2014,42(1):19-23.
[3] LI Song,TANG Dazhen,XU Hao,et al.Advanced characterization of physical properties of coals with different coal structures by nuclear magnetic resonance and X-ray computed tomography[J].Computers & Geosciences,2012,48:220-227.
[4] 王鹏,苏现波,韩颖,等.煤体结构的定量表征及其意义[J].煤矿安全,2014,45(11):12-15.
WANG Peng,SU Xianbo,HAN Ying,et al.Quantitative characterization of coal structure and its significance[J].Safety in Coal Mines,2014,45(11):12-15.
[5] 孟召平,刘珊珊,王保玉,等.不同煤体结构煤的吸附性能及其孔隙结构特征[J].煤炭学报,2015,40(8):1865-1870.
MENG Zhaoping,LIU Shanshan,WANG Baoyu,et al.Adsorption capacity and its pore structure of coals with different coal body structure[J].Journal of China Coal Society,2015,40(8):1865-1870.
[6] 康志勤,李翔,李伟,等.煤体结构与甲烷吸附/解吸规律相关性实验研究及启示[J].煤炭学报,2018,43(5):1400-1407.
KANG Zhiqin,LI Xiang,LI Wei,et al.Experimental investigation of methane adsorption/desorption behavior in coals with different coal-body structure and its revelation[J].Journal of China Coal Society,2018,43(5):1400-1407.
[7] 杨兆彪,张争光,秦勇,等.多煤层条件下煤层气开发产层组合优化方法[J].石油勘探与开发,2018,45(2):297-304.
YANG Zhaobiao,ZHANG Zhengguang,QIN Yong,et al.Optimization methods of production layer combination for coalbed methane development in multi-coal seams[J].Petroleum Exploration and Development,2018,45(2):297-304.
[8] 杨兆彪,李洋阳,秦勇,等.煤层气多层合采开发单元划分及有利区评价[J].石油勘探与开发,2019,46(3):559-568.
YANG Zhaobiao,LI Yangyang,QIN Yong,et al.Development unit division and favorable area evaluation for joint mining coalbed methane[J].Petroleum Exploration and Development,2019,46(3):559-568.
[9] 李洋阳,杨兆彪,孙晗森,等.黔西滇东区块储层物性制约下煤层气开发潜力评价[J].煤炭科学技术,2018,46(8):164-171.
LI Yangyang,YANG Zhaobiao,SUN Hansen,et al.Evaluation on development potential of coalbed methane under physical property restriction of reservoir in West Guizhou and East Yunnan Block[J].Coal Science and Technology,2018,46(8):164-171.
[10] 张许良,单菊萍,彭苏萍.地质测井技术划分煤体结构探析[J].煤炭科学技术,2009,37(12):88-92.
ZHANG Xuliang,SHAN Juping,PENG Suping.Discussion and analysis on geological logging technology applied to divide coal mass structure[J].Coal Science and Technology,2009,37(12):88-92.
[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):64-66,69.
[12] 王定武.利用模拟测井曲线判识构造煤的研究[J].中国煤田地质,1997,9(4):72-75.
WANG Dingwu.Identifying tectonic coal using simulated logging curve[J].Coal Geology of China,1997,9(4):72-75.
[13] 张玉贵,樊孝敏,王世国.测井曲线在研究构造煤中的应用[J].焦作矿业学报,1995,14(1):76-78.
ZHANG Yugui,FAN Xiaomin,WANG Shiguo.Application of well logs in the study of tectonic coal[J].Journal of Jiaozuo Mining Institute,1995,14(1):76-78.
[14] HOU Haihai,SHAO Longyi,GUO Shuangqing,et al.Evaluation and genetic analysis of coal structures in deep Jiaozuo Coal field,northern China:Investigation by geophysical logging data[J].Fuel,2017,209:552-566.
[15] TENG Juan,YAO Yanbin,LIU Dameng,et al.Evaluation of coal texture distributions in the southern Qinshui basin,North China:Investigation by a multiple geophysical logging method[J].International Journal of Coal Geology,2015,140:9-22.
[16] FU Xuehai,QIN Yong,WANG G G X,et al.Evaluation of gas content of coalbed methane reservoirs with the aid of geophysical logging technology[J].Fuel,2009,88(11):2269-2277.
[17] ZHOU B,HATHERLY P,SUN W.Enhancing the detection of small coal structures by seismic diffraction imaging[J].International Journal of Coal Geology,2017,178:1-12.
[18] 李广生,孙明闯,史小卫,等.基于地质强度因子的煤体结构精细描述[J].中州煤炭,2015(7):121-124.
LI Guangsheng,SUN Mingchuang,SHI Xiaowei,et al.Fine description of coal structure based on geological strength index[J].Zhongzhou Coal,2015(7):121-124.
[19] 陶传奇,王延斌,倪小明,等.基于测井参数的煤体结构预测模型及空间展布规律[J].煤炭科学技术,2017,45(2):173-177.
TAO Chuanqi,WANG Yanbin,NI Xiaoming,et al.Prediction model of coal-body structure and spatial distribution law based on logging parameters[J].Coal Science and Technology,2017,45(2):173-177.
[20] 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):27-29,33.
XIE Xueheng,FAN Mingzhu.Quantitative identification of de-formed coals based on logging response[J].China Coalbed Methane,2013,10(5):27-29,33.
[21] 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.
[22] REN Pengfei,XU Hao,TANG Dazhen,et al.The identification of coal texture in different rank coal reservoirs by using geophysical logging data in northwest Guizhou,China:Investigation by principal component analysis[J].Fuel,2018,230:258-265.
[23] 马国栋,陈同俊,崔若飞.测井曲线识别构造煤实例研究[J].地球物理学进展,2017,32(3):1208-1216.
MA Guodong,CHEN Tongjun,CUI Ruofei.Identification of tectonically deformed coal using well logs:A case study[J].Progress in Geophysics,2017,32(3):1208-1216.
[24] 侯月华,姚艳斌,杨延辉,等.基于对应分析技术的煤体结构判别:以沁水盆地安泽区块为例[J].煤炭学报,2016,41(8):2041-2049.
HOU Yuehua,YAO Yanbin,YANG Yanhui,et al.Discriminate method of coal structure based on correspondence analysis technology:A case study in the Anze area,Qinshui Basin[J].Journal of China Coal Society,2016,41(8):2041-2049.
[25] 彭苏萍,魏文希,杜文凤,等.基于AVO反演与叠前同步反演预测构造煤分布[J].中国矿业大学报,2018,47(5):929-934,968.
PENG Suping,WEI Wenxi,DU Wenfeng,et al.AVO inversion associated with prestack simultaneous inversion in determining the distribution of tectonic coal[J].Journal of China University of Mining & Technology,2018,47(5):929-934,968.
[26] 彭刘亚,崔若飞,任川,等.利用岩性地震反演信息划分煤体结构[J].煤炭学报,2013,38(S2):410-415.
PENG Liuya,CUI Ruofei,REN Chuan,et al.Classification of coal body structure using seismic lithology inversion information[J].Journal of China Coal Society,2013,38(S2):410-415.
[27] 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.
[28] 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.
[29] HOEK E,BROWN E T.Practical estimates of rock mass strength[J].Int.J.Rock Mech.Min.Sci,1997,34(8):1165-1186.
[30] BIENIAWSKI Von PREINL Z T,CELADA TAMAMES B,GALERA FERNNDEZ J M,et al.Rock mass excavability indicator:New way to selecting the optimum tunnel construction method[J].Tunnelling and Underground Space Technology,2006,21(3-4):237.
[31] HOEK E,KAISER P K.Support of underground excavation in hard rock[M].Rotterdam:Balkema,1995:99-105.
[32] 孙寿同.测井数据一体化平台开发及校深方法研究[D].大庆:东北石油大学,2018:35-37.
SUN Shoutong.Development of integrated log data platform and research on corrected depth[D].Daqing:Northeast Petroleum University,2018:35-37.
[33] MACQUEEN J.Some methods for classification and analysis of multivariate observations[A].Proc of Berkeley Symposium on Mathematical Statistics & Probability[C].1965:281-288.
[34] 寻知锋,余继峰.聚类和判别分析在测井岩性识别中的应用[J].山东科技大学学报(自然科学版),2008,27(5):10-13.
XUN Zhifeng,YU Jifeng.The application of cluster and discriminant analyses in logging Lithology recognition[J].Journal of Shandong University of Science and Technology(Natural Science),2008,27(5):10-13.
[35] 丁晓琴.K-means聚类算法研究及其应用[D].西安:西安理工大学,2016:9-10.
DING Xiaoqin.The research and application of k-means clustering algorithm[D].Xi’an:Xi’an University of Technology,2016:9-10.
[36] 龚婷,普慧洁,张嘉伟,等.基于K-means的航空旅客聚类研究[J].价值工程,2018,37(35):52-54.
GONG Ting,PU Huijie,ZHANG Jiawei,et al.Research on air passenger clustering based on K-means[J].Value Engineering,2018,37(35):52-54.