多源测井数据预测煤层工业组分和发热量模型研究

doi:10.11720/wtyht.2024.2553

多源测井数据预测煤层工业组分和发热量模型研究

余永鹏^,¹, 张广兵^,¹, 黄自军², 闫建波¹, 王嘉文¹, 杨彦成¹, 毛兴军¹

1.宁夏回族自治区煤炭地质局,宁夏银川 750002

2.宁夏煤炭勘察工程有限公司,宁夏银川 750002

A prediction model of the industrial components and calorific values of coal seams based on multi-source log data

YU Yong-Peng^,¹, ZHANG Guang-Bing^,¹, HUANG Zi-Jun², YAN Jian-Bo¹, WANG Jia-Wen¹, YANG Yan-Cheng¹, MAO Xing-Jun¹

1. Coal Geology Bureau of Ningxia Hui Autonomous Region, Yinchuan 750002, China

2. Ningxia Coal Exploration and Engineering Co., Ltd.,Yinchuan 750002, China

通讯作者: 张广兵(1988-),男,工程师,主要从事煤田地面电法和煤田测井工作。Email:262454161@qq.com

责任编辑: 王萌

收稿日期: 2022-11-8 修回日期: 2023-01-8

基金资助:

宁夏自然科学基金项目(2021AAC03459)
宁夏自然科学基金项目(2021AAC03462)
宁夏自然科学基金项目(2022AAC05063)

Received: 2022-11-8 Revised: 2023-01-8

作者简介 About authors

余永鹏(1987-),男,工程师,2008年毕业于中国地质大学(武汉),主要从事地球物理和地质信息化工作。Email:yyp0527@126.com

摘要

煤层工业组分和发热量是评价煤质的基本依据,利用测井资料预测煤层工业组分和发热量可以弥补煤芯样试验分析的不足。利用宁夏某井田详查、勘探等不同阶段的数字测井和煤质化验数据,在研究煤质特征、测井响应特征和统计分析的基础上,建立了测井响应特征提取、样本集建立和数据处理方法与深度神经网络模型,通过对测试数据的预测结果和试验分析结果对比,验证了预测模型有效性。

关键词： 多源数据; 地球物理测井; 煤炭; 工业组分; 发热量; 预测模型

Abstract

The industrial components and calorific values of coal seams serve as an important basis for the evaluation of coal quality, and the prediction of them based on log data allows for overcoming the deficiency in the experimental analysis of coal core samples. This study collected data from digital logs and coal quality analysis at different stages (e.g., detailed survey and exploration) of a coal field in Ningxia. Based on the investigation of the coal quality and log responses, as well as statistical analysis, this study developed the methods for extracting log response characteristics, establishing sample sets, and processing data and established a deep neural network-based prediction model. Then, it confirmed the validity of the prediction model by comparing the predicted results of testing data with the results from the experimental analysis.

Keywords： multi-source data; geophysical logging; coal; industrial component; calorific value; prediction model

PDF (4262KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

余永鹏, 张广兵, 黄自军, 闫建波, 王嘉文, 杨彦成, 毛兴军. 多源测井数据预测煤层工业组分和发热量模型研究[J]. 物探与化探, 2024, 48(1): 185-193 doi:10.11720/wtyht.2024.2553

YU Yong-Peng, ZHANG Guang-Bing, HUANG Zi-Jun, YAN Jian-Bo, WANG Jia-Wen, YANG Yan-Cheng, MAO Xing-Jun. A prediction model of the industrial components and calorific values of coal seams based on multi-source log data[J]. Geophysical and Geochemical Exploration, 2024, 48(1): 185-193 doi:10.11720/wtyht.2024.2553

0 引言

煤的工业组分是评价煤质的最基本依据^[1],也是煤层气储层测井评价的重要内容^[2],煤层工业组分和发热量计算一直是煤层煤质评价的关键课题^[3]。煤层工业组分和发热量获取的直接方式是煤芯样试验分析,样品试验分析周期长,取样、存储和制样的过程对分析结果均有影响。当煤芯样品数不足时,也会影响区域性煤质评价。

利用测井数据预测煤层工业组分和发热量是弥补煤样分析不足的重要方法,孟召平等^[4]以河南新郑矿区赵家寨井田为依托,通过试验和统计分析建立了煤的工业分析指标与测井参数的相关关系及模型,邵先杰等^[5]采用枚举法标定出了煤样的工业组分含量、孔隙度、含气量以及密度和声波速度等参数,潘和平等^[6]利用体积模型法和回归分析法建立了煤储层固定碳、灰分、水分和挥发分的测井解释模型,也有一些研究工作者采用神经网络等方法建立了煤质测井解释模型^{[7⇓⇓⇓⇓-12]}。但前人的研究多以煤层气勘探开发为研究载体,测井参数多、数据质量高,多集中于利用单一来源数据对特定煤层的煤质定量解释。以往以煤层定厚解释为目的的测井实际生产中,测井参数少,也较少有人利用仪器校验资料对数据进行适时校正并计算岩石密度,难以利用该测井数据进行定量解释评价。

以宁夏宁东煤田某井田延安组含煤地层为研究对象,利用详查、勘探阶段取得的数字测井和煤质化验数据,通过统计分析等方法研究了煤质特征。对测井响应特征进行了研究,分析了研究区测井响应的主要影响因素。建立了样本集中测井响应特征提取方法和数据预处理流程。在此基础上,建立了多源测井数据预测煤层工业组分和发热量的深度神经网络模型,通过对测试数据预测结果和试验分析结果对比分析,验证了模型有效性。

1 研究区地质概况

研究区位于宁夏回族自治区宁东煤田,井田内地形起伏不大,大部分为沙丘覆盖,多系风成垄状及新月形流动沙丘,间有被植被固定、半固定沙丘。

井田地表无基岩出露,根据钻孔揭露井田地层由老至新依次为:三叠系上统上田组(T₃s);侏罗系中统延安组(J₂y)、中统直罗组(J₂z)、上统安定组(J₃a);古近系渐新统清水营组(E₃q)和第四系(Q)。井田含煤地层为侏罗系中统延安组(J₂y),据钻孔揭露最小厚度262.85 m,最大厚度341.59 m,平均厚度295.79 m,含煤层25层,平均总厚度31.01 m,其中可采煤层19层。含煤地层沉积环境呈以河流作用为主的湖泊三角洲特征。

2 煤层煤质特征

研究区可采煤层以不粘煤为主,少量长焰煤,属低灰、低硫、低磷、中高挥发分的高热值煤。如图1所示,研究区原煤试验煤样水分的质量分数(M_ad)总体在1.73%~19.29%,各煤层平均为6.23%~9.40%;干燥基灰分的质量分数(A_d)总体在3.28%~36.73%,各煤层平均为8.45%~13.15%;干燥无灰基挥发分的质量分数(V_daf)总体在25.44%~43.34%,各煤层平均为31.57%~35.47%;干燥基固定碳的质量分数(FC_d)在38.56%~70.70%,各煤层平均为54.62%~61.55%;发热量(Q_gr,d)总体在19.86~31.90 MJ/kg,各煤层平均为26.82~28.83 MJ/kg。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 研究区可采煤层煤质特征

Fig.1 The characteristic map of coal quality of mineable coal seams in the study area

通过对研究区煤质数据统计分析发现,A_d与FC_d、 ${Q_{g r,}}_{d}$ 均呈显著线性负相关关系(图2a、b),V_daf与FC_d呈显著线性负相关关系(图2c)。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 研究区煤质数据线性相关性

Fig.2 The linear correlation diagram of coal quality data in the study area

研究区夹矸A_d平均为55.70%~87.07%,远高于煤层的A_d值。因采取的部分煤芯样混入了夹矸,导致部分煤层A_d偏高,相应Q_gr,d偏低。在统计分析中,A_d平均值显得偏“小”,Q_gr,d平均值显得偏“大”(图1)。混入夹矸的煤芯样煤质多具有“离群值”特征,可以用统计检验等方法剔除,降低其影响。

3 煤层测井响应特征及主要影响因素

3.1 煤层测井响应特征

研究区含煤地层的岩层随岩石粒度由细变粗,岩石泥质含量逐渐减少,测井响应表现为:自然伽马数值逐渐减小,电阻率值逐渐增大,人工伽马数值逐渐增大,自然电位由零向负方向变化。

煤层相对围岩具有低密度、低放射性、中—高电阻率的特点,在人工伽马和视电阻率曲线上为明显高值异常反应,自然伽马曲线为显著低值异常,自然电位多为负异常。但不同区域的沉积环境不同,同一煤层的结构、顶底板岩性、物理性质、工业组分等要素存在差异,测井曲线形态、特征、幅值等方面也会不一致(图3),这也就是利用测井数据预测煤层工业组分和发热量的物理基础。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 研究区煤层测井响应特征

Fig.3 The logging response characteristics of coal seams in the study area

利用测井数据预测煤层工业组分和发热量重点是建立测井响应特征与煤层工业组分和发热量的关系。测井响应特征提取是关键,一般以对应煤层段的测井曲线幅值作为测井响应特征值;也可在测井曲线上以一定间隔进行采样,以采样点的平均值作为测井响应特征值^[4,9]。研究区的测井数据采样间隔均为0.05 m。为了提取更丰富的测井数据特征,以对应煤层段各测井曲线幅值的最大幅值、最小幅值、平均值、中间值、均方根为该煤层的测井响应特征值。

3.2 测井响应主要影响因素

测井响应是地层、钻孔、仪器等多种因素叠加的综合反映,所以在研究测井响应特征与煤层工业组分和发热量的关系时,研究测井响应的影响因素是必要的。

3.2.1 测量方法对测井响应的影响

测量方法对测井响应的影响主要是电极排列方式、极距、收发距等因素不同造成测井响应差异。如图3所示,两种人工伽马方法因源距不同,造成曲线特征有较大差异;两种视电阻率测量方法(三侧向测井、A0.1M电位电极系法)因装置类型不同,产生的视电阻率曲线响应特征明显不同。在实际生产研究中,正是利用了不同测量方法的响应差异,针对性地解决了不同地质问题,如三侧向电阻率纵向分辨率较高、探测深度大,但电位电极系法对厚层划分更有利;补偿密度法正是利用了长、短源距间响应差异,是一种精度更高的测量岩石密度方法。因此,测井方法使用目的不同,响应也存在明显差异,所有测井曲线均应作为定量预测的依据。

3.2.2 数据多源性特征的影响

地质勘查是分阶段进行的。研究区内先后实施了多次地质勘查工作,本次研究工作采用其中的两次勘查成果,间隔10余年,仪器设备和操作人员均不同,获得的地球物理测井数据存在差异。图4、表1分别为研究区典型测井曲线响应幅值频率直方对比图和特征统计,4种典型测井曲线的幅值范围和分布特征均存在一定差异。其中自然伽马和三侧向视电阻率差异相对较小,说明两次测井的方法技术和设备具有一定的一致性;人工伽马观测的是射线脉冲计数值,两种方法的两次数据均有显著差异,该差异明显为放射源强度差异造成的。所以,不同来源测井数据间存在系统性差异,直接进行测井响应定量解释会对结果产生较大影响。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 研究区典型测井曲线幅值频率直方对比

Fig.4 The amplitude frequency histogram of typical logging curves in the study area

表1 研究区典型测井曲线幅值特征统计

Table 1 The statistical table of amplitude characteristics of typical logging curves in the study area

测井方法	自然伽马/API		短源距人工伽马/CPS		长源距人工伽马/CPS		三侧向视电阻率/(Ω·m)
对比内容	$\frac{最小值}{最大值}$	$\frac{均值}{方差}$	$\frac{最小值}{最大值}$	$\frac{均值}{方差}$	$\frac{最小值}{最大值}$	$\frac{均值}{方差}$	$\frac{最小值}{最大值}$	$\frac{均值}{方差}$
详查阶段	$\frac{3.97}{23.32}$	$\frac{10.05}{2.66}$	$\frac{13584}{19100}$	$\frac{17109.20}{1038.68}$	$\frac{4356}{10424.70}$	$\frac{9169.26}{680.22}$	$\frac{2.70}{7.19}$	$\frac{4.97}{0.60}$
勘探阶段	$\frac{3.56}{18.68}$	$\frac{10.08}{2.03}$	$\frac{3186}{9226}$	$\frac{8094.60}{733.03}$	$\frac{6043}{8679}$	$\frac{7266.61}{524.10}$	$\frac{3.25}{7.85}$	$\frac{5.14}{0.82}$

新窗口打开| 下载CSV

3.2.3 煤层厚度对测井响应的影响

受仪器分辨率和体积效应影响,测井信号反映的不是记录点的真实物理性质。当煤层厚度小于仪器分辨率时,测井响应幅值降低,无法呈现真实地层物性特征。地层越薄,影响越明显,如图3中“W”煤层为典型薄煤层测井响应特征。

在消除薄煤层对测井响应影响方面,前人利用小波变换^[13-14]、HHT变换^[15]等方法对测井数据处理以减少“薄层效应”的影响,但绝大多数都集中于提高纵向分辨率的研究上;也有一些研究利用数值模拟等方式^[16-17]校正测井曲线,以“还原”测井响应特征。无论采用哪种方式都难以达到采用测井响应对薄层定量解释的目的。“薄层效应”与煤层厚度呈反比,利用测井数据对煤层工业组分和发热量进行预测时,需要以煤层厚度倒数作为输入特征。

3.2.4 孔内环境对测井响应的影响

钻孔的孔内环境(如井径、泥浆、泥饼、地层温度等)对测井响应影响较大,会造成数据偏差,其中钻孔孔径的影响最为重要。当钻孔孔径扩大时,声波、人工伽马等测井数据的幅值会升高,电阻率、自然伽马等测井数据的幅值会降低^[18-19]。目前利用数值计算进行校正的方法较多,结果基本能满足生产需要。但校正并不能完全消除孔径影响,在利用测井数据进行定量预测时,钻孔孔径也应作为考虑因素。

4 预测模型建立

4.1 样本集建立

大量研究工作表明,煤层的工业组分和测井参数之间具有相关性。前人利用测井数据通过多元线性回归方法计算煤层工业组分时,一般在理论分析或相关分析基础上选取相关性密切的参数建立多元线性回归模型^[3,8]。

提取样本数据时,对有煤芯样试验分析的煤层,提取对应煤层深度段测井参数(自然伽马、长源距人工伽马、短源距人工伽马、A0.1M电位电极系视电阻率、三侧向视电阻率、自然电位、井径)的响应特征,与煤层厚度共同组成样本的36个输入特征,分别与煤层工业组分(M_ad、A_d、V_daf、FC_d)和发热量(Q_gr,d)组成5组初始样本集。不同来源的数据单独建立样本集。

对样本集的数据预处理主要有2个方面:一是利用“箱形图”剔除工业组分和发热量数据中的离群点,减少离群点对数据分布特征影响;二是为了减少同一测井参数的多源性差异和不同参数的量纲差异,对不同来源数据分别进行归一化。数据预处理完成后,合并形成样本集。

为减少煤层宏观结构对煤质和测井数据的影响,本研究仅采用了对单层煤采样的煤质化验结果,与相应测井数据组成样本集。剔除离群值后的样本集数量为938个,如表2所示。

表2 样本集样本数量统计

Table 2 The statistical table of sample quantity of sample set

数据源	初始样本集样本数量/个	剔除离群点后样本数量/个
详查阶段	482	453
勘探阶段	521	485
合计	1003	938

新窗口打开| 下载CSV

4.2 样本数据相关性分析

如图5所示为样本集测井归一化数据与工业组分和发热量线性相关系数热度,其中M_ad、FC_d和Q_gr,d与部分样本特征具有相关性,多数特征线性相关系数在±0.2以上,部分接近±0.5;A_d和V_daf与测井数据相关性较弱,基本都在±0.1以下。煤质参数间的相关性与前文研究基本一致,A_d与FC_d和Q_gr,d有强线性相关性;V_daf和FC_d有强相关性,和Q_gr,d有弱相关性。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 研究区测井归一化数据与煤的工业组分和发热量线性相关系数热度

Fig.5 The linear correlation coefficient heat diagram of normalized logging data and the industrial components and calorific value of coal in the study area

4.3 预测模型建立

煤的工业组分和发热量由煤层自身性质决定,与煤层宏观结构没有直接关系。测井响应不仅与煤层自身的性质有关系,还与煤层宏观结构及孔内环境有关系。因此煤层工业组分和发热量与测井响应之间的关系比较复杂,利用测井数据预测煤层工业组分和发热量,需优先采用非线性预测方法更好,本文采用在人工智能领域应用较广泛的深度神经网络算法进行预测。

神经网络在地球物理等方面的应用由来已久^[20-21],通常而言,随着层数增加,神经网络表示能力也随之增强,但实际情况下优化函数易陷入局部最优解^[22]。2006年,Hinton通过多层神经网络逐层训练方式优化局部最优解问题^[23],逐渐发展成了深度神经网络。深度神经网络的本质是通过构建许多隐藏层的网络结构来学习更复杂的函数映射关系,利用逐层特征变换,提升分类或预测准确性^[24-25]。

本文构建深度神经网络模型使用多层全连接层构建,全连接层每一神经元节点都与上一层的所有节点连接,可以有效地提取前一层特征。如图6所示为深度神经网络结构,网络结构共有7层,即:输入层1层,输入层的节点数为36个,为样本对应深度7条测井曲线的特征值(每条曲线5个,即最大幅值、最小幅值、平均值、中间值、均方根)和煤层厚度倒数组成。隐藏层5层,其中的4层隐藏层均为全连接层,激活函数为线性整流函数(rectified linear unit,简称“ReLU”),节点数均为36个;为减少过拟合问题,在模型中设置了1层随机失活(Dropout)层,失活率为0.3。输出层1层,输出层的节点数为1个,为煤层工业组分和发热量参数,即对每个参数独立建立模型、独立预测。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 深度神经网络结构

Fig.6 The deep neural network structure diagram

通过大量不同参数的预测结果进行对比分析,获得了适合于研究区的模型训练和预测参数,如表3所示。

表3 深度神经网络主要配置参数

Table 3 The main configuration parameters of deep neural network

预测参数	优化算法	损失函数	批大小	训练次数
M_ad	Adam	mae	16	2000
A_d	Adam	mae	8	2000
V_daf	Adam	mae	8	2000
FC_d	Adam	mae	8	2000
Q_gr,d	Adam	mae	8	2000

新窗口打开| 下载CSV

基于图5中测井归一化数据与煤的工业组分和发热量的线性相关性研究成果,煤质参数M_ad、FC_d和Q_gr,d采用上述模型直接预测即可。煤质参数A_d和V_daf可采用2种方式预测,择优选择结果:一是采用上述模型预测;二是“分步预测”,即建立A_d、V_daf与FC_d、Q_gr,d的多元线性回归模型(见表4),然后利用M_ad、FC_d和Q_gr,d的预测结果和多元线性回归模型再预测A_d、V_daf。

表4 煤层A_d、V_daf预测多元线性回归模型

Table 4 The multivariate linear regression model for predicting A_d and V_daf in coal seams

参数	预测方程
灰分	A_d=-0.2256×FC_d-1.9919×Q_gr,d+79.1617
挥发分	V_daf=-0.3574×FC_d-0.0162×Q_gr,d+54.2128

新窗口打开| 下载CSV

数据预处理、模型建立与数据预测均以Anaconda3环境下的Spyder为开发平台,以Python为开发语言,以TensorFlow、Keras等深度学习框架和工具辅助完成,功能丰富,接口方便,便捷性明显^[26]。

5 预测效果验证

对样本集中的938个样本按照一定比例随机分为训练集、验证集和测试集,其中训练集656个,占69.94%;验证集197个,21.00%;测试集85个,占9.06%。训练集和验证集参与模型训练,测试集完全不参与模型训练。

图7和表5分别为测试集预测结果与煤芯样试验分析结果对比图和统计表,分析可得:采用深度神经网络对煤层工业组分和发热量的预测结果与试验分析结果曲线图、变化范围、平均值基本一致,能达到预期目标,对实际工作具指导意义;对采用2种方法预测的M_ad、A_d,“分步预测”误差相对较小,选择该结果为预测结果。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 测试集样本预测结果与煤芯样试验分析结果对比

Fig.7 The comparison diagram of prediction results of test set samples and analysis results of coal core samples

表5 测试集中预测结果与样品分析结果对比误差

Table 5 The list of errors in comparison between prediction results and sample analysis results in the test set

煤质参数	样品分析结果 ( $\frac{最大值 - 最小值}{平均值}$ )	预测结果 ( $\frac{最大值 - 最小值}{平均值}$ )	均方根误差/%	平均绝对误差/%	平均相对误差/%	备注
M_ad/%	$\frac{15.60 - 4.48}{9.89}$	$\frac{14.48 - 5.02}{9.53}$	2.14	1.62	18.34
A_d/%	$\frac{17.49 - 3.76}{8.60}$	$\frac{15.04 - 5.36}{9.09}$	3.06	2.41	26.89	分步预测
A_d/%	$\frac{17.49 - 3.76}{8.60}$	$\frac{19.02.21 - 4.85}{8.60}$	3.61	2.62	29.55
FC_d/%	$\frac{69.05 - 47.38}{57.44}$	$\frac{64.51 - 47.76}{56.94}$	3.66	2.88	5.08
V_daf/%	$\frac{39.16 - 27.14}{32.92}$	$\frac{36.71 - 30.68}{33.39}$	2.90	2.30	6.89	分步预测
V_daf/%	$\frac{39.16 - 27.14}{32.92}$	$\frac{39.08 - 28.29}{33.40}$	3.42	2.58	7.78
Q_gr,d/(MJ·kg^-1)	$\frac{31.70 - 25.91}{28.96}$	$\frac{30.78 - 26.78}{28.73}$	1.18	0.90	3.14

新窗口打开| 下载CSV

对于预测的5项煤质参数,M_ad均方根误差2.14%,平均绝对误差1.62%,平均相对误差18.34%;A_d均方根误差3.06%,平均绝对误差2.41%,平均相对误差26.89%;FC_d均方根误差3.66%,平均绝对误差2.88%,平均相对误差5.08%;V_daf均方根误差2.90%,平均绝对误差2.30%,平均相对误差6.89%;Q_gr,d均方根误差1.18%,平均绝对误差0.90%,平均相对误差3.14%。所有预测结果均可满足生产需要。

对不同参数预测结果横向对比,A_d预测结果相对较差。其原因为研究区煤层属于低灰分煤,部分夹矸不规律地混入煤芯样后,使试验分析结果与真实结果出现较大的不规律差异。通过剔除离群值等数学方法也不能完全消除其影响。测井数据虽是煤层原位状态下的响应,但通过样本训练的方式并不能消除煤样中混入夹矸对煤层灰分的影响,所以用测井数据预测A_d时的误差较大。

6 结论

1)研究区以不粘煤为主,属低灰、低硫、低磷,中高挥发分,高热值煤。煤质数据中,A_d与FC_d、Q_gr,d均呈显著线性负相关关系,V_daf与FC_d呈显著线性负相关关系。因煤芯采样时混入夹矸影响,出现部分A_d偏高、Q_gr,d偏低现象。

2)利用深度神经网络等大数据技术预测煤层工业组分时,提取测井数据的最大幅值、最小幅值、平均值、中间值和均方根值作为测井响应特征是一种有效方法。将各测井方法响应特征和煤层厚度倒数共同组成样本特征效果较好。

3)在数据预处理中,对煤质数据通过“箱形图”剔除离群数据是一种较有效方法。

4)对差异性较大的多源测井数据,对不同数据源分别进行归一化处理后,再合并成样本集,能有效消除多源数据引起的测井响应差异。

5)利用深度神经网络预测煤层工业组分和发热量是一种有效方法,对于和测井响应线性相关性较高的M_ad、FC_d和Q_gr,d,采用深度神经网络预测效果较好。

6)对于与测井数据线性相关性较低的A_d和V_daf,先建立A_d、V_daf与FC_d、Q_gr,d间的多元线性回归模型,然后基于M_ad、FC_d和Q_gr,d的预测结果和多源线性回归模型再预测 ${A_{d}}_{、}$ V_daf是一种相对有效的方法。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

杨孟达.

煤矿地质学[M]. 北京: 煤炭工业出版社, 2000.