煤体结构是煤层气储层的重要参数,煤体结构的准确识别有利于煤层气井产能评价和后续压裂开采。目标区块煤层非均质性强,煤体结构类别不均衡,且缺乏特殊测井资料,常用的线性识别方法不能准确判别煤体结构类型,导致准确识别煤体结构存在许多技术挑战。通过对地球物理测井资料的标准化处理、扩径校正、岩心归位和数据清洗,消除环境影响和井间测井资料的不一致性。采用统计方法分析不同煤体结构地球物理测井响应特征,优选敏感曲线。通过交会图发现不同煤体结构测井响应值之间存在大量重叠,呈现复杂的非线性关系,故使用支持向量机和随机森林两种机器学习方法实现煤体结构识别研究。使用支持向量机方法探究不同敏感曲线组合和寻优方式对模型的影响。结果表明:参与建模的敏感曲线越多,模型效果越好,泛化性能越强;精细化网格寻优建模比粗寻耗费时间长,但能提高模型精度。将利用敏感曲线精细化寻优建立的最优支持向量机模型应用于实例井,能有效识别原生结构煤和碎裂结构煤,但对样本量较少的碎粒结构煤无法有效识别,说明支持向量机方法不能解决煤体结构样本不均衡问题。随机森林方法适用于小样本数据且重采样技术理论上可以降低样本不均衡带来的不利影响。将最优的随机森林模型应用于实例井,结果表明:随机森林模型不仅能准确识别原生结构煤和碎裂结构煤,且对碎粒结构煤的识别效果明显优于支持向量机模型,能有效解决煤体结构样本不均衡问题。同时敏感曲线分析结果表明,对模型贡献率排序为深侧向电阻率、自然伽马、补偿密度和声波时差。在同一地质背景下,支持向量机和随机森林方法具有一定的推广性,但在煤体结构样本不均衡的情况下,随机森林方法比支持向量机方法效果好,纵向识别能力更强,且能有效识别样本较少的碎粒结构煤,更适用于研究区煤体结构识别。