吴家坪组深层页岩井壁稳定性与三压力预测研究

Study on Wellbore Stability and Three-Pressure Prediction in Deep Shale of the Wujiaping Formation

摘要: 为解决吴家坪组深层页岩气钻井中井壁坍塌频发、三压力预测精度不足的技术难题，通过岩心力学实验、已钻井测井数据分析及多模型融合深度学习方法，构建“地层特征–压力系统–智能预测”一体化研究体系。结果表明：1) 吴家坪组页岩非均质性强，同一露头岩心单轴抗压强度差异达51.0 MPa (86.9~137.9 MPa)，钻井液浸泡1天后强度降幅超50%，强脆性破坏导致微裂隙发育加剧坍塌风险；2) 已钻井(大页1井、大201井、大页1H2-4井)吴家坪组上覆岩层压力当量密度2.60~2.65 g/cm³，孔隙压力峰值1.80~2.24 g/cm³，水平地应力方位集中于N90˚E~N100˚E，大页1井吴一段~吴二段存在“漏垮共存”风险(坍塌压力上限 > 2.50 g/cm³、漏失压力下限 ≈ 2.0 g/cm³)；3) 基于18项测井特征构建的深度神经网络(DNN)模型，在大页1H1-1井训练集上孔隙压力预测R²达0.996 (RMSE = 0.31 MPa)，引入梯度提升树、XGBoost、LightGBM等多模型融合(加权平均 + 堆叠集成)后，大页1H2-1井预测误差显著降低，孔隙压力误差0.27%、坍塌压力误差8.19%、破裂压力误差3.62%，较单纯神经网络分别降低0.27%、4.03%、1.32%。研究成果为川中地区吴家坪组特定井(大页1井、大201井、大页1H2-4井等)深层页岩气安全钻井液密度窗口设计与高效钻井提供关键技术支撑，其模型适用范围限于研究区域内目标层段。

Abstract: In order to solve the technical problems of frequent borehole collapse and insufficient prediction accuracy of three pressures in deep shale gas drilling in Wujiaping formation, an integrated research system of “formation characteristics pressure system intelligent prediction” was established through core mechanics experiment, well logging data analysis and multi model fusion in-depth learning method. The results show that: 1) the heterogeneity of Wujiaping formation shale is strong, the difference of uniaxial compressive strength of the same outcrop core is 51.0 MPa (86.9~137.9 MPa), and the strength decreases by more than 50% after soaking in drilling fluid for 1 day. The strong brittle failure leads to the development of microcracks and exacerbates the risk of collapse; 2) The pressure equivalent density of the overlying strata of the Wujiaping formation in the drilled wells (Daye 1 well, Daye 201 well and Daye 1h2-4 well) is 2.60~2.65 g/cm³, the peak pore pressure is 1.80~2.24 g/cm³, the horizontal in-situ stress is concentrated in N90˚E-N100˚E, and there is a risk of “leakage and collapse” in the wuyi-wuii section of Daye 1 well (the upper limit of collapse pressure > 2.50 g/cm³, and the lower limit of leakage pressure ≈ 2.0 g/cm³); 3) The depth neural network (DNN) model based on 18 logging characteristics predicted the pore pressure of 0.996 (RMSE = 0.31 MPa) in the training set of Daye 1h1-1 well. After introducing the gradient lifting tree, XGBoost, LightGBM and other multi model fusion (weighted average + stack integration), the prediction error of Daye 1h2-1 well was significantly reduced, with the pore pressure error of 0.27%, collapse pressure error of 8.19%, and fracture pressure error of 3.62%, which were 0.27%, 4.03%, and 1.32% lower than that of the simple neural network, respectively. The research results provide key technical support for the design of safe drilling fluid density window and efficient drilling of deep shale gas in specific wells of Wujiaping formation in Central Sichuan (Daye 1 well, Daye 201 well, Daye 1h2-4 well, etc.), and the scope of application of the model is limited to the target interval in the study area.

1. 引言

页岩气作为我国非常规油气资源开发的核心领域，吴家坪组深层页岩(埋深>4000 m)因有机质丰度高、含气潜力大，成为川中地区勘探开发的重点层位[1] [2]。然而，该层位页岩具有强非均质性、高脆性及水敏性特征，钻井过程中钻井液浸泡易导致岩石强度劣化，叠加深层地层压力系统复杂、安全钻井液密度窗口窄，“漏垮共存”问题突出，严重制约钻井效率与井壁安全[3] [4]。

当前，针对吴家坪组页岩的研究多集中于浅层岩心力学特性或单一模型压力预测，存在两方面局限：一是对深层页岩强度随钻井液浸泡的演化规律、已钻井地应力与压力系统的空间分布特征研究不系统，难以支撑井壁稳定性精准评估；二是传统三压力预测依赖经验公式或单一机器学习模型，忽略测井数据噪声与地层参数随机性，预测精度与泛化能力不足[5] [6]。

为此，本文整合“岩心实验–已钻井分析–智能预测”三层次研究：通过岩心单轴抗压实验揭示页岩强度劣化规律；基于3口已钻井测井数据解析地应力与压力系统特征；构建多源数据预处理–单一DNN模型–多模型融合的全流程预测体系，实现三压力高精度预测，为解决吴家坪组深层页岩钻井难题提供理论与技术方案。

2. 实验与研究方法

2.1. 岩石力学实验

2.1.1. 样品制备与实验设计

实验样品取自吴家坪组页岩露头，依据《岩石力学实验方法标准》(GB/T 50266-2013)制备为直径25 mm、长度50~52 mm的标准岩心。采用MTS 815岩石力学测试系统开展单轴抗压强度实验，围压设置为0 MPa。

采用新鲜岩心直接测试单轴抗压强度，将岩心分别浸泡1天、2天后测试强度，分析浸泡时间对强度的影响，压缩结果如表1和图1所示。

Table 1. Experimental parameters of shale core in Wujiaping formation

表1. 吴家坪组页岩岩心实验参数表

编号	地层岩性	长度mm	直径mm	围压MPa	破坏强度(MPa)	备注
1	吴家坪组页岩露头	52.0	25	0	137.9	新鲜岩心
2		50.6	25	0	124.3	新鲜岩心
3		52.0	25	0	86.9	泡泥浆1天
4		52.0	25	0	71.6
5		50.6	25	0	58.7	泡泥浆2天
6		52.2	25	0	/

2.1.2. 破坏特征观察

通过应力–应变曲线记录与岩心破坏后形态观察，分析页岩脆性特征：应力达到峰值后瞬时跌落(无明显塑性阶段)，破坏面伴随大量微裂隙，量化评估脆性指数与微裂隙发育程度。

Figure 1. Sample compression failure results

图1. 样品压缩破坏结果

本研究选用露头样品开展岩石力学实验，合理性论述如下：

① 深部岩心获取限制：吴家坪组深层页岩埋深>4000 m，钻井取心成本高(单井取心费用超百万元)，且深部岩心在钻井过程中易受钻井液污染、机械扰动导致结构破坏，样品完整性难以保证，露头样品是当前研究条件下的可行替代方案。

② 样品可比性验证：通过两项指标确保露头样品与目标层段深部页岩的一致性：一是岩性与矿物成分对比，露头样品与大页1井4369~4596 m深度页岩均为黑色碳质页岩，XRD分析显示石英、黏土矿物、有机质含量差异<5%；二是微观结构对比，SEM观察表明两者均发育粒间微裂隙与有机质孔，孔隙度差异<1.2%。上述验证说明露头样品的力学特性可有效反映目标层段页岩的真实特征，实验结果具有可靠性。

2.2. 已钻井数据分析

2.2.1. 数据来源

选取3口已钻井(大页1井、大201井、大页1H2-4井)，采集测井数据如声波时差、密度、自然伽马(GR)、井径等基础曲线，用于岩性识别与岩石完整性评价；以及地应力数据，通过Kaiser实验确定水平地应力方位，采用“六五”模型(水平应力构造系数0.50~0.65)估算地应力大小，Extrapolation法分段拟合密度数据并积分计算上覆岩层压力。

2.2.2. 井周应力模型

针对水平井/斜井，建立柱坐标系下井周应力计算模型(式1~2)，结合摩尔–库仑强度准则预测坍塌压力；考虑钻井液浸泡对岩石粘聚力、内摩擦角的时间演化效应，构建井壁坍塌周期模型，模拟不同浸泡时间的失稳风险，流程图如图2所示。

井周径向应力：

${\sigma }_r=p_w$ (1)

井周周向应力：

${\sigma }_{\theta }=\frac{2{\sigma }_{H\max }+{\sigma }_{H\min }}{3}+\frac{2{\sigma }_{H\max }-{\sigma }_{H\min }}{3}\cos 2\theta -p_w$ (2)

式中，${\sigma }_r$ 为径向应力(MPa)；${\sigma }_{\theta }$ 为周向应力(MPa)；$p_w$ 为钻井液液柱压力(MPa)；${\sigma }_{H\min }$ 、${\sigma }_{H\min }$ 分别为最大、最小水平地应力(MPa)；$\theta$ 为井周方位角(˚)。

通过输入地应力、孔隙压力、岩石强度等参数；基于弹塑性本构关系与剪切破坏准则判断井周单元破坏，输出坍塌周期，其流程图如图2所示。

3. 三压力智能预测模型构建

3.1. 数据预处理

为有效解决测井数据在实际应用中存在的噪声干扰、深度维度错位及数据缺失三类核心问题，确保后续数据分析与建模的准确性，特设计以下四步递进式数据预处理方案：首先开展数据清洗工作，该环节以统计学标准为依据，不仅剔除无实际物理意义的无效值，还重点筛选并移除偏离数据统计均值3倍标准差的极端异常点——典型如声波时差曲线中因仪器瞬时故障产生的突变段，经此处理后，数据整体异常值占比从初始的8.2%显著降至1.5%，大幅提升数据基础质量；第二步聚焦深度对齐，由于测井原始数据(采样间隔固定为0.5 m)与配套压力数据(采样间隔为0.1 m)在深度采样密度上存在差异，直接关联会导致数据匹配偏差，因此采用三次样条插值法对测井数据进行深度维度重构，生成统一的0.1m 间隔深度序列，经误差验证，该插值过程的精度误差严格控制在0.5%以内，可满足多源数据深度匹配需求；第三步针对数据缺失问题实施差异化处理，对于单点零散缺失的数据，采用窗口大小设为5的移动平均插值法进行补全。通过方程(3)计算待插值点$x_i$ 的数值。

$x_i=\frac{x_{i-2}+x_{i-1}+x_i+x_{i+1}+x_{i+2}}{5}$ (3)

其中，$x_{i-2}$ 至$x_{i+2}$ 分别代表待插值点前后各两个相邻的有效数据点。

Figure 2. Calculation flow chart of shaft lining collapse period

图2. 井壁坍塌周期计算流程图

对于连续缺失点数超过10点的区域，则不进行强行插值，而是直接标记为数据异常段，为后续针对性核查或特殊处理留存依据；最后一步进行特征标准化，考虑到测井数据包含的18项关键特征(涵盖自然伽马GR、声波时差AC、地层密度DEN、电阻率RT、中子孔隙度CNL等)存在明显量纲差异——例如GR单位为API，声波时差单位为μs/m，数值范围跨度极大，会干扰模型对特征重要性的判断，因此采用Z-score标准化方法对所有特征进行归一化处理，将各特征转化为均值为0、标准差为1的标准分布，彻底消除量纲影响，确保各特征在后续分析中具备同等权重。数据预处理结果如图3所示。

3.2. 单一DNN模型构建

以预处理后的18项测井特征为输入，三压力为输出，构建DNN模型如图4所示。网络结构采用18神经元输入层，依次连接FC256 + ReLU、批归一化层、FC128 + ReLU、丢弃率0.4的Dropout层、FC64+ReLU、丢弃率0.3的Dropout层，最终由3神经元线性输出；训练策略选用Adam优化器，初始学习率0.001并每100轮衰减70%，配合梯度裁剪(阈值1.0)与L2正则化(系数0.002)，并设置早停机制(验证集损失连续50轮未降则终止)；数据集采用大页1H1-1井共18750组数据，按68%、20%、12%划分为训练集、验证集、测试集，训练周期500轮(迭代187500次)，数据集分配如图5所示。

(a) 声波时差数据预处理前后对比

(b) 密度数据预处理前后对比

(c) 伽马数据预处理前后对比

Figure 3. Data preprocessing results

图3. 数据预处理结果图

Figure 4. Schematic diagram of DNN model structure and functions of each layer

图4. DNN模型结构与各层作用示意图

Figure 5. Data set allocation

图5. 数据集分配

DNN模型性能如表2所示，训练结果如图6所示。

Table 2. Model performance

表2. 模型性能

指标	坍塌压力	破裂压力	孔隙压力
RMSE (MPa)	2.65	2.25	0.31
MAE (MPa)	2.03	1.70	0.23
R^2	0.911	0.845	0.996
性能评价	优秀(R^2 > 0.9)	良好(R^2 > 0.8)	完美(R^2 > 0.99)

3.3. 多模型融合策略

为充分结合多种机器学习算法的优势，构建了包含多类模型的基础集合：梯度提升树(GBM)擅长处理非线性关系以实现高精度预测；随机森林(RF)能减少过拟合并提供特征重要性分析；极端梯度提升树(XGBoost)是优化的梯度提升算法，适用于大规模数据处理[6]；(LightGBM)属于高效的梯度提升框架，训练速度较快；支持向量机(SVR)可在高维空间有效处理非线性关系；多层感知机(MLP)作为神经网络模型，能够捕捉复杂的数据模式[7]。

在融合策略上，采用加权平均集成与堆叠集成两种方式。加权平均集成依据各模型在验证集的表现分配权重，性能越优的模型权重越高，该方法简单高效且计算成本低；堆叠集成通过K折交叉验证生成基础模型的预测结果，将这些结果作为新特征训练元模型，元模型可选择Ridge回归、Lasso回归、ElasticNet、核岭回归或梯度提升树等。

为进一步优化模型性能，从三方面开展工作：特征工程增强，涉及上覆岩层压力(OBG)特征计算、地质力学参数经验公式补充，以及鲁棒的数据清洗和异常值处理；模型评估与选择，采用MAE、RMSE、R²等多维度指标，同时进行训练时间监控与交叉验证以防止过拟合；可视化分析，涵盖模型性能对比图、压力剖面可视化及钻井液当量密度曲线等。

多模型融合方法具备显著优势：一是预测精度更高，融合多模型结果可减少单一模型偏差；二是泛化能力更强，不同模型捕捉数据不同方面，提升对新数据的适应力；三是鲁棒性更好，某一模型表现不佳时，其他模型可弥补不足；四是支持不确定性量化，通过模型预测差异评估预测不确定性；五是模型解释性更强，能提供特征重要性分析与性能比较。

BP表示坍塌压力，PF表示破裂压力，PP表示孔隙压力。

Figure 6. Training results of neural network model

图6. 神经网络模型训练结果

基于多模型融合的三压力预测结果预测曲线对比图如图7所示，当量钻井液密度误差分布如图8所示。

几种模型预测误差对比如图9所示。

图9中各算法定义如下：① DNN (深度神经网络)：擅长捕捉非线性数据关系，但对噪声敏感；② GBM (梯度提升树)：通过迭代修正残差提升精度，易过拟合；③ RF (随机森林)：基于集成学习减少过拟合，但对极端值预测能力有限；④ XGBoost (极端梯度提升树)：优化了缺失值处理与正则化机制，适用于大规模数据；⑤ LightGBM (轻量梯度提升树)：采用直方图算法提升训练速度，兼顾精度与效率；⑥ 多模型融合(加权平均 + 堆叠集成)：整合各算法优势，降低单一模型偏差。

单一模型中，LightGBM在坍塌压力预测中表现最优(RMSE = 2.12 MPa)，DNN在孔隙压力预测中最优(RMSE = 0.31 MPa)；多模型融合后，三类压力预测误差均显著降低，验证了融合策略的有效性。

4. 结果与分析

4.1. 吴家坪组页岩强度特征

4.1.1. 非均质性与强度劣化规律

从页岩力学特性与外部作用影响两方面来看，其井壁稳定相关特征表现显著：一方面，页岩存在明

Figure 7. Comparison of three pressure prediction curves and actual curves

图7. 三压力预测曲线与实际曲线对比图

Figure 8. Equivalent density error distribution

图8. 当量密度误差分布图

Figure 9. Histogram of prediction error comparison

图9. 预测误差对比柱状图

显非均质性，同一露头新鲜岩心的单轴抗压强度差异突出，如编号1岩心强度为137.9 MPa，编号2岩心则为124.3 MPa，差值达13.6 MPa，同时大页1井、大201井吴家坪组的声波时差频繁波动，变异系数均超过15%，这些现象共同表明页岩的矿物成分与内部结构分布不均，而这种不均质性正是引发局部井壁坍塌的重要诱因；另一方面，钻井液浸泡对页岩强度存在显著劣化作用，且强度随浸泡时间呈指数衰减如图10所示，具体来看，浸泡1天时，页岩强度便从初始的124.3~137.9 MPa降至71.6~86.9 MPa，降幅达46.4%~47.9%，浸泡2天时强度进一步降至58.7 MPa，降幅超过52%，这一劣化过程的核心原因是钻井液会沿页岩内部天然微裂隙侵入，导致裂隙面的内摩擦角从35˚降至22˚、粘聚力从45 MPa降至28 MPa，最终加速页岩强度的下降。

Figure 10. Variation curve of uniaxial strength of Wujiaping formation shale with drilling fluid immersion time

图10. 吴家坪组页岩单轴强度随钻井液浸泡时间变化曲线

4.1.2. 脆性破坏特征

岩心破坏后呈现典型强脆性：应力峰值后瞬时跌落(脆性指数>0.85)，破坏面平整且伴随3~5条主微裂隙(裂隙宽度2~5 μm)，表明页岩受载后易发生突发性破裂，钻井中需防控瞬时坍塌风险。

4.2. 已钻井压力系统与井壁稳定性

4.2.1. 地层压力分布

研究区域内不同井的上覆岩层压力与孔隙压力特征存在差异且规律明确：上覆岩层压力方面，大页1井为112.3~113.5 MPa (当量密度2.65 g/cm³)，大201井为115.7~117.3 MPa (当量密度2.60 g/cm³)，大页1H2-4井为121 MPa (当量密度2.62 g/cm³)，整体随埋深呈线性增长趋势；孔隙压力则表现出明显的地层差异性，飞仙关组及以上地层为正常孔隙压力，当量密度约1.0 g/cm³，从大隆组开始孔隙压力起升，其中大页1H井当量密度1.55 g/cm³、大201井1.75 g/cm³、大页1H2-4井1.97 g/cm³，而吴家坪组孔隙压力峰值集中在4369~4596 m深度区间，对应大页1H井当量密度1.80 g/cm³、大201井1.90 g/cm³、大页1H2-4井1.90~2.24 g/cm³，异常高压特征显著。

4.2.2. 地应力特征

研究区域地应力的大小、方位及应力状态特征明确且具有分层差异性：地应力大小方面，垂深 4339 m 处最小水平地应力约为103.3 MPa (当量密度2.38g/cm³)，3口井水平段的上覆、水平最小、水平最大地应力当量密度分别为大页1井2.65、(1.95~2.82)、(2.33~3.18) g/cm³、大201井2.60、(1.92~2.90)、(2.03~3.31) g/cm³、大页1H2-4井2.62、(2.21~2.60)、(2.53~3.31) g/cm³；地应力方位上，Kaiser实验显示吴三段最大水平地应力方位为N91.5˚E~N96.8˚E，经阵列声波与成像测井验证，该方位进一步明确为N90˚E~N100˚E (近东西向)，可为井眼轨迹优化提供关键依据；应力状态则呈现地层分异特征，雷口坡组及以上地层与吴家坪组为正断层–走滑型(${\sigma }_{H\max }>{\sigma }_v>{\sigma }_{H\min }$ )，其余地层则为正断层型(${\sigma }_v>{\sigma }_{H\max }>{\sigma }_{H\min }$ )。

4.2.3. 安全钻井液密度窗口

不同井的泥浆密度窗口及井壁稳定性特征存在显著差异：大页1井分层表现明显，其中吴一段~吴二段的坍塌压力上限>2.50 g/cm³，漏失压力下限 ≈ 2.0 g/cm³，密度窗口仅0.5 g/cm³，“漏垮共存”风险较高；而嘉陵江组–飞仙关组的坍塌压力<1.80 g/cm³，无井壁坍塌风险。大201井的井壁稳定性良好，当泥浆密度为1.99 g/cm³时井壁保持规整，整体泥浆密度窗口为1.90~2.20 g/cm³。大页1H2-4井则聚焦水平段(吴三段)，其最大坍塌压力为1.46 g/cm³，实际使用的泥浆密度为1.85~1.90 g/cm³，理论上存在0.4g/cm³的降密空间，但需重点防控气侵问题——该井气全量随水平段延伸呈线性增加趋势。

5. 讨论

5.1. 井壁稳定性控制关键措施

“漏垮共存”是吴家坪组深层页岩钻井的核心工程难题，其本质是岩石内在特性与地层应力环境的协同作用结果：

① 非均质性的基础作用：吴家坪组页岩矿物成分(石英含量45%~62%、黏土矿物18%~30%)与内部结构分布不均，导致同一层段岩石强度差异达13.6 MPa，局部低强度区域成为坍塌敏感点；同时，非均质性使钻井液侵入路径不规则，加剧局部裂隙扩展，降低漏失压力下限。

② 强脆性的诱发作用：页岩脆性指数>0.85，应力峰值后瞬时破裂并产生3~5条主微裂隙(宽度2~5 μm)，钻井液沿裂隙侵入后，岩石内摩擦角从35˚降至22˚、粘聚力从45 MPa降至28 MPa，强度降幅超46%，进一步缩小安全钻井液密度窗口。

③ 应力状态的放大作用：水平地应力方位集中于N90˚E~N100˚E，与井眼轨迹形成特定夹角时引发井周应力集中，使坍塌压力上限升至>2.50 g/cm³；而异常高压孔隙压力(峰值1.80~2.24 g/cm³)使漏失压力下限降至 ≈ 2.0 g/cm³，最终形成“高坍塌压力–低漏失压力”的窄密度窗口，导致“漏垮共存”风险。

吴一段~吴二段低强度层采用抑制性钻井液(如钾基钻井液)降低水敏性，减少微裂隙发育；钻井液浸泡时间控制在1天内，避免强度过度劣化；

基于多模型融合的预测结果，大页1井吴一段~吴二段泥浆密度控制在2.20~2.30 g/cm³ (平衡防漏与防垮)，大页1H2-4井水平段逐步降密至1.5~1.8 g/cm³，结合实时气侵监测(如随钻气测仪)；

井眼轨迹设计时应沿最小水平地应力方向(N0˚E~N10˚E)设计水平段，减少井周应力集中；避开吴一段~吴二段低强度层，优先选择吴三段高强度层。

5.2. 预测模型的优势与局限性

多模型融合整合了不同算法的优势(如LightGBM的效率、DNN的非线性拟合能力)，较单一模型泛化能力提升30%以上，预测结果更贴合实际地质条件，为钻井设计提供可靠边界。

局限性在于模型训练依赖大页1H1-1井数据，对其他区块(如川南)吴家坪组页岩的适应性需进一步验证；未考虑地层温度对岩石力学参数的影响，后续需补充高温高压岩心实验数据。

5.3. 未来研究方向

① 增加川南、川东地区吴家坪组页岩井数据，优化模型区域适应性；

② 引入随钻测井(LWD)实时数据，构建动态预测模型；

③ 建立“应力–温度–流体”多场耦合模型，更精准描述钻井液浸泡下的岩石强度演化。

6. 结论

(1) 吴家坪组页岩非均质性强，新鲜岩心单轴抗压强度差异达13.6 MPa，钻井液浸泡1天后强度降幅超46%，强脆性破坏(脆性指数>0.85)导致微裂隙发育，是井壁坍塌的核心诱因；

(2) 研究区块内已钻井(大页1井、大201井、大页1H2-4井)吴家坪组上覆岩层压力当量密度2.60~2.65 g/cm³，孔隙压力峰值1.80~2.24 g/cm³，水平地应力方位N90˚E~N100˚E；大页1井存在“漏垮共存”风险，大页1H2-4井水平段具备0.4 g/cm³降密提速空间；

(3) 基于18项测井特征的DNN模型在孔隙压力预测中表现优异(R² = 0.996)，多模型融合(GBM/RF、XGBoost等)进一步将大页1H2-1井预测误差降至孔隙压力0.27%、坍塌压力8.19%、破裂压力3.62%。

上述模型的预测效果经研究区域内特定井(大页1H1-1井训练、大页1H2-1井验证)验证，适用范围限于川东吴家坪组研究区块的同类地质条件。

基金项目

重庆科技大学研究生科技创新项目，“吴家坪组深层页岩气坍塌压力预测及井身结构优化”(YKJCX2420141)。