岩性油气藏 ›› 2026, Vol. 38 ›› Issue (5): 159–169.doi: 10.12108/yxyqc.20260515

• 地质勘探 • 上一篇    下一篇

基于混合随机森林的煤岩气储层孔隙度地震智能预测方法——以鄂尔多斯盆地米脂北地区石炭系本溪组8#煤为例

赵森(), 陈胜(), 李新豫, 杜文辉, 王秀姣, 杨昊, 李艳东, 代春萌   

  1. 中国石油勘探开发研究院， 北京 100083
  • 收稿日期:2026-03-12 修回日期:2026-04-17 出版日期:2026-09-01 发布日期:2026-09-04
  • 第一作者:赵森（2002—），男，中国石油勘探开发研究院在读硕士研究生，研究方向为智能储层预测。地址：（100083）北京市海淀区学院路20号。Email:1581808972@qq.com。
  • 通信作者: 陈胜
  • 基金资助:
    深地国家科技重大专项课题“氦气勘查评价关键技术及装备”(2025ZD1010504)

Intelligent seismic prediction method for porosity of coal rock gas reservoirs based on hybrid random forest: A case study of Carboniferous Benxi Formation 8# coal in northern Mizhi area, Ordos Basin

ZHAO Sen(), CHEN Sheng(), LI Xinyu, DU Wenhui, WANG Xiujiao, YANG Hao, LI Yandong, DAI Chunmeng   

  1. Research Institute of Petroleum Exploration & Development, Beijing 100083, China
  • Received:2026-03-12 Revised:2026-04-17 Online:2026-09-01 Published:2026-09-04
  • Contact: CHEN Sheng E-mail:1581808972@qq.com;cs69@petrochina.com.cn

RichHTML

12

PDF (PC)

9

摘要：

针对鄂尔多斯盆地米脂北地区石炭系本溪组8#煤常规方法对高孔隙度储层刻画精度不足的问题，基于斯皮尔曼相关分析优选敏感地震属性，构建低冗余输入特征集，提出了一种“分类—回归”两阶段协同的混合随机森林孔隙度预测方法，将该方法与6种常规方法进行了对比。研究结果表明：①混合随机森林孔隙度预测方法利用带类别平衡的分类器识别无效值，输出对应概率；在回归器训练中引入孔隙度分段样本权重，将低、中、高孔隙度区间的权重纳入优化；通过概率加权机制对预测结果进行自适应调整，在非储层段抑制背景值虚高、在储层段保持回归精度。②混合随机森林盲井预测孔隙度决定系数R2为0.864 4，显著优于单属性回归（0.720 4）、多属性线性回归（0.766 5）、XGBoost（0.717 5）、常规随机森林（0.791 0）及SMOTE+随机森林（0.771 3）；该方法低孔背景段预测结果偏差为0.416 4%，较常规随机森林（0.829 8%）和XGBoost（0.881 6%）明显降低，有效抑制了背景值虚高；在“甜点”段（孔隙度 ≥ 6%）预测平均绝对误差为0.703 8%。③连井剖面和平面预测结果表明，该方法在储层横向连续性、“甜点”带识别及背景区控制方面均优于对比方法，能够准确刻画本溪组8#煤孔隙度平面展布特征。

关键词: 混合随机森林算法, 煤岩气储层, 孔隙度预测, 智能物探, 三维地震, 本溪组8#煤, 米脂北地区, 鄂尔多斯盆地

Abstract:

To address the problem that conventional methods are insufficient for accurately characterizing high‑porosity reservoirs in Carboniferous Benxi Formation 8# coal in northern Mizhi area of Ordos Basin, a “classification‑regression” two‑stage collaborative hybrid random forest porosity prediction method was proposed by selecting sensitive seismic attributes based on Spearman rank correlation analysis, and constructing a low‑redundancy input feature set. It was then compared with six conventional methods. The results show that:（1） The hybrid random forest porosity prediction method uses a class‑balanced classifier to identify invalid va-lues and output their probabilities, introduces porosity‑segmented sample weights into the regressor training to incorporate weights of low‑, medium‑, and high‑porosity intervals into optimization, and adaptively adjusts the predictions through a probability‑weighted mechanism, which suppresses false high‑porosity anomalies in non‑reservoir sections while maintaining regression accuracy in reservoir sections. （2） On the blind well test set, determination coefficient（R2）of the hybrid random forest porosity predictions is 0.864 4, which significantly outperforms single‑attribute regression (0.720 4), multi‑attribute linear regression (0.766 5), XGBoost (0.717 5), conventional random forest (0.791 0), and SMOTE + random forest (0.771 3). In the low‑porosity background interval, the bias of the proposed method is only 0.416 4%, markedly lower than that of conventional random forest (0.829 8%) and XGBoost (0.881 6%), effectively suppressing false high‑porosity anomalies. In the sweet‑spot interval (porosity ≥ 6%), it also maintains a high prediction accuracy with an MAE of 0.703 8%. （3） Well‑tie profiles and planar prediction results demonstrate that the proposed method outperforms the compared methods in lateral reservoir continuity, sweet‑spot identification, and background control, and can accurately delineate the planar distribution characteristics of porosity of Benxi Formation 8# coal.

Key words: hybrid random forest algorithm, coal rock gas reservoir, porosity prediction, intelligent geophysical prospecting, 3D seismic, Benxi Formation 8# coal, northern Mizhi area, Ordos Basin

中图分类号: 

  • TE311

图1

鄂尔多斯盆地米脂北地区构造图（a）及上石炭统本溪组—下二叠统山西组岩性地层综合柱状图（b）"

图2

随机森林模型原理图"

图3

混合随机森林孔隙度预测模型流程"

表1

混合随机森林孔隙度预测模型中采用的地震属性名称"

属性
种类		 属性名称
基础
属性		 振幅包络(Amplitude Envelope)、瞬时相位(Instantaneous
Phase)、瞬时频率(Instantaneous Frequency)
导数
属性		 一阶导数(Derivative)、二阶导数(Second Derivative)
积分
属性		 导数瞬时振幅(Derivative Instantaneous Amplitude)、
积分(Integrate)
频率
属性		 积分绝对值(Integrate Absolute Amplitude)、主频(Dominant Frequency)、平均频率(Average Frequency)、振幅
加权频率(Amplitude Weighted Frequency)
相位
属性		 正交迹(Quadrature Trace)、余弦瞬时相位(Cosine Instantaneous Phase)、振幅加权相位(Amplitude Weighted Phase)、振幅加权余弦相位(Amplitude Weighted Cosine Phase)
极性
属性		 视极性(Apparent Polarity)
滤波
属性		 基础滤波(Filter)、5~10 Hz滤波(Filter 5-10 Hz)、15~
20 Hz滤波(Filter 15-20 Hz)、25~30 Hz滤波(Filter 25-30 Hz)、35~40 Hz滤波(Filter 35-40 Hz)、45~50 Hz滤波(Filter 45-50 Hz)、55~60 Hz滤波(Filter 55-60 Hz)
复合
属性		 二阶导数瞬时振幅(Second Derivative Instantaneous
Amplitude)

图4

鄂尔多斯盆地米脂北地区石炭系本溪组8#煤及围岩测井解释孔隙度分布直方图"

图5

鄂尔多斯盆地米脂北地区40口井石炭系本溪组8#煤平均孔隙度统计"

图6

鄂尔多斯盆地米脂北地区石炭系本溪组8#煤孔隙度与特征参数相关性热力图"

图7

鄂尔多斯盆地米脂北地区石炭系本溪组8#煤孔隙度-优选特征参数交会图 注：ρ为斯皮尔曼相关系数。"

图8

鄂尔多斯盆地米脂北地区石炭系本溪组8#煤优选特征参数连井剖面"

表2

鄂尔多斯盆地米脂北地区石炭系本溪组8#煤混合随机森林孔隙度预测模型中超参数取值设定"

超参数 参数搜索
范围		 分类器
最佳
参数		 回归器
最佳
参数
决策树数量 10~500 30 180
单棵决策树的最大深度 1~50、None 16 16
节点分裂所需最小样本数 1~10 2 2
叶节点所需最小样本数 1~10 1 1
单棵树在节点分裂时最大特征参数数量 None, sqrt, log2,1 sqrt 1

表3

鄂尔多斯盆地米脂北地区石炭系本溪组8#煤混合随机森林孔隙度预测模型中孔隙度权重及分段阈值设定"

超参数 搜索范围 最佳参数
低孔段权重 1~10 8
中孔段权重 1~10 2
高孔段权重 1~10 8
低孔、中孔分界/% 2~4 2
中孔、高孔分界/% 6~10 10

图9

鄂尔多斯盆地米脂北地区石炭系本溪组8#煤混合随机森林孔隙度预测模型中网格化搜索评分分布"

图10

鄂尔多斯盆地米脂北地区石炭系本溪组8#煤混合随机森林孔隙度预测模型中特征参数重要性得分对比"

图11

鄂尔多斯盆地米脂北地区石炭系本溪组8#煤多方法预测盲井孔隙度效果对比"

表4

鄂尔多斯盆地米脂北地区石炭系本溪组8#煤多方法预测孔隙度误差对比"

方法 整体平均
绝对
误差/%		 非“甜点”
段平均
绝对误差/%		 非“甜点”
段平均
偏差/%		 “甜点”段平均绝对误差/% 整体
R2
单属性回归 1.243 6 1.343 4 0.703 3 0.732 8 0.720 4
多属性回归 1.252 3 1.364 7 0.670 1 0.677 1 0.766 5
XGBoost 1.177 5 1.251 2 0.881 6 0.800 4 0.717 5
随机森林 0.995 9 1.049 1 0.829 8 0.723 6 0.791 0
SMOTE_RF 1.021 3 1.073 7 0.859 9 0.753 4 0.771 3
混合随机森林 0.791 4 0.808 5 0.416 4 0.703 8 0.864 4

图12

鄂尔多斯盆地米脂北地区石炭系本溪组8#煤多方法预测孔隙度连井剖面效果对比"

图13

鄂尔多斯盆地米脂北地区石炭系本溪组8#煤随机森林（a）、混合随机森林（b）预测孔隙度平面分布"

[1] 李国欣, 张水昌, 何海清, 等. 煤岩气:概念、内涵与分类标准[J]. 石油勘探与开发, 2024, 51(4):783-795.
LI Guoxin, ZHANG Shuichang, HE Haiqing, et al. Coal-rock gas:Concept,connotation and classification criteria[J]. Petroleum Exploration and Development, 2024, 51(4):783-795.
[2] 邹才能, 赵群, 刘翰林, 等. 中国煤岩气突破及意义[J]. 天然气工业, 2025, 45(4):1-18.
ZOU Caineng, ZHAO Qun, LIU Hanlin, et al. China’s breakthrough in coal-rock gas and its significance[J]. Natural Gas Industry, 2025, 45(4):1-18.
[3] 桂志先, 朱广生, 熊新斌, 等. 孔隙度与纵横波速度间的关系及其在孔隙度预测中的应用[J]. 石油物探, 1998, 37(2):36-40.
GUI Zhixian, ZHU Guangsheng, XIONG Xinbin, et al. Relationship between porosity and P- and S-wave velocities and its application in porosity prediction[J]. Geophysical Prospecting for Petroleum, 1998, 37(2):36-40.
[4] HAMPSON D, SCHUELKE J S, QUIREIN J. Use of multiattribute transforms to predict log properties from seismic data[J]. Geophysics, 2001, 66(1):220-236.
[5] BERRYMAN J G, PRIDE S R, WANG H F. A differential scheme for elastic properties of rocks with dry or saturated cracks[J]. Geophysical Journal International, 2002, 151(2):597-611.
[6] HE Xile, HE Zhenhua, WANG Xuben, et al. Rock skeleton mo-dels and seismic porosity inversion[J]. Applied Geophysics, 2012, 9:349-358.
[7] 杨午阳, 魏新建, 李海山. 智能物探技术的过去、现在与未来[J]. 岩性油气藏, 2024, 36(2):170-188.
YANG Wuyang, WEI Xinjian, LI Haishan. The past,present and future of intelligent geophysical technology[J]. Lithologic Reservoirs, 2024, 36(2):170-188.
[8] CHEN Wei, YANG Liuping, ZHA Bei, et al. Deep learning re-servoir porosity prediction based on multilayer long short-term memory network[J]. Geophysics, 2020, 85(4):WA213-WA225.
[9] 路萍, 郭京哲, 高春云, 等. 基于机器学习的CO2封存致密砂岩储层孔隙度预测[J]. 地球物理学进展, 2024, 39(3):1129-1140.
LU Ping, GUO Jingzhe, GAO Chunyun, et al. Machine learning-based prediction of porosity in tight sandstone reservoirs for CO2 geological sequestration[J]. Progress in Geophysics, 2024, 39(3):1129-1140.
[10] 桂金咏, 李胜军, 高建虎, 等. 基于特征变量扩展的含气饱和度随机森林预测方法[J]. 岩性油气藏, 2024, 36(2):65-75.
GUI Jinyong, LI Shengjun, GAO Jianhu, et al. A random fo-rests prediction method for gas saturation based on feature variable extension[J]. Lithologic Reservoirs, 2024, 36(2):65-75.
[11] 甄艳, 康锦涛, 赵晓明, 等. 基于改进SMOTE和随机森林算法的致密砂岩成岩相测井解释方法[J]. 西南石油大学学报(自然科学版), 2025, 47(4):62-74.
ZHEN Yan, KANG Jintao, ZHAO Xiaoming, et al. A logging interpretation method for tight sandstone diagenetic facies based on improved SMOTE and random forest algorithm[J]. Journal of Southwest Petroleum University (Science & Technology Edition), 2025, 47(4):62-74.
[12] 翟咏荷, 何登发, 开百泽. 鄂尔多斯盆地及邻区中—晚二叠世构造-沉积环境与原型盆地演化[J]. 岩性油气藏, 2024, 36(1):32-44.
ZHAI Yonghe, HE Dengfa, KAI Baize. Tectonic-depositional environment and prototype basin evolution of Middle-Late Permian in Ordos Basin and adjacent areas[J]. Lithologic Re-servoirs, 2024, 36(1):32-44.
[13] 何登发, 包洪平, 开百泽, 等. 鄂尔多斯盆地及其邻区关键构造变革期次及其特征[J]. 石油学报, 2021, 42(10):1255-1269.
HE Dengfa, BAO Hongping, KAI Baize, et al. Critical tectonic modification periods and its geologic features of Ordos Basin and adjacent area[J]. Acta Petrolei Sinica, 2021, 42(10):1255-1269.
[14] 赵喆, 徐旺林, 赵振宇, 等. 鄂尔多斯盆地石炭系本溪组煤岩气地质特征与勘探突破[J]. 石油勘探与开发, 2024, 51(2):234-247.
ZHAO Zhe, XU Wanglin, ZHAO Zhenyu, et al. Geological cha-racteristics and exploration breakthroughs of coal rock gas in Carboniferous Benxi Formation,Ordos Basin,NW China[J]. Petroleum Exploration and Development, 2024, 51(2):234-247.
[15] 张盟勃, 彭剑康, 崔晓杰, 等. 鄂尔多斯盆地米脂北地区石炭系本溪组煤岩气储层地震预测技术[J]. 岩性油气藏, 2026, 38(1):162-171.
ZHANG Mengbo, PENG Jiankang, CUI Xiaojie, et al. Seismic prediction technology for coal rock gas reservoir of Carbonife-rous Benxi Formation in northern Mizhi area,Ordos Basin[J]. Lithologic Reservoirs, 2026, 38(1):162-171.
[16] MALLEY J D, MALLEY K G, PAJEVIC S. Random forests-trees everywhere[M]// Statistical learning for biomedical data. Cambridge: Cambridge University Press,2011:137-154.
[17] BREIMAN L. Bagging predictors[J]. Machine Learning, 1996, 24:123-140.
[18] BREIMAN L, FRIEDMAN J H, OLSHEN R A, et al. Classification and regression trees[M]. Belmont:Wadsworth, 1984.
[19] 方匡南, 吴见彬, 朱建平, 等. 随机森林方法研究综述[J]. 统计与信息论坛, 2011, 26(3):32-38.
FANG Kuangnan, WU Jianbin, ZHU Jianping, et al. A review of technologies on random forests[J]. Journal of Statistics and Information, 2011, 26(3):32-38.
[20] 宋述芳, 何入洋. 基于随机森林的重要性测度指标体系[J]. 国防科技大学学报, 2021, 43(2):25-32.
SONG Shufang, HE Ruyang. Importance measure index system based on random forest[J]. Journal of National University of Defense Technology, 2021, 43(2):25-32.
[21] 王光宇, 宋建国, 徐飞, 等. 不平衡样本集随机森林岩性预测方法[J]. 石油地球物理勘探, 2021, 56(4):679-687.
WANG Guangyu, SONG Jianguo, XU Fei, et al. Random forest lithology prediction method for imbalanced data sets[J]. Oil Geophysical Prospecting, 2021, 56(4):679-687.
[22] SPEARMAN C. The proof and measurement of association between two things[J]. The American Journal of Psychology, 1904, 15(1):72-101.
[23] 马如辉, 张平. 利用波阻抗反演预测地层孔隙率[J]. 石油地球物理勘探, 2002, 37(5):537-540.
MA Ruhui, ZHANG Ping. Study of method for prediction of formation porosity by wave impedance inversion[J]. Oil Geophysical Prospecting, 2002, 37(5):537-540.
[24] 邹冠贵, 彭苏萍, 张辉, 等. 地震波阻抗反演预测采区孔隙度方法[J]. 煤炭学报, 2009, 34(11):1507-1511.
ZOU Guangui, PENG Suping, ZHANG Hui, et al. Predicting aquifer porosity of coal mine by impedance inversion[J]. Journal of China Coal Society, 2009, 34(11):1507-1511.
[25] 罗登贵, 刘江平, 金聪, 等. 活断层的地震响应特征与瞬时地震属性[J]. 地球科学, 2017, 42(3):462-470.
LUO Denggui, LIU Jiangping, JIN Cong, et al. Instantaneous seismic attributes and response characteristics of active faults[J]. Earth Science, 2017, 42(3):462-470.
[26] 王开燕, 徐清彦, 张桂芳, 等. 地震属性分析技术综述[J]. 地球物理学进展, 2013, 28(2):815-823.
WANG Kaiyan, XU Qingyan, ZHANG Guifang, et al. Summary of seismic attribute analysis[J]. Progress in Geophysics, 2013, 28(2):815-823.
[27] 张军华, 侯静, 辛星, 等. 道积分属性理论诠释及其在薄河道砂体预测中的应用[J]. 地球物理学进展, 2018, 33(1):326-333.
ZHANG Junhua, HOU Jing, XIN Xing, et al. Theory annotation and application of trace integration attribute in the prediction of thin channel sand body[J]. Progress in Geophysics, 2018, 33(1):326-333.
[28] 田文忠, 乔林, 袁剑, 等. 浅水三角洲前缘薄砂岩储层地震预测方法:以川西坳陷侏罗系蓬莱镇组二段为例[J]. 岩性油气藏, 2026, 38(1):78-88.
TIAN Wenzhong, QIAO Lin, YUAN Jian, et al. Seismic prediction method for thin sandstone reservoirs in shallow water delta front:A case study of the second member of Jurassic Penglaizhen Formation in Western Sichuan Depression[J]. Lithologic Reservoirs, 2026, 38(1):78-88.
[29] 邹冠贵, 彭苏萍, 郝小霞, 等. 基于楔形模型分析煤厚与地震振幅属性关系[J]. 煤炭科学技术, 2014, 42(4):88-91.
ZOU Guangui, PENG Suping, HAO Xiaoxia, et al. Analysis on relationship between seam thickness and seismic amplitude attribute based on wedge model[J]. Coal Science and Techno-logy, 2014, 42(4):88-91.
[30] WU Xiaoyang, CHAPMAN M, LI Xiangyang, et al. Quantitative gas saturation estimation by frequency-dependent amplitude-versus-offset analysis[J]. Geophysical Prospecting, 2014, 62(6):1224-1237.
[31] 李毓, 张春霞. 基于out-of-bag样本的随机森林算法的超参数估计[J]. 系统工程学报, 2011, 26(4):566-572.
LI Yu, ZHANG Chunxia. Estimation of the hyper-parameter in random forest based on out-of-bag sample[J]. Journal of Systems Engineering, 2011, 26(4):566-572.
[32] 殷疆, 焦雪君, 李小龙, 等. 基于随机森林优化算法的低电阻率储层含油饱和度评价方法[J]. 岩性油气藏, 2026, 38(1):55-66.
YIN Jiang, JIAO Xuejun, LI Xiaolong, et al. Evaluation method for oil saturation in low resistivity reservoirs based on random forest optimization algorithm[J]. Lithologic Reservoirs, 2026, 38(1):55-66.
[1] 黄力, 赵龙梅, 陈东, 赵浩阳, 张艺馨, 石石, 张稳, 季亮. 鄂尔多斯盆地宜川地区石炭系—二叠系煤岩气储层特征及勘探潜力[J]. 岩性油气藏, 2026, 38(5): 40-50.
[2] 张卫刚, 刘广林, 王勇, 宁凡, 马绍辉, 闫百泉. 鄂尔多斯盆地铁边城地区三叠系长7段夹层型页岩油储层特征及主控因素[J]. 岩性油气藏, 2026, 38(5): 94-103.
[3] 樊宇洁, 万永平, 蒲仁海, 折印楠, 崔宏俊, 高小平. 鄂尔多斯盆地延安—甘泉地区山23亚段大型河道带沉积特征及勘探潜力[J]. 岩性油气藏, 2026, 38(5): 125-135.
[4] 李新泽, 吴浩, 晁嘉豪, 李娜, 王苏冉, 白玉湖, 冯汝勇, 程加陆. 鄂尔多斯盆地神府区块二叠系太原组煤层气产能预测方法[J]. 岩性油气藏, 2026, 38(5): 191-200.
[5] 白益远, 弓虎军, 王东旭, 李渊, 罗芬红, 王军军. 鄂尔多斯盆地延长探区氦气分布特征及控制因素[J]. 岩性油气藏, 2026, 38(3): 149-161.
[6] 任佳伟, 李莉, 王德玉, 白晓虎, 康博, 白宇恩, 白建文, 陈军斌. 页岩油藏水平井四维地应力演化及重复压裂时机优化方法——以鄂尔多斯盆地庆城油田三叠系长7段为例[J]. 岩性油气藏, 2026, 38(3): 190-200.
[7] 薛博文, 张兆辉, 张皎生, 邹建栋, 张闻亭. 基于GWO-XGBoost模型的致密砂岩储层流体测井智能识别——以鄂尔多斯盆地洪德地区三叠系长8段为例[J]. 岩性油气藏, 2026, 38(2): 111-121.
[8] 杨占龙, 郝彬, 谭开俊, 张晶, 张丽萍, 廖建波, 李在光, 史江龙. 中国陆上中小盆地群发育特征与油气勘探方向[J]. 岩性油气藏, 2026, 38(2): 12-31.
[9] 周文娟, 蒲仁海, 卢子兴, 王康乐, 张鹏, 闻星宇, 王通, 关蕴文. 鄂尔多斯盆地中东部奥陶系马五段膏盐岩分布特征及主控因素[J]. 岩性油气藏, 2026, 38(2): 122-133.
[10] 李涛, 马国福, 赵乐义, 袁莉, 马淇琳, 谢菁钰, 张博, 李赫楠. 鄂尔多斯盆地环县地区三叠系长7段烃源岩特征及油源对比[J]. 岩性油气藏, 2026, 38(2): 134-144.
[11] 龙礼文, 肖文华, 严宝年, 王建国, 李少勇, 李丛林, 郭耀轩, 任雪瑶. 鄂尔多斯盆地环西地区三叠系长81油气成藏主控因素[J]. 岩性油气藏, 2026, 38(2): 65-75.
[12] 郭昱辛, 白玉彬, 赵靖舟, 张军, 曹丹丹. 鄂尔多斯盆地志丹地区三叠系长7泥页岩非均质性及控油作用[J]. 岩性油气藏, 2026, 38(2): 97-110.
[13] 张盟勃, 彭剑康, 崔晓杰, 张栋, 倪娜, 龙盛芳, 魏朋辉. 鄂尔多斯盆地米脂北地区石炭系本溪组煤岩气储层地震预测技术[J]. 岩性油气藏, 2026, 38(1): 162-171.
[14] 荀小全, 李宏涛, 李长平, 杨帆, 刘雄. 强非均质性气藏压裂水平井分段产量劈分新方法——以鄂尔多斯盆地东胜气田二叠系盒1段气藏为例[J]. 岩性油气藏, 2026, 38(1): 191-200.
[15] 殷疆, 焦雪君, 李小龙, 李泰福, 申战勇, 李梦茜, 孙睿, 朱玉双. 基于随机森林优化算法的低电阻率储层含油饱和度评价方法[J]. 岩性油气藏, 2026, 38(1): 55-66.
Viewed
Full text


Abstract

Cited
  Shared   
  Discussed   
No Suggested Reading articles found!

陇ICP备17006252号
版权所有© 2018 中国石油集团西北地质研究所有限公司《岩性油气藏》编辑部

地址：甘肃省兰州市城关区雁儿湾路535号(陇ICP备17006252号)    电话：0931-8686158;8686058;8686288    邮箱：yxyqc@petrochina.com.cn

甘公网安备 62010202002827号

本系统由北京玛格泰克科技发展有限公司设计开发