基于深度编码解码网络预测页岩总有机碳含量的方法
阅读说明：本技术 基于深度编码解码网络预测页岩总有机碳含量的方法 (Method for predicting total organic carbon content of shale based on deep coding decoding network ) 是由 张旺 单小彩 周永健 付博烨 于 2021-11-25 设计创作，主要内容包括：本发明属于油气勘探技术领域,具体涉及一种基于深度编码解码网络预测页岩总有机碳含量的方法、系统、设备,旨在解决现有的页岩总有机碳含量预测方法预测准确度低、鲁棒性差的问题。本方法包括基于目标页岩层待预测井位的测井数据,得到测井曲线；对测井曲线进行预处理,得到预处理后的测井曲线；对预处理后的测井曲线进行加窗处理,加窗处理后,输入预训练的TOC预测模型中,得到窗口中心的TOC,作为目标页岩层待预测井位总有机碳含量的预测结果；所述TOC预测模型基于改进的1D U-Net网络构建。本发明提升了页岩层总有机碳含量预测的准确性与鲁棒性。(The invention belongs to the technical field of oil and gas exploration, and particularly relates to a method, a system and equipment for predicting the total organic carbon content of shale based on a deep coding decoding network, aiming at solving the problems of low prediction accuracy and poor robustness of the conventional method for predicting the total organic carbon content of shale. The method comprises the steps of obtaining a logging curve based on logging data of a target shale layer well position to be predicted; preprocessing the logging curve to obtain a preprocessed logging curve; windowing the pretreated logging curve, inputting the windowed logging curve into a pre-trained TOC prediction model to obtain TOC at the center of a window, and taking the TOC as a prediction result of the total organic carbon content of the well site to be predicted of the target shale layer; the TOC prediction model was constructed based on a modified 1D U-Net network. The method improves the accuracy and robustness of predicting the total organic carbon content of the shale layer.)
技术领域
本发明属于油气勘探技术领域，具体涉及一种基于深度编码解码网络预测页岩总有机碳含量的方法、系统、设备。
背景技术
近年来，随着页岩气和石油的开发，烃源岩评价具有重要意义。总有机碳（TOC）在烃源岩评价中起着重要作用，也是储层预测的重要参数。总有机碳含量一般在实验室采用岩石评价热解法测定，是页岩气藏烃源岩生烃潜力评价的主要指标。由于岩心样本数量有限且实验费用昂贵，这些数据通常很少。
现有技术中，已证实常规电缆测井参数（即声波测井、频谱伽马射线、电阻率测井、体积密度测井等）与 TOC 含量有关。因此，可以建立岩心样品TOC含量与电缆测井参数之间的关系，也可以由此预测连续TOC含量。例如专利文献：“CN110501744B 烃源岩有机碳地球物理定量预测方法、装置、设备及存储介质”建立烃源岩TOC与纵波阻抗的非线性关系式作为统计学方程进行预测，但该方法仅使用纵波阻抗数据作为参数，忽略了其他相关的测井指示因子；而且统计学方程是使用二项式进行拟合的模型驱动型分析方式，模型的表征能力收到限制，不足以表征TOC与指示因子之间存在的复杂非线性关系；专利文献：“CN108171376B 总有机碳的预测方法、装置、电子设备及存储介质” 通过获取页岩气TOC曲线与指示因子的夹角余弦作为相似度进行预测，但该方法使用夹角余弦作为相似度度量是一种简单的线性建模，不足以表征TOC与指示因子之间存在的复杂非线性关系；专利文献：“CN106568918B 页岩有机碳含量TOC预测方法”，通过获得页岩TOC与多个测井参数的数学关系，选择具有最大相似值的测井参数作为预测参数进行预测，但该方法使用的数学关系模型是一项式拟合，不足以表征TOC与各个测井参数之间存在的复杂非线性关系。专利文献：“CN113050191A基于双参数的页岩油TOC预测方法及装置” 通过电阻率数据，声波时差数据与页岩油TOC建立函数关系进行预测，但该方法缺点是仅使用两个测井参数进行分析，且TOC函数中的参数为人工确定的双参数标准化数据，属于手动设计特征；使用多项式拟合建立函数关系，不足以表征TOC与各参数之间存在的复杂非线性关系。
而随着神经网络的迅速发展，神经网络模型利用其强大的多层次多尺度建模能力，可以推理多个参数与TOC之间的关联度，数据驱动型建模可以使得预测结果更为精确，基于此，本发明提出了一种基于深度编码解码网络预测页岩总有机碳含量的方法。
发明内容
为了解决现有技术中的上述问题，即为了解决现有的页岩总有机碳含量预测方法预测准确度低、鲁棒性差的问题，本发明第一方面，提出了一种基于深度编码解码网络预测页岩总有机碳含量的方法，该方法包括：
步骤S100，基于目标页岩层待预测井位的测井数据，得到测井曲线；所述测井曲线包括放射性铀、放射性钍、放射性钾、声波时差、补偿中子、密度、岩性密度、深双侧向电阻率、浅双侧向电阻率、伽马测井曲线；
步骤S200，对所述测井曲线进行预处理，得到预处理后的测井曲线；
步骤S300，对预处理后的测井曲线进行加窗处理，加窗处理后，输入预训练的TOC预测模型中，得到窗口中心点的TOC，作为目标页岩层待预测井位相应深度总有机碳含量的预测结果；
其中，所述TOC预测模型基于改进的1D U-Net网络构建，所述改进的1D U-Net网络中编码器与解码器的同尺度特征在跨级连接时，经过卷积、残差连接处理后再进行拼接；另外，对各解码器输出的特征进行拉平融合，经过全连接层输出窗口中心点的TOC的预测值。
在一些优选的实施方式中，所述预处理包括数据异常值点的去除、数据标准化。
在一些优选的实施方式中，所述TOC预测模型，其训练方法为：
A10，采集目标页岩层训练井位的测井数据以及对应的TOC含量数据；基于所述测井数据，得到测井曲线，并将所述TOC含量数据作为真值标签；
A20，对测井曲线以及对应的TOC含量数据进行预处理，预处理后，按照设定比例划分为训练集和验证集；所述训练集中的测井曲线及对应的TOC含量的真值标签，作为训练样本；所述验证集中的测井曲线以及对应的TOC含量的真值标签，作为验证样本；
A30，对预处理后的训练样本进行加窗处理，加窗处理后，输入预构建的TOC预测模型中，得到窗口中心点的TOC，作为目标页岩层相应深度的总有机碳含量的预测结果；
A40，基于所述预测结果及其对应TOC含量的真值标签，计算损失值，并基于该损失值，更新所述TOC预测模型的模型参数；
A50，在每个训练周期，将加窗处理后的验证样本输入TOC预测模型，获取验证样本对应的目标页岩层相应深度的总有机碳含量的预测结果，并结合验证样本对应的TOC含量的真值标签求均方误差损失，当所述均方误差损失小于设定阈值后，结束模型训练，否则，跳转步骤A60；
A60，循环执行步骤A10-步骤A40，直至达到设定的截止条件，得到训练好的TOC预测模型，所述截止条件包括训练次数、模型精度。
在一些优选的实施方式中，步骤A60后还包括对测井曲线的分析：
重新将加窗处理后的验证样本分别输入步骤A60训练好的TOC预测模型，得到各测井曲线对应的预测结果，作为第一结果；所述预测结果为目标页岩层相应深度的总有机碳含量的预测结果；
将所述第一结果进行梯度反传，得到各测井曲线对TOC预测模型的响应值，对响应值进行降序排序，选取前N个响应值对应的测井曲线作为对TOC含量预测较敏感的测井曲线；
或
重新将加窗处理后的训练样本分别输入对应的预构建的1维输入的TOC预测模型，对预构建的1维的输入TOC预测模型进行训练；
训练完成后，通过1维输入的TOC预测模型获取各测井曲线对应的预测结果并评估准确性，作为第二结果；
对各第二结果进行降序排序，排序后选取前N个第二结果对应的测井曲线作为对TOC含量预测较为敏感的测井曲线。
在一些优先的实时方式中，所述改进的1D U-Net网络中的编码器与解码器的同尺度特征在跨级连接时，经过卷积、残差连接处理后再进行拼接，其方法为：
将编码器中编码模块编码后的特征，通过N个依次相连的残差卷积模块进行处理，处理后，与所述解码器中的同尺度特征进行拼接，作为解码器中对应解码模块的输入；
所述残差卷积模块包括一个的卷积层、一个的残差层；所述残差卷积模 块用于将输入的特征分别进行卷积、残差处理，处理后进行相加。
在一些优选的实施方式中，对对预处理后的测井曲线进行加窗处理，其方法为：，是数据窗口的大小，表示第种测井曲线。
在一些优选的实施方式中，对各解码器输出的特征进行拉平融合，其方法为：对各解码器输出的多维度特征，将其转换成一维向量特征，之后进行拼接融合。
本发明的第二方面，提出了一种基于深度编码解码网络预测页岩总有机碳含量的系统，该系统包括：数据获取模块、预处理模块、预测模块；
所述数据获取模块，配置为基于目标页岩层待预测井位的测井数据，得到测井曲线；所述测井曲线包括放射性铀、放射性钍、放射性钾、声波时差、补偿中子、密度、岩性密度、深双侧向电阻率、浅双侧向电阻率、伽马测井曲线；
所述预处理模块，配置为对所述测井曲线进行预处理，得到预处理后的测井曲线；
所述预测模块，配置为对预处理后的测井曲线进行加窗处理，加窗处理后，输入预训练的TOC预测模型中，得到窗口中心点的TOC，作为目标页岩层待预测井位相应深度总有机碳含量的预测结果；
其中，所述TOC预测模型基于改进的1D U-Net网络构建，所述改进的1D U-Net网络中的编码器与解码器的同尺度特征在跨级连接时，经过卷积、残差连接处理后再进行拼接；另外，对各解码器输出的特征进行拉平融合，经过全连接层输出窗口中心点的TOC的预测值。
本发明的第三方面，提出了一种电子设备，至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的基于深度编码解码网络预测页岩总有机碳含量的方法。
本发明的第四方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现上述的基于深度编码解码网络预测页岩总有机碳含量的方法。
本发明的有益效果：
本发明提升了页岩层总有机碳含量预测的准确性与鲁棒性。
1）本申请通过改进的深度学习U-Net模型进行TOC曲线的预测，U-Net模型为数据驱动型模型，可提取高层次抽象模式，最大化地挖掘非线性函数映射关系，从而突破人类形式化地指定模型带来的限制，可以利用其强大的多层次多尺度建模能力，充分融合了多元多尺度非线性特征进行综合预测，使用所有测井参数分布式地自动学习TOC预测模式，提升TOC预测的准确性；
2）本发明推理多个测井参数与TOC之间的关联度，可以将训练完成的改进的U-Net模型进行梯度反传或将不同的测井曲线进行组合输入分析建模效果，从而理清变差因素，并忽略不相关因素，具有较好的鲁棒性和可解释性。
附图说明
通过阅读参照以下附图所做的对非限制性实施例所做的详细描述，本申请的其他特征、目的和优点将会变得更明显。
图1是本发明一种实施例的基于深度编码解码网络预测页岩总有机碳含量的方法的流程示意图；
图2是本发明一种实施例的基于深度编码解码网络预测页岩总有机碳含量的系统的框架示意图；
图3是本发明一种实施例的TOC预测模型训练与使用过程的流程示意图；
图4（a）、图4（b）是本发明一种实施例的TOC预测模型的结构示意图；
图5是本发明一种实施例的适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
本发明的一种基于深度编码解码网络预测页岩总有机碳含量的方法，如图1所示，该方法包括：
步骤S100，基于目标页岩层待预测井位的测井数据，得到测井曲线；所述测井曲线包括放射性铀、放射性钍、放射性钾、声波时差、补偿中子、密度、岩性密度、深双侧向电阻率、浅双侧向电阻率、伽马测井曲线；
步骤S200，对所述测井曲线进行预处理，得到预处理后的测井曲线；
步骤S300，对预处理后的测井曲线进行加窗处理，加窗处理后，输入预训练的TOC预测模型中，得到窗口中心点的TOC，作为目标页岩层待预测井位相应深度总有机碳含量的预测结果；
其中，所述TOC预测模型基于改进的1D U-Net网络构建，所述改进的1D U-Net网络中的编码器与解码器的同尺度特征在跨级连接时，经过卷积、残差连接处理后再进行拼接；另外，对各解码器输出的特征进行拉平融合，经过全连接层输出窗口中心点的TOC的预测值。
为了更清晰地对本发明基于深度编码解码网络预测页岩总有机碳含量的方法进行说明，下面结合附图对本发明方法一种实施例中各步骤进行展开详述。
在下述实施例中，先对TOC预测模型的训练过程进行阐述，再对基于深度编码解码网络预测页岩总有机碳含量的方法获取预测结果的过程进行详述。
1、TOC预测模型的训练过程，如图3所示
A10，采集目标页岩层训练井位的测井数据以及对应的TOC含量数据；基于所述测井数据，得到测井曲线，并将所述TOC含量数据作为真值标签；
在本实施例中，先采集目标页岩层多个井位的测井数据以及TOC含量数据，其中TOC含量数据是在实验室对打井过程中获得的岩芯进行总含碳量分析得到的数据，作为真实标签。基于获取的测井数据，得到测井曲线。本发明中优选10种测井曲线，用于对TOC预测模型进行训练，其中10种测井曲线，分别包括放射性铀、放射性钍、放射性钾、声波时差、补偿中子、密度、岩性密度、深双侧向电阻率、浅双侧向电阻率、伽马测井曲线。
A20，对测井曲线以及对应的TOC含量数据进行预处理，预处理后，按照设定比例划分为训练集和验证集；所述训练集中的测井曲线及对应的TOC含量的真值标签，作为训练样本；所述验证集中的测井曲线以及对应的TOC含量的真值标签，作为验证样本；
在本实施例中，预处理优选采用去除仪器响应等造成的数据异常值点，以及数据标准化处理。
A30，对预处理后的训练样本进行加窗处理，加窗处理后，输入预构建的TOC预测模型中，得到窗口中心点的TOC，作为目标页岩层相应深度的总有机碳含量的预测结果；
在本实施例中，先对预处理后的测井曲线进行加窗处理，将处理后的加窗测井曲 线作为模型的输入。加窗处理为：，是数据窗口的大小，表示第种测井 曲线。
其中，所述TOC预测模型在本发明中基于经典的1D U-Net网络改进后构建，输入上 使用多个通道（本发明中优选设置为10）的一维信号，且模型结构中的跨级连接不采用经典 的直接拼接方法，而是使用卷积和残差连接处理后进行特征拼接，可以减少编码器和解码 器特征之间的差距。如图4（a）和图4（b）所示。具体为：将编码器中编码模块编码后的特征， 通过N个依次相连的残差卷积模块进行处理，处理后，与所述解码器中的同尺度特征进行拼 接，作为解码器中对应解码模块的输入；残差卷积模块包括一个的卷积层、一个 的残差层；残差卷积模块用于将输入的特征分别进行卷积、残差处理，处理后进行相加。
然后，对各解码器输出的特征进行拉平融合，经过全连接层输出窗口中心点的TOC的预测值，所述拉平融合即对各解码器输出的多维度特征，将其转换成一维向量特征，之后进行拼接融合。不同于经典的1D U-Net模型中输入与输出大小一样。
A40，基于所述预测结果及其对应TOC含量的真值标签，计算损失值，并基于该损失值，更新所述TOC预测模型的模型参数；
A50，在每个训练周期，将加窗处理后的验证样本输入TOC预测模型，获取验证样本对应的目标页岩层相应深度的总有机碳含量的预测结果，并结合验证样本对应的TOC含量的真值标签求均方误差损失，当所述均方误差损失小于设定阈值后，结束模型训练，否则，跳转步骤A60；其中，训练周期根据实际情况而设定。
A60，循环执行步骤A10-步骤A40，直至达到设定的截止条件，得到训练好的TOC预测模型，所述截止条件包括训练次数、模型精度。
步骤A60后还包括对测井曲线的分析：
重新将加窗处理后的验证样本分别输入步骤A60训练好的TOC预测模型，得到各测井曲线对应的预测结果，作为第一结果；所述预测结果为目标页岩层相应深度的总有机碳含量的预测结果；
将所述第一结果进行梯度反传，得到各测井曲线对TOC预测模型的响应值，对响应值进行降序排序，选取前N个响应值对应的测井曲线作为对TOC含量预测较敏感的测井曲线；
或
重新将加窗处理后的训练样本分别输入对应的预构建的1维输入的TOC预测模型，对预构建的1维输入TOC预测模型进行训练；
训练完成后，通过1维输入的TOC预测模型获取各测井曲线对应的预测结果并评估准确性（准确性的评估方法为：计算预测结果与测井曲线对应的TOC含量的真值标签的差值，根据差值大小进行准确性的评估），作为第二结果；即第二结果为预测结果对应的准确性。
对各第二结果进行降序排序，排序后选取前N个第二结果对应的测井曲线作为对TOC含量预测较为敏感的测井曲线；
或
首先使用加窗处理后的单个训练样本（测井曲线）进行输入，分别构建１维输入的TOC预测模型进行训练和评估，根据模型预测效果进行排序。之后将预测效果较好的前几种测井曲线进行组合作为输入，构建新的多维（维度根据前几种测井曲线的数量设定）输入的TOC预测模型进行训练并评估，比较各种情况的差异性，最终选择N种或以上的较敏感测井曲线，用于后续的页岩总有机碳含量的预测。本发明中N优选设置为3。
2、基于深度编码解码网络预测页岩总有机碳含量的方法
步骤S100，基于目标页岩层待预测井位的测井数据，得到测井曲线；所述测井曲线包括放射性铀、放射性钍、放射性钾、声波时差、补偿中子、密度、岩性密度、深双侧向电阻率、浅双侧向电阻率、伽马测井曲线；
在本实施例中，先获取目标页岩层待预测井位的测井数据，得到测井曲线。
步骤S200，对所述测井曲线进行预处理，得到预处理后的测井曲线；
步骤S300，对预处理后的测井曲线进行加窗处理，加窗处理后，输入预训练的TOC预测模型中，得到窗口中心点的TOC，作为目标页岩层待预测井位相应深度总有机碳含量的预测结果；
其中，所述TOC预测模型基于改进的1D U-Net网络构建，所述改进的1D U-Net网络中编码器与解码器的同尺度特征在跨级连接时，经过卷积、残差连接处理后再进行拼接；另外，对各解码器输出的特征进行拉平融合，经过全连接层输出窗口中心点的TOC的预测值。
在本实施例中，对预处理后的测井曲线进行加窗处理，处理后，输入训练好的TOC预测模型中，得到窗口中心点的TOC线，作为作为目标页岩层待预测井位相应深度总有机碳含量的预测结果。
本发明第二实施例的一种基于深度编码解码网络预测页岩总有机碳含量的系统，如图2所示，该系统包括：数据获取模块100、预处理模块200、预测模块300；
所述数据获取模块100，配置为基于目标页岩层待预测井位的测井数据，得到测井曲线；所述测井曲线包括放射性铀、放射性钍、放射性钾、声波时差、补偿中子、密度、岩性密度、深双侧向电阻率、浅双侧向电阻率、伽马测井曲线；
所述预处理模块200，配置为对所述测井曲线进行预处理，得到预处理后的测井曲线；
所述预测模块300，配置为对预处理后的测井曲线进行加窗处理，加窗处理后，输入预训练的TOC预测模型中，得到窗口中心点的TOC，作为目标页岩层待预测井位相应深度总有机碳含量的预测结果；
其中，所述TOC预测模型基于改进的1D U-Net网络构建，所述改进的1D U-Net网络中编码器与解码器的同尺度特征在跨级连接时，经过卷积、残差连接处理后再进行拼接；另外，对各解码器输出的特征进行拉平融合，经过全连接层输出窗口中心点的TOC的预测值。
所述技术领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的系统具体的工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的基于深度编码解码网络预测页岩总有机碳含量的系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明第三实施例的一种电子设备，至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的基于深度编码解码网络预测页岩总有机碳含量的方法。
本发明第四实施例的一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现上述的基于深度编码解码网络预测页岩总有机碳含量的方法。
所述技术领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的设备、计算机可读存储介质的具体工作过程及有关说明，可以参考前述方法实例中的对应过程，在此不再赘述。
下面参考图5，其示出了适于用来实现本申请方法、系统、装置实施例的服务器的计算机系统的结构示意图。图5示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示，计算机系统包括中央处理单元(CPU，Central Processing Unit)501，其可以根据存储在只读存储器(ROM，Read Only Memory)502中的程序或者从存储部分508加载到随机访问存储器(RAM，Random Access Memory)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统操作所需的各种程序和数据。CPU501、ROM 502以及RAM503通过总线504彼此相连。输入/输出(I/O，Input/Output)接口505也连接至总线504。
以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT，Cathode Ray Tube)、液晶显示器(LCD，Liquid Crystal Display)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN(局域网，Local AreaNetwork)卡、调制解调器等的网络接口卡的通讯部分509。通讯部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通讯部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU501执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
术语“第一”、 “第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种台风动态监视系统