煤储层中基于微组分约束的岩相分类与预测：一种自组织映射与标签扩散的混合方法

《International Journal of Coal Geology》：Maceral-constrained petrographic classification and prediction in coal reservoirs: A hybrid self-organizing map and label spreading approach

　　

• •
  开发了一种结合SOM与LS的混合方法，利用镜质组分和测井数据进行煤储层的岩相分类与预测。
• •
  基于镜质组分的SOM聚类客观识别出五个岩相类别。
• •
  半监督LS方法达到83.8%的准确率，优于监督模型。
• •
  岩相类别控制储层特性，并提出了四种组合模式。

引言

随着中国深部煤层气（DCBM）勘探的持续推进，埋深超过1,500米的深部煤储层已成为未来资源开发的重点目标（Guo等人，2026；Li等人，2026；Li等人，2023a；Liu等人，2025；Xu等人，2023a；Zhang等人，2024）。然而，与浅层煤层相比，深部煤储层受高温、高压和较高的原地应力条件影响。这些因素导致孔隙-裂隙系统更加复杂，渗透率降低，储层非均质性更强，这些因素共同对高效DCBM生产构成了重大挑战（Chen等人，2015；Li等人，2024；Yang等人，2025）。

宏观岩相类型是控制储层非均质性的主要地质因素之一。不同的宏观岩相类型不仅反映了泥炭形成环境和镜质组分组成的变化，还直接影响孔隙-裂隙网络、含气量、渗透率和可压裂性（Buragohain等人，2021；Liu等人，2018；Tao等人，2019；Wu等人，2023；Zhao等人，2019）。目前，宏观岩相类型通常基于岩心宏观观察分为亮煤、半亮煤、半暗煤和暗煤（Li等人，2023b；Hu等人，2026；Liu等人，2024；Zhao等人，2019）。利用基于岩心观察标定的地球物理测井来识别宏观岩相类型已进行了广泛的研究。测井技术已被广泛应用于宏观岩相类型的识别。自然伽马射线（GR）、密度（DEN）、声波时差（AC）和电阻率（LLD）等测井参数在不同宏观岩相类型中表现出系统性变化，为定量识别提供了依据（Hou等人，2025；Liu等人，2024；Xu等人，2016；Zhang等人，2026）。随着数据驱动方法的快速发展，包括随机森林（RF）、支持向量机（SVM）和人工神经网络（ANN）在内的机器学习方法越来越多地用于岩性识别和储层评价（Asante-Okyere等人，2020；Shuvo和Joy，2024；Yin等人，2023）。在DCBM研究中，这些方法与传统统计方法相比展现了更高的预测准确率（Wang等人，2023；Wang等人，2024a；Zhao等人，2025）。

然而，基于视觉检查的宏观岩相类型识别存在一些固有的局限性。首先，宏观外观与镜质组分组成并非一一对应，不同的镜质组分组合可能产生相似的视觉特征。其次，在深部煤储层中，压实作用、频繁互层和矿物富集进一步模糊了宏观特征，放大了分类不确定性。因此，仅靠宏观岩相类型识别可能不足以充分表征煤储层的非均质性（Cui等人，2021；Hou等人，2025）。此外，监督学习模型的性能强烈依赖于标注训练数据的质量和可靠性（Nazaretyan等人，2025；Song等人，2023a）。上述不确定性不可避免地引入了分类误差，降低了训练数据集的可靠性，最终损害了预测模型的预测精度和泛化能力（Srivastava等人，2022；Zhu等人，2024）。

光学显微镜下的镜质组分分析为基于镜质组分组成定义煤储层中的岩相类别提供了一种定量方法（O'Keefe等人，2013）。镜质组分组合直接记录了泥炭形成环境中的沉积条件，因此为煤形成过程提供了宝贵的地质见解（Amijaya和Littke，2005；Dai等人，2020；Sen等人，2016）。建立镜质组分组成与宏观岩相类型之间的关系将微观组成与宏观分类联系起来，从而提高了岩性识别的客观性和地质意义（Amijaya和Littke，2005；Hower和Wagner，2012）。因此，需要一种稳健且客观的方法来基于镜质组分组成建立煤储层的岩相分类。自组织映射（SOM）是一种无监督神经网络算法，越来越多地应用于复杂的地质和储层数据集。先前的研究表明，SOM可以有效地揭示煤地球化学数据中的隐藏模式，并提供与地质原则更为一致的拓扑关系，优于传统聚类方法（Xu等人，2023b）。此外，Xu等人（2025）使用SOM成功预测了煤样品中的稀土元素和钇（REY）浓度，突出了其处理不完整数据集的内在稳健性。

然而，镜质组分数据通常仅限于少量样品，这限制了其在区域尺度岩相类别预测中的直接应用。最近的研究表明，半监督学习方法可以在标注样品稀缺但未标注数据丰富的情况下有效提高模型性能（Wang等人，2024b；Xie等人，2023）。例如，Shi等人（2023）使用基于拉普拉斯支持向量机（LapSVM）的半监督方法，利用大量未标注测井数据中嵌入的结构信息，以极少的标注样品实现了高精度煤结构识别。类似地，Dong等人（2024）引入了一种改进的半监督阶梯网络，在数据稀缺条件下显著提高了岩相识别准确率，在标注有限时比监督模型高出6%以上。这些发现共同表明，半监督学习方法可以有效利用大量未标注地球物理测井中的潜在分布模式，以缓解稀疏标注的瓶颈。

在本研究中，基于SOM聚类方法，利用镜质组分组成建立了煤储层的客观岩相分类框架。随后，利用测井数据识别岩相类别。考虑到标注样品的有限可用性，引入了一种半监督学习方法，将镜质组分衍生的标签与大量未标注测井数据整合，从而提高了岩相类别预测的稳健性和可靠性。

章节摘要

地质背景

研究区位于鄂尔多斯盆地东北部，这是中国最重要的含煤盆地和DCBM生产区域之一。鄂尔多斯盆地是一个大型的稳定克拉通盆地，以平缓的构造变形和广泛分布的含煤地层为特征（Mou等人，2026；Wu等人，2017；Yang等人，2005）。构造上，研究区表现出相对简单的变形，具有平缓的褶皱和有限的断层（图1a）（Yang等人，2024；Yang等人，2016）。

自组织映射方法

自组织映射（SOM）是一种基于竞争学习的无监督神经网络算法，它可以将具有非线性关系的高维数据投影到低维拓扑网格上，同时保留数据集的内在结构（Kohonen，2012）。与传统的监督学习方法不同，SOM不需要预定义的输出标签，可以直接从数据中提取潜在的模式和关系。这一特性使其特别适用于

煤的镜质组分特征

8号煤层及其夹层的镜质组分组成以镜质组分为主导，含量范围为7.2%至88.8%，平均为53.69%（图4a）。惰质组分是第二丰富的镜质组分，数值在2.2%至45.0%之间（平均23.53%），而腐植组分为微量（0–3.6%，平均0.21%）。矿物质含量变化范围大，从2.0%到90.2%，平均为20.48%，表明样品间存在显著的非均质性。

工业分析

结论

在本研究中，建立了用于岩相类别分类和预测的SOM–LS综合框架，主要结论如下：

• (1)
  自组织映射（SOM）有效地将煤样品分类为五种类型，即富镜质组煤、镜质组分–惰质组分过渡煤、富惰质组煤、富矿物煤和夹层。验证结果表明SOM分类与镜质组分组成之间具有强一致性，且具有明显优势

CRediT作者贡献声明

Chao Yang：写作 – 原稿、方法论、调查、数据整理。Dameng Liu：写作 – 审阅与编辑、监督、方法论、资金获取、概念构思。Yongkai Qiu：监督、方法论。Yidong Cai：写作 – 审阅与编辑、监督、资金获取。Fengrui Sun：写作 – 审阅与编辑、软件。Changjing Gao：写作 – 审阅与编辑、方法论。Qifan Zhang：可视化、软件。Yilin Guo：可视化、软件。

未引用参考文献

Jian等人，2016

利益冲突声明

作者声明，他们没有已知的竞争性经济利益或个人关系，这些可能已影响本研究中报告的工作。

致谢

本工作得到中国国家重点研发计划（项目编号：2024YFC2909400）、中国国家自然科学基金（项目编号：42130806）、青年教职工科研创新能力支持项目（项目编号：ZYGXQNJSKYCXNLZCXM-E14）、内蒙古自治区重大科技创新示范项目（编号：2025ZDSF0004）以及中央高校基本科研业务费（项目编号：2652023001）的大力支持

Chao Yang|Dameng Liu|Yongkai Qiu|Yidong Cai|Fengrui Sun|Changjing Gao|Qifan Zhang|Yilin Guo