Geochemical characteristics and organic matter enrichment model of Wufeng-Longmaxi formations shale in northeast Sichuan China
-
摘要:
四川盆地是我国页岩气开发的主力产区，川东北地区作为四川盆地的页岩气开发的接替区，备受关注。为了探究川东北地区上奥陶统五峰组–下志留统龙马溪组富有机质页岩的控制因素及富集模式。采用电感耦合等离子体质谱(ICP–MS)方法对川东北地区五峰组–龙马溪组14件页岩进行元素分析，并结合测井曲线特征，探讨五峰组–龙马溪组沉积体系、氧化还原条件、陆源碎屑输入、初级生产力和古气候关系。识别出了3个三级层序(SSQ1,SSQ2和SSQ3)，海平面经历了由高—低—高—低的过程，结合页岩元素的 w(V)/w(Cr),w(V)/w(V+Ni),w(Ni)/w(Co),w(Sr)/w(Cu),w(Sr)/w(Ba),T(℃)等参数，指示了五峰组−龙马溪组，经历了氧化—贫氧—缺氧还原—贫氧—氧化的淡水环境；气候经历了温暖湿润—干旱寒冷—温润湿润—干旱寒冷—温暖湿润演化过程，温度经历了降低—升高—降低—升高的过程。川东北地区五峰组−龙马溪组有机质富集模式可划分为Ⅲ 阶段模式，第Ⅰ阶段，五峰组到龙马溪组底部沉积时期，有机碳逐渐增高阶段；第Ⅱ阶段，龙马溪组中部，有机碳富集阶段(甜点段)；第Ⅲ阶段，龙马溪组上部，有机碳逐渐降低阶段。期望为川东北地区页岩气的勘探提供依据，下一步，将开展研究区重大地质事件对有机质富集的资源响应研究，深化页岩气富集模式。
Abstract:The Sichuan Basin, located in southwestern China, is considered the primary producing area for shale gas development in the country. Its rich shale gas reserves have made it a significant contributor to China’s energy production. Within the Sichuan Basin, northeast Sichuan has emerged as a region of particular interest for shale gas development. In order to investigate the controlling factors and enrichment patterns of organic matter-rich shales from the Upper Ordovician Wufeng Formation-Lower Silurian Longmaxi Formation in northeast Sichuan, inductively coupled plasma mass spectrometry (ICP–MS) was used to analyze 14 shale samples from the Wufeng Formation-Longmaxi Formation in northeast Sichuan. Combined with the characteristics of logging curves, the sedimentary system, redox conditions, terrestrial debris input, primary productivity, and paleoclimate relationship of the Wufeng Formation to the Longmaxi Formation were explored. As a result, three third-order sequences (SSQ1, SSQ2, and SSQ3) were identified, and the sea level experienced a process from high-low-high-low, which, in combination with the shale elemental parameters of w(V)/w(Cr), w(V)/w(V+Ni), w(Ni)/w(Co), w(Sr)/w(Cu), w(Sr)/w(Ba), and T (℃), indicated that the Wufeng Formation-Longmaxi Formation underwent an oxidized-poorly oxygenated-anoxic reduced-poorly oxygenated-oxidized freshwater environment; the climate has undergone a warm-humid, dry-cold, warm-humid, dry-cold, warm-humid evolution, and the temperature has gone through the process of decreasing – increasing – decreasing – increasing. The organic matter enrichment pattern of the Wufeng Formation-Longmaxi Formation in northeast Sichuan can be divided into a Ⅲ stage pattern. Stage Ⅰ, the depositional period from the Wufeng Formation to the bottom of the Longmaxi Formation, is a stage of gradual increase in organic carbon; stage Ⅱ, the depositional period of the middle part of the Longmaxi Formation, is a stage of enrichment of organic carbon (sweet-spot member); and stage Ⅲ, the depositional period of the upper part of the Longmaxi Formation, is a stage of gradual decrease in organic carbon. It is expected to provide a basis for the exploration of shale gas in northeast Sichuan, and the next step will be to carry out research on the resource response of major geological events to organic matter enrichment in the study area and deepen the shale gas enrichment model.
-
0. 引 言
“双碳”目标下[1]，煤炭依旧为我国主体能源，为响应国家生态文明建设和实现高质量发展，加快推进绿色智能煤矿建设尤为重要[2-3]。煤炭开采环境复杂、条件恶劣，大量挖掘运输设备相互交叉运行在矿场中，操作人员工作强度大、危险系数高，安全问题难以保障[4]。因此，实现开采机械自动化、无人驾驶矿车智能化在煤矿开采中的应用是建设智能矿山的首要举措[5-6]。同时定位与地图构建是实现采矿设备自动化和采矿环境数字化的一种关键技术，该技术能够让机器人在未知的环境中，完成定位、建图和路径规划[7]。
早期的SLAM使用单一的激光雷达进行定位，在非结构化或复杂恶劣的环境下运行时会造成点云地图稀疏的问题。如REN[8]等在连续帧之间、连续关键帧之间和回环检测帧之间使用GICP[9]配准方法并使用了随机抽样一致性（Random Sample Consensus,RANSAC）对煤矿巷道点云进行了分割，并将分割得到的巷道平面作为了观测约束，实现了在结构化的煤矿巷道环境低漂移定位与建图。惯性测量单元能够不受环境影响，实现高频高精度位姿估计，但其在长时间工作状态下会导致自身误差累积无法精确估计，因此将LiDAR和IMU进行融合能够实现在复杂恶劣环境下长时间高精度定位[10]。目前，国内外学者在LiDAR/IMU融合方面已经进行了大量研究，主要分为松耦合和紧耦合2大类[11]。对LiDAR和IMU的测量数据分别处理后进行加权融合确定运动状态的方法被称为松耦合，如ZHANG等[12]提出了激光里程计与建图（LiDAR Odometry and Mapping，LOAM），该算法使用IMU计算的姿态作为LiDAR扫描配准的初始值，而未将其作为全局优化的约束条件。后续对松耦合系统的研究大多延续了LOAM算法框架，如SHAN 等[13]在LOAM算法的基础上增加了地面优化，对具有相同类别的特征点进行匹配，提高了融合计算效率，使得特征匹配更稳定。XUE等[14]在LeGO-LOAM基础上通过整合扫描上下文回环算法降低了点云维数，提高了在煤矿井下模拟场景下的实时性和鲁棒性。
松耦合算法仅停留在数据结果层面分析，无法解决退化场景问题，为此，紧耦合算法使用图优化或者滤波的方式将LiDAR与IMU观测数据融合，充分考虑了两者间的内在约束，系统的鲁棒性和准确性得到提升。YE等提出的LIO-Mapping[15]使用VINS-Mono[16]中的优化过程来最小化IMU残差和LiDAR测量误差，并以一种旋转约束的方法来细化最终的地图，但由于该约束的计算复杂性，系统难以实时运行。SHAN等[17]提出了基于图优化的LIO-SAM使用划窗的方式来完成帧到局部子图的扫描配准，关键帧的选择以及对旧帧的边缘化有效降低了计算复杂性，提高了系统运行速度。QIN等基于滤波的LINS[18]提出了一种以机器人为中心，以误差状态进行迭代卡尔曼滤波的融合算法。YANG等[19]利用扰动模型对煤矿长巷道退化环境进行了检测和补偿，IMU预积分用于补偿旋转状态退化，LiDAR与IMU融合产生的新姿态用于补偿平移状态退化，提高了煤矿巷道退化场景的鲁棒性。XU等在FAST-LIO[20]中提出了一个新的计算卡尔曼增益公式，显著提高了计算效率。在此基础之上的FAST-LIO2[21]提出了一种新的数据结构ikd-tree[22]，能够高效动态地对数据结构进行划分，实现增量更新地图，极大地提高了地图管理效率。
尽管当前SLAM解决方案众多，但是在露天煤矿环境下使用时的表现却不尽如人意。该环境存在大量斜坡、碎石以及开采后产生的不规则单侧石壁，算法会随运行距离增长产生累计漂移问题，而且大多数SLAM算法需要提取边缘和平面等几何特征进行配准，均采用LOAM框架对海量点云进行多次降采样，导致配准结果不准确，影响定位精度以及建图效果。另外，在这样的环境下会出现分段式的相似环境，当无法检测到新的特征时LiDAR会出现退化现象，一旦配准失败且经过IMU积分发散，SLAM的定位性能将迅速下降，导致建图失败。综上所述，SLAM如何在露天煤矿环境下保持系统的鲁棒性和准确性仍是一大难题。为此，提出了一种基于滤波与图优化相结合的紧耦合SLAM算法，前端使用迭代扩展卡尔曼滤波（Iterater Extended Kalman Filter,IEKF）来实现激光雷达与IMU数据的融合，后端分别设计了雷达相对位姿因子和回环检测因子来完成全局优化，增强了在露天煤矿环境下对颠簸不平路况的鲁棒性，实现了复杂环境下精确的定位建图，为煤矿设备智能化提供了一种关键技术支撑。
1. 系统框架
所提出的算法主要由前端迭代扩展卡尔曼滤波和后端因子图优化两部分组成。该算法使用LiDAR和IMU两种传感器作为数据输入信息源。前端使用紧耦合的迭代扩展卡尔曼滤波器将LiDAR特征点与IMU数据相融合，使用后向传播来补偿LiDAR运动失真，经过运动补偿后与该时刻的特征点来构造残差，完成状态更新。后端分别设计了雷达相对位姿因子和回环检测因子，相对位姿因子作用于全局提供新的关位姿与局部子图内关键帧位姿之间的约束，并对当前帧与局部子图进行匹配；回环检测因子同样作用于全局，检测是否与历史位姿重合并对相邻关键帧进行调整来，完成全局优化。最后输出优化后的机器人轨迹，位姿以及全局点云地图，系统结构如图1所示。
2. 系统模型描述
使用了文献[23]中定义封装了两个算子⊞和⊟，⊞：$\mathcal{S} \times {\mathbb{R}^n} \to \mathcal{S}$及其逆⊟：$\mathcal{S} \times \mathcal{S} \to {\mathbb{R}^n}$，其中$\mathcal{S}$为维数为n的流形（$\mathcal{S} = SO(3)$）。IMU坐标系记为${I}$，一般假设IMU与LiDAR以外参$^I{{\boldsymbol{T}}_L} = {(^I}{{\boldsymbol{R}}_L}{,^I}{{\boldsymbol{p}}_L})$刚性连接在一起，则IMU运动学模型如下：
$$ \begin{array}{l}{}^{G}{{\boldsymbol{p}}}_{I}=^{G}{{\boldsymbol{v}}}_{I}{,}^{G}{\dot{{\boldsymbol{v}}}}_{I}=^{G}{{\boldsymbol{R}}}_{I}\left({{\boldsymbol{a}}}_{m}-{{\boldsymbol{b}}}_{a}-{{\boldsymbol{n}}}_{a}\right)+^{G}{\boldsymbol{g}}{\text{，}}^{G}\dot{{\boldsymbol{g}}}=0\\ {}^{G}{\dot{{\boldsymbol{R}}}}_{I}=^{G}{{\boldsymbol{R}}}_{I}{\lfloor {{\boldsymbol{\omega}} }_{m}-{{\boldsymbol{b}}}_{\omega }-{{\boldsymbol{n}}}_{\omega }\rfloor }_{\wedge }\text{，}{\dot{{\boldsymbol{b}}}}_{a}={{\boldsymbol{n}}}_{ba},{\dot{{\boldsymbol{b}}}}_{\omega }={n}_{{\boldsymbol{b}}\omega }\end{array} $$ (1) 其中，$ ^G{{\boldsymbol{p}}_I} $和$ ^G{{\boldsymbol{R}}_I} $分别为IMU在机器人坐标系（记为$ G $）中的位置和姿态；$ ^G{\boldsymbol{g}} $为未知重力向量；$ {{\boldsymbol{a}}_m} $和$ {{\boldsymbol{\omega }}_m} $为IMU测得的加速度与角速度；$ {{\boldsymbol{n}}_{\boldsymbol{a}}} $和$ {{\boldsymbol{n}}_{\boldsymbol{\omega }}} $为IMU测量值的白噪声；$ {{\boldsymbol{b}}_{\boldsymbol{a}}} $和$ {{\boldsymbol{b}}_{\boldsymbol{\omega }}} $建模为高斯噪声$ {{\boldsymbol{n}}_{{\boldsymbol{ba}}}} $和$ {{\boldsymbol{n}}_{{\boldsymbol{b\omega }}}} $的一阶马尔科夫过程，符号${\left\lfloor \alpha \right\rfloor _ \wedge }$为向量${\boldsymbol{\alpha }}\in {\mathbb{R}^3}$的斜对称矩阵。离散化上述模型可以得到：
$$ {{\boldsymbol{x}}_{i + 1}} = {{\boldsymbol{x}}_i} \boxplus \left[ {\Delta t{\boldsymbol{f}}({{\boldsymbol{x}}_i},{{\boldsymbol{u}}_i},{{\boldsymbol{w}}_i})} \right] $$ (2) 其中，$\Delta t$为IMU采样时间间隔；${\boldsymbol{f}}$为函数；${\boldsymbol{x}}$为状态；${\boldsymbol{u}}$为输入；${\boldsymbol{w}}$为噪声；定义如下：
$$ \boldsymbol{f}\left(\boldsymbol{x}_i, \boldsymbol{u}_i, \boldsymbol{w}_i\right)=\left[\begin{array}{c} \boldsymbol{\omega}_{m_i}-\boldsymbol{b}_{\boldsymbol{\omega}_i}-\boldsymbol{n}_{\boldsymbol{\omega}_i} \\ { }^G \boldsymbol{v}_{I_i} \\ \boldsymbol{R}_{I_i}\left(\boldsymbol{a}_{m_i}-\boldsymbol{b}_{\boldsymbol{a}_i}-\boldsymbol{n}_{\boldsymbol{a}_i}\right)+{ }^G \boldsymbol{g}_i \\ \boldsymbol{n}_{\boldsymbol{b \omega}_i} \\ \boldsymbol{n}_{\boldsymbol{b a}_i} \\ \boldsymbol{0}_{3 \times 1} \end{array}\right] $$ (3) $$ \begin{aligned} & \boldsymbol{x} \doteq\left[\begin{array}{llllll} { }^G \boldsymbol{R}_{\mathrm{I}}^{\mathrm{T}} & { }^G \boldsymbol{p}_{\mathrm{I}}^{\mathrm{T}} & { }^G \boldsymbol{v}_{\mathrm{I}}^{\mathrm{T}} & \boldsymbol{b}_{\boldsymbol{\omega}}^{\mathrm{T}} & \boldsymbol{b}_{\boldsymbol{a}}^{\mathrm{T}} & { }^G \boldsymbol{g}^{\mathrm{T}} \end{array}\right]^{\mathrm{T}} \in \mathcal{S} \\ & \boldsymbol{u} \doteq\left[\begin{array}{llll} \boldsymbol{\omega}_{{m}}^{\mathrm{T}} & \boldsymbol{a}_{{m}}^{\mathrm{T}} \end{array}\right]^{\mathrm{T}} \\ & \boldsymbol{w} \doteq\left[\begin{array}{llll} \boldsymbol{n}_{\boldsymbol{\omega}}^{\mathrm{T}} & \boldsymbol{n}_{\boldsymbol{a}}^{\mathrm{T}} & \boldsymbol{n}_{\boldsymbol{b \omega}}^{\mathrm{T}} & \boldsymbol{n}_{{ba}}^{\mathrm{T}} \end{array}\right]^{\mathrm{T}} \end{aligned} $$ (4) 3. 激光惯性里程计模型构建
使用IEKF来估计式(2)中的状态。假设LiDAR在$t_{k{-1}}$时刻的扫描最优状态估计值是${{\boldsymbol{\bar x}}_{k - 1}}$，则系统的随机误差状态向量为
$$ {{\boldsymbol{\tilde x}}_{k - 1}} \doteq {{\boldsymbol{x}}_{k - 1}} \boxminus {{\boldsymbol{\bar x}}_{k - 1}} = {\left[ {\begin{array}{*{20}{l}} {\delta {{\boldsymbol{\theta }}^{\mathrm{T}}}}&{^G{\boldsymbol{\tilde p}}_{\mathrm{I}}^{\mathrm{T}}}&{{}^G{\boldsymbol{\tilde v}}_{\mathrm{I}}^{\mathrm{T}}}&{{\boldsymbol{\tilde b}}_{\boldsymbol{\omega }}^{\mathrm{T}}}&{{\boldsymbol{\tilde b}}_{\boldsymbol{a}}^{\mathrm{T}}}&{^G{{{\boldsymbol{\tilde g}}}^{\mathrm{T}}}} \end{array}} \right]^{\mathrm{T}}} $$ (5) 其中，$ \delta {\boldsymbol{\theta }} = {\text{log}}{(^G}\overline {\boldsymbol{R}} _I^{TG}{{\boldsymbol{R}}_I}) $为姿态误差，其他项为标准加性误差[24]，姿态误差$ \delta {\boldsymbol{\theta }} $的定义直观地描述了真实姿态与估计姿态之间的偏差，使得姿态不确定性可以简洁的使用3$ \times $3的协方差矩阵$\mathbb{E}[ \delta \theta \delta {\theta ^{\mathrm{T}}}]$表示。
3.1 状态传播
IMU测量时，按照式(2)将过程噪声设置为零进行传播得到下式：
$$ {\widehat{{\boldsymbol{x}}}}_{i+1}={\widehat{{\boldsymbol{x}}}}_{i}\boxplus\left(\Delta t{\boldsymbol{f}}\left({\widehat{{\boldsymbol{x}}}}_{i},{{\boldsymbol{u}}}_{i},0\right)\right)\text{，}{\widehat{{\boldsymbol{x}}}}_{0}={\overline{{\boldsymbol{x}}}}_{k-1} $$ (6) 传播协方差以迭代误差动态模型来处理，定义如下[19]：
$$ \begin{split} {{{\boldsymbol{\tilde x}}}_{i + 1}} & ={{\boldsymbol{x}}_{i + 1}} \boxminus {{{\boldsymbol{\hat x}}}_{i + 1}} \\ & {\text{ }} = \left( {{{\boldsymbol{x}}_i} \boxplus \Delta t{\boldsymbol{f}}\left( {{{\boldsymbol{x}}_i},{{\boldsymbol{u}}_i},{{\boldsymbol{w}}_i}} \right)} \right) \boxminus \left( {{{{\boldsymbol{\hat x}}}_i} \boxplus \Delta t{\boldsymbol{f}}\left( {{{{\boldsymbol{\hat x}}}_i},{{\boldsymbol{u}}_i},{\boldsymbol{0}}} \right)} \right) \\ & {\text{ }} \simeq {{\boldsymbol{F}}_{{\boldsymbol{\tilde x}}}}{{{\boldsymbol{\tilde x}}}_i} + {{\boldsymbol{F}}_{\boldsymbol{w}}}{{\boldsymbol{w}}_i} \\ \end{split} $$ (7) 其中，$ {{\boldsymbol{F}}_{{\boldsymbol{\tilde x}}}} $和$ {{\boldsymbol{F}}_{\boldsymbol{w}}} $分别为$ {{\boldsymbol{\tilde x}}_i} $和$ {{\boldsymbol{w}}_i} $的雅克比矩阵，定义如下：
$${ {{\boldsymbol{F}}_{\widetilde {\boldsymbol{x}}}} = \left[ {\begin{array}{*{20}{c}} {{Exp} \left( { - {{{{\hat {\boldsymbol{\omega}} }}}_i}\Delta t} \right)} & {\boldsymbol{0}} & {\boldsymbol{0}} & { - {\boldsymbol{A}}{{\left( {{{{{\hat {\boldsymbol{\omega}} }}}_i}\Delta t} \right)}^{\rm{T}}}\Delta t} & 0 & 0 \\ 0 & {{\text{ }}{\boldsymbol{I}}} & {{\boldsymbol{I}}{\text{ }}\Delta t} & 0 & 0 & 0 \\ {{ - ^G}{{{{\hat {\boldsymbol{R}}}}}_{{I_i}}}{{\left\lfloor {{{{{\hat {\boldsymbol{a}}}}}_i}} \right\rfloor }_ \wedge }\Delta t} & 0 & {\boldsymbol{I}} & 0 & {{ - ^G}{{{{\hat {\boldsymbol{R}}}}}_{{I_i}}}\Delta t} & {{\boldsymbol{I}}\Delta t} \\ 0 & 0 & 0 & {\boldsymbol{I}} & 0 & 0 \\ 0 & 0 & 0 & 0 & {\boldsymbol{I}} & 0 \\ 0 & 0 & 0 & 0 & 0 & {\boldsymbol{I}} \end{array}} \right] }$$ (8) $$ {{\boldsymbol{F}}_{\boldsymbol{w}}} = \left[ {\begin{array}{*{20}{c}} { - {\boldsymbol{A}}{{\left( {{{{{\hat {\boldsymbol{\omega}} }}}_i}\Delta t} \right)}^{\rm{T}}}\Delta t}&0&0&0 \\ 0&0&0&0 \\ 0&{{ - ^G}{{{{\hat {\boldsymbol{R}}}}}_{{I_i}}}\Delta t}&0&0 \\ 0&0&{{\boldsymbol{I}}\Delta t}&0 \\ 0&0&0&{{\boldsymbol{I}}\Delta t} \\ 0&0&0&0 \end{array}} \right] $$ (9) 其中，${\hat \omega _i} = {\omega _{{m_i}}} - {{\boldsymbol{\hat b}}_{{{\boldsymbol{\omega }}_i}}}$，${{\boldsymbol{\hat a}}_i} = {{\boldsymbol{a}}_{{m_i}}} - {{\boldsymbol{\hat b}}_{{{\boldsymbol{a}}_i}}}$
传播一直进行到${{{t}}_{{k}}}$这一帧结束，传播状态以及协方差分别记为$ {{\boldsymbol{\hat x}}_k} $和${{\boldsymbol{\hat P}}_k}$，将白噪声$ {\boldsymbol{w}} $的协方差定义为$ {\boldsymbol{Q}} $，则传播协方差${{\boldsymbol{\hat P}}_i}$可以通过下式计算得出：
$$ {\widehat{{\boldsymbol{P}}}}_{i+1}={{\boldsymbol{F}}}_{\tilde{x}}{\widehat{{\boldsymbol{P}}}}_{i}{{\boldsymbol{F}}}_{\tilde{x}}^{{\mathrm{T}}}+{{\boldsymbol{F}}}_{w}{\boldsymbol{Q}}{{\boldsymbol{F}}}_{w}^{{\mathrm{T}}}\text{，}{\widehat{{\boldsymbol{P}}}}_{0}={\overline{{\boldsymbol{P}}}}_{k-1} $$ (10) 当点云累积时间间隔达到${t_k}$时，将新产生的特征点集与式(9)中的传播状态和协方差进行融合来产生最优的状态。对于采集一帧点云时间内产生的时间偏差所造成的运动畸变，可以用高于IMU测量值的后向传播进行补偿。后向传播可以在采样时间$ {\rho _j} $以及扫描结束时间${t_k}$之间，产生一个相对位姿$ ^{{I_k}}{\mathop {\boldsymbol{T}}\limits^ \vee _{{I_j}}} = {(^{{I_k}}}{\mathop {\boldsymbol{R}}\limits^ \vee _{{I_j}}}{,^{{I_k}}}{\mathop {\boldsymbol{p}}\limits^ \vee _{{I_j}}}) $。该相对位姿可以将局部测量${}^{{L_j}}{{\boldsymbol{p}}_{{f_j}}}$投影到扫描结束时的测量位置：
$$ { }^{L_k} \boldsymbol{p}_{f_j}={ }^I \boldsymbol{T}_L^{-1 I_k} \stackrel{\rightharpoonup}{\boldsymbol{T}}_{I_j}{ }^I \boldsymbol{T}_L^{L_j} \boldsymbol{p}_{f_j} $$ (11) 其中，$ {}^I{\boldsymbol{T}}_L^{} $为LiDAR和IMU之间外参，可通过标定获得，特征点集$ ^{{L_k}}{{\boldsymbol{p}}_{{f_j}}} $可以用来构造残差，将残差定义为特征点全局点云坐标${}^G{\boldsymbol{\hat p}}_{{f_j}}^\kappa $与地图中最近的平面点或者边缘点的距离：
$$ {\boldsymbol{z}}_j^\kappa = {{\boldsymbol{G}}_j}({}^{{G}}\hat p_{{f_j}}^\kappa - {}^G{{\boldsymbol{q}}_j}) $$ (12) 3.2 状态更新
$ \boldsymbol{x}_{k} $先验分布由前向传播得到：
$$ {{\boldsymbol{x}}_k} \boxminus {{\boldsymbol{\hat x}}_k} = ({\boldsymbol{\hat x}}_k^\kappa \boxplus {\boldsymbol{x}}_k^\kappa ) \boxminus {{\boldsymbol{x}}_k} = {\boldsymbol{\hat x}}_k^\kappa \boxminus {{\boldsymbol{x}}_k} + {{\boldsymbol{J}}^\kappa }{\boldsymbol{\tilde x}}_k^\kappa $$ (13) $$ {\boldsymbol{\hat x}}_k^{\kappa + 1} = {\boldsymbol{\hat x}}_k^\kappa \boxplus \left[ { - {\boldsymbol{Kz}}_k^\kappa - ({\boldsymbol{I}} - {\boldsymbol{KH}}){{({{\boldsymbol{J}}^\kappa })}^{ - 1}}({\boldsymbol{\hat x}}_k^\kappa \boxminus {{{\boldsymbol{\hat x}}}_k})} \right] $$ (14) 利用式(13)更新后的估计值${\boldsymbol{\hat x}}_k^{\kappa + 1}$来计算残差，并重复该过程，直到$ \Vert {\widehat{{\boldsymbol{x}}}}_{k}^{\kappa +1}\boxminus {\widehat{{\boldsymbol{x}}}}_{k}^{\kappa }\Vert < \varepsilon $，收敛后最优估计状态和协方差为：
$$ {{\boldsymbol{\bar x}}_k} = {\boldsymbol{\hat x}}_k^{\kappa + 1},{\overline {\boldsymbol{P}} _k} = ({\boldsymbol{I}} - {\boldsymbol{KH}}){\boldsymbol{P}} $$ (15) $$ {\boldsymbol{K}} = {\left( {{{\boldsymbol{H}}^{\rm{T}}}{{\boldsymbol{R}}^{ - 1}}{\boldsymbol{H}} + {{\boldsymbol{P}}^{ - 1}}} \right)^{ - 1}}{{\boldsymbol{H}}^{\rm{T}}}{{\boldsymbol{R}}^{ - 1}} $$ (16) 其中，${\boldsymbol{K}}$为卡尔曼增益，随着状态更新，每个特征点（$ { }^{5} \boldsymbol{P}_{f j} $）将会投影到全局地图中，实现地图更新。
4. 全局因子图优化
理论上前端的状态更新后已经可以获得完整的激光雷达惯性里程计，但在实际试验过程中，上述得到的定位与建图结果随着系统运行会产生偏移，并且这种偏移是不可逆的。这个问题在露天煤矿环境下显得尤为突出，图优化的方式可以非常简洁方便的描述各个误差项之间的关联，因此本文后端使用因子图来进行全局位姿图优化，通过对残差模型进行分析，最终目的就是最小化一个残差项。构建了雷达相对位姿和回环检测两个因子来实现全局位姿优化。
1）雷达相对位姿因子。在前端激光雷达惯性里程计中采用了帧到子图的扫描配准方式，并且通过滑动窗口的方式来创建固定关键帧数量的子图。机械式雷达的运行频率一般为10 Hz，相邻帧之间变化量极小但却需要消耗海量的计算资源，将每一帧都添加到因子图中进行优化显然是低效的，因此本文采用了选取关键帧的策略。关键帧的选取主要遵循两个阈值指标进行确立：①最小平移阈值d当系统接收到的当前帧与上一帧的最小平移距离超过d时选取当前帧为关键帧，这样可以避免设备移动缓慢甚至暂停时产生大量冗余激光帧。②最小旋转角$\alpha $，当接受到的当前帧与上一帧的姿态旋转角度变化值大于$\alpha $时选取该帧为关键帧，由于机械雷达扫描覆盖范围较大，该阈值的设定可避免设备在颠簸路面的微量转动提取到太多的激光点云数据。满足上述任一指标即可确立当前帧为关键帧，利用关键帧来维护一个固定滑窗，即局部子图。接着对新到来的关键帧进行特征提取，利用该帧以及局部子图来构建以下代价函数求解位姿变换关系$ \overline{\boldsymbol{T}}_{k+1} $：
$$ f{\text{(}}{{\boldsymbol{\bar T}}_{k + 1}}{\text{)}} = {\boldsymbol{d}},{\boldsymbol{d}} = \left[ {\begin{array}{*{20}{c}} {{d_{\rm{e}}}} \\ {{d_{\rm{p}}}} \end{array}} \right] $$ (17) ${d_{\rm{e}}}$和${d_{\rm{p}}}$分别为新一帧提取到的边缘特征和平面特征与其在局部子图中相邻帧提取到对应特征之间的距离，以此构建相邻位姿间的优化目标：
$$ {\phi _L}({\boldsymbol{x}}) = \frac{1}{2}\left\| {{r_L}({{\boldsymbol{x}}_i},{{\boldsymbol{x}}_j})} \right\|_\Sigma ^2 $$ (18) 其中，${\boldsymbol{x}}$为待优化量；${{\boldsymbol{x}}_i}$和${{\boldsymbol{x}}_j}$分别为第$ \hat{t} $帧和相邻第$ j $帧对应运因子动状态。
2）回环检测。SLAM系统运行时，各个传感器误差会不断积累，这一误差难以消除并且会逐渐增大，导致定位结果漂移。回环检测因子的使用对于纠正漂移误差以及构建全局一致的地图具有重要作用[25]。此外，在露天煤矿环境下往来矿用卡车基本会走固定路线进行运输，重复运输的路线使得检测到回环的几率大幅增加，因此本文将回环检测因子加入因子图，与雷达相对位姿因子共同进行对全局位姿的优化。
当新的关键帧确立后，首先设定最小距离阈值，对因子图内的全部历史关键帧进行搜索，找到与新关键帧在欧氏距离上满足最小阈值的关键帧，设其为待匹配帧。使用GICP对新帧与对应待匹配帧进行配准，通过式(19)计算出最近点均方根的最小距离获得置信分数，同时与设定的最小距离阈值进行比较，确认该帧是否为回环关键帧，确定后可利用式(20)计算出该位姿的相对变换并添加到因子图中。该步骤需要严格设置最小距离阈值，一旦回环检测匹配到错误的关键帧就会导致地图崩溃。
$$ {\rm{score}} = \frac{1}{N}\sum\limits_{k = 1}^N {\sqrt {\Delta {x^2} + \Delta {y^2} + \Delta {{\textit{z}}^2}} } $$ (19) $$ \Delta {{\boldsymbol{T}}_{k,k + 1}} = {\boldsymbol{T}}_k^{ - 1}{{\boldsymbol{T}}_{k + 1}} $$ (20) 5. 试验和讨论
为验证文中算法的有效性以及鲁棒性，我们分别在公共开源数据集以及露天煤矿实测数据集上进行了试验。开源数据集选择了M2DGR[26]：一个带有全套传感器的地面机器人对上海交通大学校园内不同场景采集的大规模数据集，所有传感器都经过良好的外部校准和时间同步。露天煤矿实测数据集使用的数据采集设备如图2所示，该设备主要搭载传感器为速腾聚创RS-LiDAR-16型激光雷达，10 Hz工作模式下水平分辨率为0.2°，垂直分辨率为2°；超核电子CH110型9轴IMU，设置采样频率为400 Hz；北斗星通C200卫星接收机；机载计算机为NVIDIA Jetson AGX Xavier，8核ARM处理器，主频2.26 GHz，内存32 G。提出的SLAM算法均使用C++实现，运行于Ubuntu20.04，ROS版本为noetic。
5.1 开源数据集试验
使用开源数据集对目前主流激光SLAM算法：A-LOAM、LeGO-LOAM、FAST-LIO2、LIO-SAM与本文所提算法进行了测试，通过计算最终绝对位姿误差(Absolute Position Error，APE)来计算各个算法的定位精度。所有算法均在相同配置环境下使用，运行设备为Intel(R) i9-10850K 3.60 GHz。分别选取了3个不同场景下采集的数据street_08、door_02和gate_02序列进行试验，使用EVO[27]作为最终结果评估工具。其中street08序列为户外环境，采集过程中存在大量连续转弯，图3所示为各个算法在该序列上的定位轨迹对比结果。
![]()
图 3 street_08序列各算法轨迹对比Figure 3. Trajectory comparison of each algorithm for the street_08 sequence从图3中可以看出A-LOAM、LeGO-LOAM表现较差，运行一段时间后开始出现明显漂移，LIO-SAM同样存在该问题，但绕行一周后成功检测到了回环，纠正了累计漂移，仍取得较好的结果，FAST-LIO2对新的数据结构的应用可以在不提取特征的情况下可以快速直接地将原始点配准到地图上，在短距离结构化的环境下，精度较高。算法所设计的相对位姿因子有效抑制了IMU累计误差，同时后期检测到了回环，表现良好。各算法在所选序列试验结果的APE见表1，其中加粗项表示该项测试中误差项最小的结果，对应箱型图如图4所示。
表 1 开源数据集APE误差Table 1. Open source dataset APE error数据集 RMSE/m A-LOAM LeGO-LOAM FAST-LIO2 LIO-SAM OURS door_02 0.1861 2.0724 0.2801 0.1849 0.1855 gate_02 0.3305 0.3171 0.3204 0.3264 0.3167 street_08 3.3376 1.1327 0.1982 0.1708 0.1179 5.2 露天矿山实测数据集试验
为进一步验证算法的有效性以及鲁棒性，对内蒙古哈尔乌素露天煤矿进行了数据采集，实地环境如图5所示。该环境道路崎岖不平，沿途布满山石碎块，呈现分段相似性，且结构复杂无明显的几何特征。在采集的数据集中选取了两个序列进行试验分析，各算法配置均与开源数据集试验配置相同。
序列1全长
2024 m，为实时观测到矿山数据误差累积情况，对序列1进行了分段切片处理，分别截取为500、1000 和2000 m。图6分别展示了不同算法在两处不同地点的建图效果。从图6建图效果中能够看出LeGO-LOAM和FAST-LIO2存在明显的漂移现象，虽完成了最终建图，但是误差较大。A-LOAM与LIO-SAM无直观地漂移现象，但累计定位误差较大。本文所提出的算法完整地构建出了高精度点云地图，对碎石岩壁结构建图清晰，扫描到的矿卡轮廓直观无重影，具有较高的一致性。针对露天煤矿环境体现出了较高的鲁棒性。
序列2全长2 120 m，各算法运行出的定位轨迹如图7所示。A-LOAM和LeGO-LOAM属于单一激光雷达建图算法，缺少IMU的辅助出现了较大的累计误差，尤其是轻量化LiDAR里程计LeGO-LOAM严重依赖地面特征提取，在露天煤矿这样的环境下，大量斜坡的存在导致该算法严重失效，状态估计出现了较大误差。FAST-LIO2默认不使用特征提取的方法，降采样之后直接将原始点云配准到地图上来体现全局一致性，但是在碎石岩壁与颠簸道路环境中，原始点云经过降采样后呈现高度一致性，导致几处相似场景出现了较大的漂移现象。
为避免这些问题，提出的算法将激光雷达帧间配准结果作为约束因子在后端与回环因子进行联合优化，进一步提升了SLAM系统的鲁棒性，同时提高了定位建图精度。各算法在所选序列试验结果的APE见表2，其中加粗项表示该项测试中误差项最小的结果，其对应箱型图如图8所示。
表 2 露天煤矿数据集APE误差Table 2. open pit coal mine dataset APE error数据集 RMSE/m A-LOAM LeGO-LOAM FAST-LIO2 LIO-SAM OURS 序列1-500 m 1.9001 12.7723 12.8621 2.7005 0.8394 序列1- 1000 m7.3956 12.7723 20.6426 3.3946 1.4519 序列1- 2000 m10.1301 31.3826 24.5531 4.1940 3.1644 序列2- 2120 m6.9211 51.4630 10.1340 7.1204 5.4720 6. 结 论
1）提出了一种针对露天煤矿复杂环境下具有高精度高鲁棒性的LiDAR/IMU紧耦合SLAM算法，前端使用紧耦合的迭代扩展卡尔曼将LiDAR特征点与IMU数据融合，后端使用因子图来接收关键帧位姿状态，将激光雷达帧间配准结果作为约束因子并与回环检测因子共同完成全局优化。
2）利用该算法在开源数据集M2DGR的3个不同场景和露天煤矿实地环境进行了试验测试，结果表明，算法在开源数据集的城市化环境下精度表现与当前的SOAT激光SLAM算法保持一致，在长达两千多米的露天煤矿实地环境下所提算法较FAST-LIO2、LIO-SAM紧耦合算法在定位精度上分别提高了46.00%和23.15%，提高了复杂环境下的定位精度与鲁棒性。
-
![]()
![]()
![]()
图 5 川东北地区渝参–1井五峰组–龙马溪组氧化还原条件
Figure 5. REDOX conditions of Wufeng Formation-Longmaxi Formation in well Yucan-1, northeast Sichuan
![]()
图 6 川东北地区渝参–1井五峰组–龙马溪组古气候与古盐度和温度关系
Figure 6. Relationship between paleoclimate and paleoclimate salinity, temperature in Wufeng-Longmaxi Formation of well Yucan-1 in northeast Sichuan
![]()
图 7 川东北地区渝参–1井五峰组–龙马溪组陆源输入与初级生产力关系
Figure 7. Relationship between terrigenous input and primary productivity of Wufeng-Longmaxi Formation in well Yucan-1, northeast Sichuan
![]()
图 8 川东北地区五峰组–龙马溪组有机质富集模式
Figure 8. Organic matter enrichment model of Wufeng Formation –Longmaxi Formation in northeast Sichuan
表 1 川东北地区渝参–1井五峰组–龙马溪组页岩微量元素含量
Table 1 Content of trace elements in shale of Wufeng Formation-Longmaxi Formation in well Yucan-1, northeast Sichuan
样品编号 地层 采样深度/m TOC含量/10−6 元素含量/10−6 P Mn Ti V Cr Co Ni Cu Zn Sr Mo Ba W U B YC1–1 Longmaxi Fm 1 105.80 0.24 526.00 449.00 3 807.00 172.00 110.00 16.80 63.10 50.00 126.00 78.70 6.16 2 344.00 7.00 5.60 90.80 YC1–5 1 109.38 1.15 433.00 178.00 3 042.00 236.00 58.40 13.50 90.10 48.00 201.00 72.90 15.40 2 845.00 2.24 16.10 74.10 YC1–14 1 116.54 2.10 609.00 219.00 3 473.00 258.00 89.10 16.80 118.00 57.00 148.00 157.00 25.80 3 299.00 4.10 14.00 89.40 YC1–24 1 126.10 3.41 602.00 149.00 3 582.00 155.00 86.00 20.00 76.50 67.70 83.60 146.00 22.00 5 057.00 4.45 12.80 103.00 YC1–35 1 135.30 3.62 507.00 140.00 3 545.00 230.00 90.90 18.50 123.00 63.90 149.00 141.00 23.90 5 874.00 6.28 15.20 94.10 YC1–44 1 141.39 3.31 487.00 131.00 2 951.00 131.00 80.20 16.20 91.20 60.70 101.00 137.00 16.50 4 001.00 6.66 20.80 83.10 YC1–54 1 148.10 3.17 435.00 494.00 2 720.00 147.00 71.70 11.80 80.50 42.30 113.00 341.00 16.20 3 118.00 3.62 9.19 75.30 YC1–63 1 156.65 2.28 405.00 46.90 1 611.00 194.00 56.60 8.17 97.30 47.10 104.00 146.00 43.50 10 891.00 4.46 15.10 54.60 YC1–74 1 166.10 4.64 610.00 104.00 2 295.00 367.00 73.60 11.40 149.00 68.30 151.00 90.20 85.20 3 841.00 9.25 22.20 63.50 YC1–84 1 173.84 6.11 631.00 1 284.00 1 761.00 289.00 43.00 7.80 95.90 44.30 103.00 483.00 45.20 3 263.00 2.26 17.00 68.10 YC1–94 1 182.51 3.26 417.00 90.60 1 456.00 274.00 40.00 7.02 93.30 42.30 96.50 93.90 44.00 5 866.00 4.28 16.50 39.70 YC1–104 1 190.52 4.14 436.00 141.00 1 524.00 491.00 51.20 7.45 116.00 50.60 259.00 87.90 48.90 2 471.00 4.74 15.40 48.40 YC1–114 1 198.27 4.36 219.00 782.00 824.00 112.00 48.80 5.84 43.40 38.10 82.80 81.30 1.54 1 648.00 21.60 2.42 28.20 平均值 3.21 485.92 323.73 2 507.00 235.08 69.19 12.41 95.18 52.33 132.15 158.15 30.33 4 193.69 6.23 14.02 70.18 YC1–126 wufeng Fm 1 209.13 1.30 236.00 429.00 882.00 82.40 47.20 3.56 21.70 43.50 61.90 58.40 1.42 2 126.00 8.68 1.58 29.60 YC1–133 1 215.80 1.22 — — — — — — — — — — — — — — — YC1–135 1 218.00 0.50 — — — — — — — — — — — — — — — YC1–137 1 220.00 0.45 — — — — — — — — — — — — — — — 平均值 0.87 — — — — — — — — — — — — — — — PAAS — — — — — 150.00 110.00 23.00 55.00 50.00 85.00 200.00 1.00 650.00 2.70 3.10 100.00 注释：PAAS值来自文献[30]。 
下载: 导出CSV
表 2 川东北地区渝参–1井五峰组–龙马溪组页岩微量元素特征参数
Table 2 Characteristic parameters of trace elements in shale of Wufeng Formation-Longmaxi Formation in well Yucan-1, Northeast Sichuan
样品编号 w(V)/w(Cr) w(V)/w(V+Ni) w(Ni)/w(Co) w(P)/w(Ti) w(Sr)/w(Cu) w(Sr)/w(Ba) T/℃ YC1–1 1.56 0.73 3.76 0.14 1.57 0.03 31.21 YC1–5 4.04 0.72 6.67 0.14 1.52 0.03 31.28 YC1–14 2.90 0.69 7.02 0.18 2.75 0.05 30.23 YC1–24 1.80 0.67 3.83 0.17 2.16 0.03 30.37 YC1–35 2.53 0.65 6.65 0.14 2.21 0.02 30.43 YC1–44 1.63 0.59 5.63 0.17 2.26 0.03 30.48 YC1–54 2.05 0.65 6.82 0.16 8.06 0.11 27.93 YC1–63 3.43 0.67 11.91 0.25 3.10 0.01 30.37 YC1–74 4.99 0.71 13.07 0.27 1.32 0.02 31.07 YC1–84 6.72 0.75 12.29 0.36 10.90 0.15 26.16 YC1–94 6.85 0.75 13.29 0.29 2.22 0.02 31.02 YC1–104 9.59 0.81 15.57 0.29 1.74 0.04 31.10 YC1–114 2.30 0.72 7.43 0.27 2.13 0.05 31.18 平均值 3.88 0.70 8.77 0.22 3.23 0.05 30.22 YC1–126 1.75 0.79 6.10 0.27 1.34 0.03 31.46
下载: 导出CSV
-
[1] 李 鹏,刘全有,毕 赫,等. 火山活动与海侵影响下的典型湖相页岩有机质保存差异分析[J]. 地质学报,2021,95(3):632‒642. LI Peng,LIU Quanyou,BI He,et al. Analysis of the difference in organic matter preservation in typical lacustrine shale under the influence of volcanism and transgression[J]. Acta Geologica Sinica,95(3):632‒642.
[2] 胡 涛,庞雄奇,姜福杰,等. 陆相断陷咸化湖盆有机质差异富集因素探讨—以东濮凹陷古近系沙三段泥页岩为例[J]. 沉积学报,2021,39(1):140−152. HU Tao,PANG Xiongqi,JIANG Fujie,et al. Factors controlling differential enrichment of organic matter in saline lacustrine rift basin:A case study of third member Shahejie Fm in Dongpu depression[J]. Acta Sedimentologica Sinica,2021,39(1):140−152.
[3] 秦身钧,徐飞,崔莉,等. 煤型战略关键微量元素的地球化学特征及资源化利用[J]. 煤炭科学技术,2022,50(3):1−38. QIN Shenjun,XU Fei,CUI Li,et al. Geochemistry characteristics and resource utilization of strategically critical trace elements from coal-related resources[J]. Coal Science and Technology,2022,50(3):1−38.
[4] 龚 月,高和群,李小越,等. 四川盆地及周缘页岩气赋存方式展布特征研究[J]. 非常规油气,2023,10(2):49−56. GONG Yue,GAO Hequn,LI Xiaoyue,et al. Distribution characteristics of occurrence modes of shale gas in Sichuan Basin and its surrounding areas[J]. Unconventional Oil and Gas,2023,10(2):49−56.
[5] 潘 妮,赵迪斐,魏 源,等. 渝西地区龙马溪组深层页岩矿物特征及其储层地质意义[J]. 非常规油气,2022,9(2):8−14,33. PAN Ni,ZHAO Difei,WEI Yuan,et al. Mineral characteristics and reservoir geological significance of deep shale in LONGMAXI Formation,western Chongqing area[J]. Unconventional Oil and Gas,2022,9(2):8−14,33.
[6] 严德天,陈代钊,王清晨,等. 扬子地区奥陶系–志留系界线附近地球化学研究[J]. 中国科学:D 辑,2009(3):285−299. YAN Detian,CHEN Daizhao,WANG Qingchen,et al. Geochemistry near the Ordovician-Silurian boundary in the Yangtze Region[J]. Science in China:SERIES D,2009(3):285−299.
[7] 王淑芳,董大忠,王玉满,等. 四川盆地志留系龙马溪组富气页岩地球化学特征及沉积环境[J]. 矿物岩石地球化学通报,2015,34(6):1203−1212. doi: 10.3969/j.issn.1007-2802.2015.06.012 WANG Shufang,DONG Dazhong,WANG Yuman,et al. Geochemical characteristics and sedimentary environment of gas-rich shale in Silurian LONGMAXI Formation,Sichuan Basin[J]. Bulletin of Mineralogy,Petrology and Geochemistry,2015,34(6):1203−1212. doi: 10.3969/j.issn.1007-2802.2015.06.012
[8] CHEN C,MU C L,ZHOU K K,et al. The geochemical characteristics and factors controlling the organic matter accumulation of the Late Ordovician-Early Silurian black shale in the Upper YANGTZE Basin,South China[J]. Marine & Petroleum Geology,2016,76:159−175.
[9] 张春明,张维生,郭英海. 川东南–黔北地区龙马溪组沉积环境及对烃源岩的影响[J]. 地学前缘,2012,19(1):137−143. ZHANG Chunming,ZHANG Weisheng,GUO Yinghai. Sedimentary environment of Longmaxi Formation in southeastern Sichuan-northern Guizhou area and its influence on source rocks[J]. Geoscience Frontiers,2012,19(1):137−143.
[10] YAN D,WANG H,FU Q,et al. Geochemical characteristics in the Longmaxi Formation(Early Silurian) of South China:Implications for organic matter accumulation[J]. Marine and Petroleum Geology,2015,a,65:290−301.
[11] ZHAO J,JIN Z,JIN Z,et al. Applying sedimentary geochemical proxies for paleoenvironment interpretation of organic-rich shale deposition in the SICHUAN Basin,China[J]. International Journal of Coal Geology,2016,163:52−71. doi: 10.1016/j.coal.2016.06.015
[12] WANG S,ZHAO W,ZOU C,et al. Organic carbon and stable CO isotopic study of the Lower Silurian Longmaxi Formation black shales in SICHUAN Basin,SW China:Paleoenvironmental and shale gas implications[J]. Energy Exploration & Exploitation,2015,33(3):439−457.
[13] WEI H Y,CHEN D Z,WANG J,et al. Organic accumulation in the lower Chihsia Formation(Middle Permian) of South China:constraints from pyrite morphology and multiple geochemical proxies[J]. Palaeogeography,Palaeoclimatology,Palaeoecology,2012,353:73−86.
[14] 腾格尔,高长林,胡 凯,等. 上扬子东南缘下组合优质烃源岩发育及生烃潜力[J]. 石油实验地质,2006,28(4):359−365. TENG Ge’er,GAO Changlin,HU Kai,et al. High-quality Source Rocks in the Lower Combination in Southeast Upper-Yangtze Area and their Hydrocarbon GENERATING Potential[J]. Petroleum Geology & Experiment,2006,28(4):359−365.
[15] 邹才能,董大忠,王玉满,等. 中国页岩气特征,挑战及前景(一)[J]. 石油勘探与开发,2015,42(6):753−767. ZOU Caineng,DONG Dazhong,WANG Yuman,et al. Shale gas in China:Characteristics,challenges and prospects(I)[J]. Petroleum Exploration and Development,2015,42(6):753−767.
[16] 江增光. 四川盆地五峰组—龙马溪组有机质富集主控因素及沉积模式[D]. 南昌:东华理工大学,2018. JIANG Zengguang. Main controlling factors and sedimentary model of organic matter enrichment in Wufeng-LONGMAXI Formation,Sichuan Basin [D].Nanchang: East China University of Technology,2018.
[17] MA Y Q,FAN M J,LU Y C,et al. Geochemistry and sedimentology of the lower silurian longmaxi mudstone in Southwestern China:Implications for Depositional Controls on Organic MATTER Accumulation. Marine and Petroleum Geology,2016,75,291–309.
[18] YAN C N,JIN Z J,ZHAO J H,et al. Influence of Sedimentary environment on organic matter enrichment in Shale:A Case Study of the Wufeng and Long-maxi Formations of the SICHUAN Basin,China[J]. Marine and Petroleum Geology,2018,92:880−894.
[19] 陆扬博,马义权,王雨轩,等. 上扬子地区五峰组–龙马溪组主要地质事件及岩相沉积响应[J]. 地球科学,2017,42(7):1169−1184. LU Yangbo,MA Yiquan,WANG Yuxuan,et al. Main geological events and lithofacies sedimentary responses of Wufeng-Longmaxi Formation in Upper Yangtze Area[J]. Earth Science,2017,42(7):1169−1184.
[20] 苏文博,李志明,ETTENSOHN F R,等. 华南五峰组–龙马溪组黑色岩系时空展布的主控因素及其启示[J]. 地球科学:中国地质大学学报,2007,32(6):819−827. SU Wenbo,LI Zhiming,ETTENSOHN F R,et al. Main controlling factors and implications of temporal and spatial distribution of black rock series in Wufeng-LONGMAXI Formation,South China[J]. Journal of China University of Geosciences (Earth Science),2007,32(6):819−827.
[21] 王清晨,严德天,李双建. 中国南方志留系底部优质烃源岩发育的构造–环境模式[J]. 岩石学报,2008,82(3):289−297. WANG Qingchen,YAN Detian,LI Shuangjian. Tectono-environmental model of high-quality source rocks at the bottom of Silurian in southern China[J]. Acta Petrologica Sinica,2008,82(3):289−297.
[22] 杨向荣,严德天,张利伟,等. 赫南特冰期古海洋环境转变及其成因机制研究现状[J]. 沉积学报,2018,36(2):319−332. YANG Xiangrong,YAN Detian,ZHANG Liwei,et al. Paleo-marine environmental transformation and its genetic mechanism in the Herman Glacial Period[J]. Acta Sedimentology Sonica,2018,36(2):319−332.
[23] 周业鑫,丁 俊,余 谦,等. 渝东北地区观音桥段沉积与有机碳同位素特征及其区域对比[J]. 地质学报,2017,91(5):1097−1107. ZHOU Yexin,DING Jun,YU Qian,et al. Sedimentary characteristics and isotopic characteristics of organic carbon in the GUANYINQIAO Formation,Northeast Chongqing[J]. Acta Geologica Sinica,2017,91(5):1097−1107.
[24] 熊小辉,王 剑,熊国庆,等. 渝东北地区五峰组—龙马溪组页岩气地质特征及其勘探方向探讨[J]. 地质学报,2018,92(9):1948–1958. XIAO Xiaohui,WANG Jian,XIONG Guoqing,et al. Geological characteristics and exploration direction of shale gas in Wufeng Formation-Longmaxi Formation in northeast Chongqing[J]. Acta Geologica Sinica,2018,92,9,1948–1958.
[25] 刘 明,李彦婧,潘 兰,等. 南川地区页岩储层构造裂缝特征及其定量预测[J]. 非常规油气,2023,10(3):8−14. LIU Ming,LI Yanjing,PAN Lan,et al. Characteristics and quantitative prediction of structural fractures in shale reservoirs in Nanchuan area[J]. Unconventional Oil and Gas,2023,10(3):8−14.
[26] 何梅朋. 武隆地区五峰组—龙马溪组优质浅层常压页岩储层发育特征及含气性影响因素[J]. 非常规油气,2023,10(3):64−73. HE Meipeng. Development characteristics and influencing factors of high quality shallow atmospheric shale reservoirs in Wufeng-LONGMAXI Formation,Wulong Area[J]. Unconventional Oil and Gas,2023,10(3):64−73.
[27] 何 龙,王云鹏,陈多福. 川南地区晚奥陶–早志留世沉积环境与古气候的地球化学特征[J]. 地球化学,2019,48(6):555−566. HE Long,WANG Yunpeng,CHEN Duofu. Geochemical characteristics of Late Ordovician-Early Silurian Sedimentary environment and paleoclimate in Southern Sichuan Basin[J]. Chinese Journal of Geochemistry,2019,48(6):555−566.
[28] 李 刚. 渝东北城口地区龙马溪组页岩储层特征及孔隙演化模拟研究[D]. 徐州:中国矿业大学,2019. LI Gang. Simulation study on shale reservoir characteristics and pore evolution of Longmaxi Formation in Chengkou area,Northeast Chongqing [D]. Xuzhou: China University of Mining and Technology,2019.
[29] 邱 振,韦恒叶,刘翰林,等. 异常高有机质沉积富集过程与元素地球化学特征[J]. 石油与天然气地质,2021,42(4):931–948. QIU Zhen,WEI Hengye,LIU H L,et al. Accumulation of sediments with extraordinary high Organic matter content:Insight gained through geochemical characterization of indicative elements[J]. Oil & Gas Geology,2021,42,(4),931–948.
[30] TAYLOR S R,McLennan S M. The continental Crust:Its Composition and Evolution[M]. London:Blackwell Scientific,1985,312.
[31] 赵迪斐. 川东下古生界五峰组–龙马溪组页岩储层孔隙结构精细表征[D]. 徐州:中国矿业大学,2020. ZHAODifei. Quantitative characterization of pore structure of shale reservoirs in the Lower Paleozoic Wufeng-Longmaxi formation of the East Sichuan area [D]. Xuzhou:China University of Mining and Technology,2020.
[32] 王益友,吴 萍. 江浙海岸带沉积物的地球化学标志[J]. 同济大学学报,1983(4):82−90. WANG Yiyou,WU Ping. Geochemical criteria of sediments in the coastal area of Jiangsu and Zhejiang Provinces[J]. Journal of Tongji University,1983(4):82−90.
[33] 刘 刚,周东升. 微量元素分析在判别沉积环境中的应用:以江汉盆地潜江组为例[J]. 石油实验地质,2007,29(3):307−310. LIU Gang,ZHOU Dongsheng. Application of microelements analysis in identifying sedimentary environment:Taking Qianjiang Formation in the Jianghan basin as an example[J]. Petroleum Geology& Experiment,2007,29(3):307−310.
[34] 王益友,董大忠,王玉满,等. 四川盆地南部志留系龙马溪组富有机质页岩沉积环境的元素地球化学判别指标[J]. 海相油气地质,2014,19(3):27−34. WANG Shufang,DONG Dazhong,WANG Yuman,et al. Geochemistry evaluation index of redox–sensitive elements for depositional environments of Silurian Longmaxi organic–rich shale in the south of Sichuan basin[J]. Marine Origin Petroleum Geology,2014,19(3):27−34.
[35] WIGNALL P B. Black shales[M]. Oxford:Clarendon Press,1994:46.
[36] 王敏芳,焦养泉,王正海,等. 沉积环境中古盐度的恢复–以吐哈盆地西南缘水西沟群泥岩为例[J]. 新疆石油地质,2005,26(6):117−120. WANG Minfang,JIAO Yangquan,WANG Zhenghai,et al. Recovery paleosalinity in sedimentary environment–an example of mudstone in Shuixigou Group,southwestern margin of Turpan–Hami basin[J]. Xinjiang Petroleum Geology,2005,26(6):117−120.
[37] 许 璟,蒲仁海,杨 林,等. 塔里木盆地石炭系泥岩沉积时的古盐度分析[J]. 沉积学报,2010,28(3):509−517. XU Jing,PU Renhai,YANG Lin,et al. The palaeosalinity analysis of Carboniferous mudstone,Tarm basin[J]. Acta Sedimentologica Sinica,2010,28(3):509−517.
[38] 李 兵. 笔石动物沉积. 学术资讯,科技工作者之家[OL]. https://www.scimall.org.cn/article/detail?id=4815998,2020. LI Bing. Graptolitic animal deposits. Academic information,home for science and technology workers [OL]. https://www.scimall.org.cn/article/detail?id=4815998,2020.
[39] 张治波,朱志军,王文锋,等. 滇西兰坪盆地中—新生代蒸发岩元素地球化学特征及其形成环境[J]. 吉林大学学报(地球科学版),2019,49(2):356−379. ZHANG Zhibo,ZHU Zhijun,WANG Wenfeng,et al. Geochemical characteristics and forming environment of elements of evaporite in Meso–cenozoic Era in Lanping basin,western Yunnan[J]. Journal of Jilin University(Geoscience),2019,49(2):356−379.
[40] 田景春,张 翔. 沉积地球化学[M]. 北京:地质出版社,2016. TIAN Jingchun,ZHANG Xiang. Sedimentary Geochemistry [M]. Beijing:Geological Publishing House,2016.
[41] LIU M,CHEN D,JIANG L,et al. Oceanic anoxia and extinction in the latest Ordovician. Earth and Planetary Science Letters,2022,588,117553.
[42] TRIBOVILLARD N,ALGEO T. J,LYONS T. W,et al. Trace metals as paleoredox and paleoproductivity proxies:an update. Chem. Geol,2006,232(1–2):12–32.
[43] LÉZIN C,ANDREU B,PELLENARD P,et al. Geochemical Disturbance and Paleoenvironmental Changes during the Early Toarcian in NW Europe[J]. Chemical Geology,2013,341:1–15.
[44] 孙卫东,廖仁强. 冰期快速形成导致奥陶纪末生物大灭绝[J]. 科学通报,2020,65(6):431–433. SUN Weidong,LIAO Renqiang. Rapid glaciation led to the mass extinction at the end of Ordovician [J]. Chinese Science Bulletin,20,65(6):431–433.
[45] TADA R. Lithostratigraphy and Compositional Variation of Neogene hemipelagic Sediments in the JAPAN Sea[J]. Proc ODP,Sci Res,1992,127:1229−1260.
[46] MURRAY R. W. Chemical Criteria to identify the Depositional Environment of Chert:General Principles and Applications[J]. Sedimentary Geology,1994,90(3/4):213−232.
[47] CALVERT S. E,PEDERSEN T. F. Chapter Fourteen Elemental Proxies for Palaeoclimatic and Palaeoceanographic Variability in Marine Sediments:Interpretation and Application[J]. Developments in Marine Geology,2007,1,4,567−644.
[48] RACHOLD V. H. J. B. Inorganic geochemistry of Albian sediments from the Lower Saxony Basin NW Germany:palaeoenvironmental Constraints and ORBITAL Cycles[J]. Palaeogeog Palaeoclimatol Palaeoecol,2001,174,1,121–143.
[49] 邓 伟,杨 涛,樊生龙,等. 敦煌盆地五墩凹陷中间沟组下段泥页岩地球化学特征及沉积模式[J]. 煤田地质与勘探,2022,50(12):114−130. DENG Wei,YANG Tao,FAN Shenglong,et al. Geochemical characteristics and sedimentary model of shales in Lower member of Zhongjiangou Formation in WUDUN Sag,Dunhuang Basin[J]. Coal Geology & Exploration,2022,50(12):114−130.
[50] QIU Zhen,ZOU Caineng,MILLS BENJAMIN J. W. ,et al. A nutrient control on expanded anoxia and global cooling during the Late Ordovician mass extinction[J]. Communications Earth & Environment,2022,3:82.
-
期刊类型引用(6)
1. 毛清华，柴建权，陈彦璋，薛旭升，王川伟. 激光雷达和IMU融合的煤矿掘进巷道三维重建方法. 煤炭科学技术. 2025(02): 351-362 . 
本站查看
2. 张全平，任助理，郝英豪，邓浩坤，苏士杰，袁瑞甫，方程. 基于移动式三维激光扫描技术的巷道围岩变形监测研究. 煤矿机械. 2025(05): 205-208 . 百度学术
3. 李慧，李敏超，崔丽珍，马宝良，张清宇，潘冰冰. 露天煤矿三维激光雷达运动畸变算法. 煤炭科学技术. 2025(04): 373-382 . 本站查看
4. 李倩，陈付龙，郑亮，赵法龙，陈智君. IMU紧耦合的多激光雷达定位与建图方法. 电子测量技术. 2024(09): 26-32 . 百度学术
5. 崔邵云，鲍久圣，胡德平，袁晓明，张可琨，阴妍，王茂森，朱晨钟. SLAM技术及其在矿山无人驾驶领域的研究现状与发展趋势. 工矿自动化. 2024(10): 38-52 . 百度学术
6. 胡泽广，金新宇，王婧. 基于可拓学评价模型的露天煤矿矿山地质环境综合评价. 能源与环保. 2024(12): 140-147 . 百度学术
其他类型引用(1)
计量
- 文章访问数: 119
- HTML全文浏览量: 9
- PDF下载量: 58
- 被引次数: 7
