基于分子间相互作用的汽油辛烷值预测方法及设备

1.本技术涉及汽油辛烷值预测，尤其涉及一种基于分子间相互作用的汽油辛烷值预测方法及设备。


背景技术：

2.汽油是最重要的石油化工产品之一。成品油是通过多种组分油调和而来的，包括催化裂化、加氢、烷基化、重整、直馏汽油等。不同种类的汽油物流组成和性质差别很大。炼厂调和配方的优化需要准确预测每个“调和组分”和成品油的宏观性质。在所有涉及的宏观性质中，辛烷值的预测是长期以来最困难的。准确预测辛烷值要解决两个方面的问题。一方面，由于辛烷值对分子结构高度敏感，甲基位置的变化也会导致辛烷值的显著差异，分子燃烧速度的大小依赖于分子的热稳定性，而它又与分子的结构高度相关，因此，辛烷值与汽油的分子组成紧密相关，想要准确预测辛烷值，需要建立分子结构与辛烷值之间的定量关系，从而了解不同结构对辛烷值的贡献。另一方面，辛烷值在混合过程中会呈现强烈的非线性，既有协同作用，又存在拮抗作用，由于辛烷值高度的非线性，还需要探究不同种类汽油组分之间的相互作用关系并确定其混合规律，其混合规律可以帮助我们充分利用各组分的协同作用来提高汽油的质量。
3.研究人员已经开发了多种汽油混合物辛烷值预测方法，主要分为基于宏观性质混合的、基于光谱技术的和基于汽油分子集总的方法。由于辛烷值是通过将测试燃料的行为与由其液体体积分数定义的正庚烷和异辛烷混合物的行为进行比较来确定的。研究者们采用几种化合物的组合(正庚烷、异辛烷和甲苯)来替代并模拟实际的汽油燃料，同时对其混合行为进行详细的描述。
4.但是实际汽油的分子组成和混合效果极其复杂，由汽油替代混合物开发的辛烷值预测模型在应用到汽油调合时会出现较大的误差。因此，上述方法具有共同的缺点：忽略汽油分子层次的信息，没有探究汽油不同类型分子间的相互作用关系。


技术实现要素：

5.本技术提供一种基于分子间相互作用的汽油辛烷值预测方法及设备，用以解决汽油替代混合物开发的辛烷值预测模型忽略汽油分子层次的信息，没有探究汽油不同类型分子间的相互作用关系的问题。
6.第一方面，本技术提供一种基于分子间相互作用的汽油辛烷值预测方法，包括：
7.基于汽油分子间六大族类的相互作用，构建任一两族的相互作用关系等式，其中，所述六大族类的相互作用包括链烷烃和烯烃、链烷烃和芳香烃、烯烃和环烷烃、环烷烃和芳香烃、烯烃和芳香烃以及含氧化合物和烃类之间的相互作用；
8.基于任一两族的相互作用关系等式，构建汽油分子间非线性的分子相互作用函数；
9.基于分子相互作用函数，得到预测汽油辛烷值的混合方程。
10.在一种可能的设计中，所述基于汽油分子间六大族类的相互作用，构建任一两族的相互作用关系等式，包括基于瑞利分布函数构建由两个参数调整曲线变化的任一两族的相互作用关系等式：
11.其中，δon
ij
为i和j两个族类的相互作用函数；k
ij_a
和k
ij_b
是二元交互作用参数；vi和vj分别对应i和j两个族类的体积分数。
12.在一种可能的设计中，所述基于任一两族的相互作用关系等式，构建汽油分子间非线性的分子相互作用函数：
13.on
nonlinear
＝∑i∑jδon
ij
，其中，on
nonlinear
为非线性的分子相互作用函数；δon
ij
为i和j两个族类的相互作用函数。
14.在一种可能的设计中，所述基于分子相互作用函数，得到预测汽油辛烷值的混合方程之前，还包括：获取并基于三元混合物的辛烷值，构建线性混合函数，其中，所述三元混合物的辛烷值为已知辛烷值数据的三元混合物。
15.在一种可能的设计中，所述线性混合函数为：
16.on
linear
＝∑ivioni，其中，on
linear
为线性的分子相互作用函数；vi是分子i的体积分数；oni是分子i的辛烷值。
17.在一种可能的设计中，所述基于分子相互作用函数，得到预测汽油辛烷值的混合方程之前，还包括：将构建的线性混合函数和分子相互作用函数相加，得到预测汽油辛烷值的混合方程：
18.on＝on
linear
+on
nonlinear
，其中，on为混合后的分子相互作用函数；on
linear
为线性的分子相互作用函数；on
nonlinear
为非线性的分子相互作用函数。
19.在一种可能的设计中，所述二元交互作用参数的取值方法为：采用遗传算法进行拟合得到参数，然后将遗传算法输出的参数作为初始值输入到局部优化算法中进行优化输出。
20.在一种可能的设计中，所述局部优化算法采用序列二次规划算法，所述序列二次规划算法的上限和下限分别设置为原参数的120％和80％。
21.第二方面，本技术提供一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；
22.所述存储器存储计算机执行指令；
23.所述处理器执行所述存储器存储的计算机执行指令，以实现基于分子间相互作用的汽油辛烷值预测方法。
24.第三方面，本技术提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现基于分子间相互作用的汽油辛烷值预测方法。
25.本技术提供的基于分子间相互作用的汽油辛烷值预测方法及设备，通过基于汽油分子间六大族类的相互作用，构建任一两族的相互作用关系等式，基于任一两族的相互作用关系等式，构建汽油分子间非线性的分子相互作用函数，基于分子相互作用函数，得到预测汽油辛烷值的混合方程，实现对汽油混合物从分子层面进行模型构建，从而避免在模拟过程中忽略汽油不同类型分子间的相互作用关系，使得模拟过程更加贴近真实情况，模拟
后得到的数据误差小，结果更加可靠，有利于从理论上指导不同牌号商品汽油的配方调和过程，避免调和过程中石油原材料的浪费。
附图说明
26.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
27.图1为本技术基于分子间相互作用的汽油辛烷值预测方法流程图；
28.图2为本技术拟合汽油混合过程中发生的正、负效应和线性混合示意图；
29.图3为本技术辛烷值混合规则示意图；
30.图4为本技术研究法辛烷值数据的分布情况以及实际汽油和三元混合物的预测值和实验值的对比图；
31.图5为本技术马达法辛烷值实验数据的分布情况以及实际汽油和三元混合物的预测值和实验值的对比图；
32.图6为本技术三元混合物的实验、线性和非线性混合值之间的比较结果示意图；
33.图7为本技术链烷烃与不同类型烃类混合后法辛烷值随体积分数的变化趋势示意图；
34.图8为本技术不同汽油物流法辛烷值和马达法辛烷值的实验值和预测值的比较示意图；
35.图9为本技术电子设备结构示意图。
36.通过上述附图，已示出本技术明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本技术构思的范围，而是通过参考特定实施例为本领域技术人员说明本技术的概念。
具体实施方式
37.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
38.首先对本技术所涉及的名词进行解释：
39.三元混合物：是指从api research project 45中搜集的汽油替代混合物的统称，由48％体积分数的2,2,4-三甲基戊烷、32％的正庚烷和20％的其他化合物构成，其中，其他化合物包括240种不同类型的烃类化合物。
40.api research project 45：是指一种包含分子组成、质量分数以及辛烷值的数据手册。
41.遗传算法：是指在辛烷值预测方法中的一种通用算法，通过输入分子组成、质量分数以及辛烷值后，能够输出交互作用参数。
42.序列二次规划算法：是指解决目标函数或约束条件中包含非线性函数的规划问题，本技术中用于进一步优化遗传算法输出的交互作用参数。
43.本技术主要应用于模拟不同牌号商品汽油调和过程的辛烷值预测模型中。现有汽
油中所含的化合物已经能够通过气相色谱技术进行分析，获取分子定性和定量的信息，但准确预测汽油辛烷值仍然十分困难，主要原因在于汽油混合时同时存在线性和非线性行为，线性行为相对容易通过几种主要化合物进行模拟，但非线性行为不能简单通过以往几种化合物的组合(正庚烷、异辛烷和甲苯)模拟汽油燃料分析得到，会产生较大误差，这主要是由于非线性的本质是汽油混合时不同类型分子相互作用(协同和拮抗作用)的结果，因此，如何探究并确定汽油中不同类型分子之间的相互作用关系至关重要，这就需要开发一种相互作用函数来准确描述分子间的非线性行为，使模型能够具有较好的预测和泛化性能。
44.本技术提供的汽油辛烷值预测方法，旨在解决现有技术的如上技术问题。
45.下面以具体地实施例对本技术的技术方案以及本技术的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本技术的实施例进行描述。
46.图1为本技术基于分子间相互作用的汽油辛烷值预测方法流程图。如图1所示，该方法包括：
47.s101、基于汽油分子间六大族类的相互作用，构建任一两族的相互作用关系等式，其中，六大族类的相互作用包括链烷烃和烯烃、链烷烃和芳香烃、烯烃和环烷烃、环烷烃和芳香烃、烯烃和芳香烃以及含氧化合物和烃类之间的相互作用。
48.汽油分子间六大族类的相互作用是混合规则的核心部分。首先，汽油分子被分成p/i/o/n/a/oxy六大族类，而分子相互作用是由六对相互作用组成，包括链烷烃和烯烃、链烷烃和芳香烃、烯烃和环烷烃、环烷烃和芳香烃、烯烃和芳香烃以及含氧化合物和烃类之间的相互作用，因此，需要用两个相互作用的族类参数来调控分子间相互作用的曲线变化关系，这里的两个相互作用的族类参数为上述六对相互作用关系之一。
49.图2为本技术拟合汽油混合过程中发生的正、负效应和线性混合示意图。采用二元交互作用参数作为控制曲线形状变化的控制量，拟合汽油混合过程中发生的正、负效应或线性混合。当二元交互作用参数为正数时，表明相互作用对混合物的辛烷值产生有利影响，此时，随着两个族类的相互作用函数的增大，变化曲线会逐渐突出，如图2b所示；相反，当二元交互作用参数为负数时，表明相互作用对混合物的辛烷值产生不利影响，此时，随着两个族类的相互作用函数的增大，变化曲线会逐渐凹陷，如图2c所示；特殊的，当二元交互作用参数为0时，表明相互作用对混合物的辛烷值没有贡献，如图2a所示。
50.s102、基于任一两族的相互作用关系等式，构建汽油分子间非线性的分子相互作用函数。
51.将步骤s101中得到的所有任一两族的相互作用关系等式进行加和，即为所有汽油分子间非线性的分子相互作用函数。
52.s103、基于分子相互作用函数，得到预测汽油辛烷值的混合方程。
53.将步骤s102中得到的非线性的分子相互作用函数与预先解算出的线性的分子相互作用函数相加即为预测的汽油辛烷值，其中，线性的分子相互作用函数为通过已知汽油燃料混合物的辛烷值确定，即加和求解汽油燃料中所有分子辛烷值的线性体积混合值。
54.本实施例通过基于汽油分子间六大族类的相互作用，构建任一两族的相互作用关系等式，基于任一两族的相互作用关系等式，构建汽油分子间非线性的分子相互作用函数，
基于分子相互作用函数，得到预测汽油辛烷值的混合方程，实现对汽油混合物从分子层面进行模型构建，从而避免在模拟过程中忽略汽油不同类型分子间的相互作用关系，使得模拟过程更加贴近真实情况，模拟后得到的数据误差小，结果更加可靠，有利于从理论上指导不同牌号商品汽油的配方调和过程，避免调和过程中石油原材料的浪费。
55.下面采用一种可能的实施例进行进一步陈述，用来说明具体如何实现基于分子间相互作用的汽油辛烷值预测方法。
56.图3为本技术辛烷值混合规则示意图。如图3所示，预测汽油辛烷值的混合方程包括两部分，即线性部分和非线性部分。
57.通过分析三元混合物的辛烷值，研究不同类型分子之间的相互作用关系，从而确定汽油分子间的相互作用关系。具体过程为：
58.从api research project 45中搜集了三元混合物的辛烷值实验数据，其中三元混合物是由48％体积分数的2，2，4-三甲基戊烷、32％的正庚烷和20％的其他化合物构成。将2，2，4-三甲基戊烷和正庚烷作为一个整体来研究它们与其他化合物之间的相互作用关系。然后计算它们与链烷烃、烯烃、环烷烃和芳香烃的线性混合值，并与实验辛烷值进行比较。发现链烷烃与链烷烃、链烷烃和环烷烃之间几乎没有相互作用，链烷烃与烯烃、链烷烃与芳烃之间存在协同效应。由于数据库中没有烯烃、环烷烃和芳香烃之间的辛烷值实验数据，因此无法研究它们之间的相互作用关系，因此，需要在这里先假设烯烃与环烷烃、烯烃与芳香烃、环烷烃与芳香烃存在相互作用。此外，生产的汽油总是含有少量的含氧添加剂，含氧化合物和烃类之间可能存在协同或拮抗作用，因此增加了它们之间的交互作用参数。
59.具体的，线性部分是汽油燃料中存在的所有分子的辛烷值的线性体积混合值，其计算公式为：
60.on
linear
＝∑ivioni，
61.其中，on
linear
为线性的分子相互作用函数；vi是分子i的体积分数；oni是分子i的辛烷值。混合物中所含分子的oni可以是实验值，或者是用预开发的结构性质关联模型得到的计算值。
62.汽油分子被分成p/i/o/n/a/oxy六大族类，而分子相互作用是由六对相互作用组成，包括链烷烃和烯烃、链烷烃和芳香烃、烯烃和环烷烃、环烷烃和芳香烃、烯烃和芳香烃以及含氧化合物和烃类之间的相互作用。
63.具体的，非线性部分是通过拟合所有族类的相互作用函数后得到的汽油分子间非线性等式：
64.on
nonlinear
＝∑i∑
j δon
ij
，
65.其中，on
nonlinear
为非线性的分子相互作用函数；δon
ij
为i和j两个族类的相互作用函数。
66.进一步的，参考瑞利分布函数构建两个族类的相互作用关系，公式如下：
[0067][0068]
其中，k
ij_a
和k
ij_b
是二元交互作用参数；vi和vj分别对应i和j两个族类的体积分数。
[0069]
进一步的，二元交互作用参数的取值方法为：采用遗传算法进行拟合得到参数，然
后将遗传算法输出的参数作为初始值输入到局部优化算法中进行优化输出。
[0070]
在一种可能的设计中，局部优化算法采用序列二次规划算法，序列二次规划算法的上限和下限分别设置为原参数的120％和80％。遗传算法虽然拥有较好的全局搜索能力，但在庞大的搜索空间中也难以获得最优解，因此，将遗传算法输出的参数作为初始值输入到序列二次规划算法(sqp)中。sqp优化算法需要一个合理的上限和下限，经过反复试验，确定上限和下限分别为原参数乘以120％和80％，将二元交互作用参数在特定空间中不断优化，寻求更好的解。
[0071]
二元交互作用参数k
ij_a
和k
ij_b
控制着曲线变化的形状。如果k
ij_a
大于0，则相互作用对混合物的辛烷值产生有利影响。而且，随着δon
ij
的增大，变化曲线会逐渐凸出。相反，如果k
ij_a
小于0，则相互作用会对混合物的辛烷值产生不利影响。特殊的情况是k
ij_a
等于0，表明相互作用对混合物的辛烷值没有贡献。
[0072]
因此，最终得到预测辛烷值混合规则的混合方程为：
[0073]
on＝on
linear
+on
nonlinear
＝∑ivioni+∑i∑jδon
ij
，
[0074]
其中，on为混合后的分子相互作用函数。
[0075]
通过验证实验检验构建的混合方程是否满足设计需求。在一具体验证实验中，收集已知的231组汽油分子组成数据和相对应的法辛烷值ron数据(马达法辛烷值mon为170组)，其中汽油分子定性和定量的数据是通过气相色谱分析检测的。此外，从api research project 45中搜集了248种三元混合物(马达法辛烷值mon为244)的法辛烷值ron，从文献中收集了90组汽油替代混合物的数据(马达法辛烷值mon为50)。因此，建立的数据库包含569 ron和464 mon实验数据。将建立的数据库带入由混合方程构建的模型中，计算辛烷值的预测值，并将预测值与实验值相对比，验证上述混合方程的预测能力和外推性能是否可靠。
[0076]
混合方程函数总共需要拟合12个参数。表1和表2分别列出了优化的ron和mon的12个参数的具体数值。
[0077]
表1采用遗传算法和sqp算法优化的研究法辛烷值二元交互参数矩阵
[0078][0079][0080]
表2优化的马达法辛烷值二元交互参数矩阵
[0081][0082]
图4为本技术研究法辛烷值数据的分布情况以及实际汽油和三元混合物的预测值和实验值的对比图。其中，图4a为法辛烷值实验数据的分布情况图，图4b为实际汽油法辛烷值的预测值和实验值的对比图，图4c为三元混合物法辛烷值的预测值和实验值的对比图。如图4b和4c所示，可以发现，实际汽油的平均绝对误差小于1个单位，说明该模型具有良好的训练效果，但是，三元混合物的平均绝对误差达到了3.64个单位，较大的误差是可以接受的，因为三元混合物仅训练了二元交互作用参数的作用。
[0083]
与图4相对应的，图5为本技术马达法辛烷值实验数据的分布情况以及实际汽油和三元混合物的预测值和实验值的对比图。其中，图5a为马达法辛烷值实验数据的分布情况图，图5b为实际汽油马达法辛烷值的预测值和实验值的对比图，图5c为三元混合物马达法辛烷值的预测值和实验值的对比图。与上述法辛烷值实验数据误差接近，因此具有相同的结论。
[0084]
更进一步的，采用以下三种不同的方式对模型的预测能力和外推性能进行验证。
[0085]
图6为本技术三元混合物的实验、线性和非线性混合值之间的比较结果示意图。如图6所示，该模型很好地拟合了三元混合物的辛烷值，但有些分子的误差较大。因为该模型训练的是p/i/o/n/a/oxy族类之间的二元交互作用参数，而不是每个分子。
[0086]
图7为本技术链烷烃(2,2,4-三甲基戊烷和正庚烷)与不同类型烃类混合后法辛烷值随体积分数的变化趋势示意图。采用随体积分数增加辛烷值的变化曲线来验证模型是否过拟合。如图7所示，每个烃类分子在只有一个实验点的情况下，模型依旧能够预测混合物辛烷值随体积分数的变化趋势，证明了模型没有过拟合和强大的预测能力。
[0087]
图8为本技术不同汽油物流法辛烷值和马达法辛烷值的实验值和预测值的比较示意图。为了验证对不在训练集中的汽油燃料的预测能力，选择了不同的工艺物流进行验证，包括直馏、烷基化、加氢、催化裂化、重整和混合汽油。如图8所示，预测的辛烷值与实验值基本一致，研究法辛烷值平均绝对误差小于0.6个单位，马达法辛烷值的平均绝对误差小于0.8个单位，证明了模型没有过拟合，满足预测需求。
[0088]
本实施例首先通过三元混合物辛烷值实验数据来研究不同类型分子间的相互作用关系，然后基于上述关系构建混合方程，用混合方程中的分子相互作用函数来详细描述分子之间的非线性行为，并结合遗传算法和序列二次规划算法拟合分子相互作用函数中的二元交互作用参数，最后通过多组数据库验证用上述混合方程构建的模型是否满足实际汽油的预测能力和外推性能。
[0089]
图9为本技术电子设备结构示意图。如图9所示，本实施例提供了一种电子设备，包括存储器902和处理器901，存储器902用于存储程序，存储器902可通过总线903与处理器901连接。存储器902可以是非易失存储器，例如硬盘驱动器和闪存，存储器902中存储有软件程序和设备驱动程序。软件程序能够执行本发明实施例提供的上述方法的各种功能；设备驱动程序可以是网络和接口驱动程序。处理器901用于执行软件程序，该软件程序被执行时，能够实现本发明实施例的基于分子间相互作用的汽油辛烷值预测方法：
[0090]
具体地，处理器901基于汽油分子间六大族类的相互作用，构建任一两族的相互作用关系等式，包括：基于瑞利分布函数构建由两个参数调整曲线变化的任一两族的相互作用关系等式：
[0091]
其中，δon
ij
为i和j两个族类的相互作用函数；k
ij_a
和k
ij_b
是二元交互作用参数；vi和vj分别对应i和j两个族类的体积分数。
[0092]
具体的，二元交互作用参数的取值方法为：采用遗传算法进行拟合得到参数，然后将遗传算法输出的参数作为初始值输入到局部优化算法中进行优化输出，其中，局部优化算法采用序列二次规划算法，序列二次规划算法的上限和下限分别设置为原参数的120％和80％，使模型能够具有较好的预测和泛化性能。
[0093]
处理器901基于任一两族的相互作用关系等式，构建汽油分子间非线性的分子相互作用函数：
[0094]
on
nonlinear
＝∑i∑jδon
ij
，其中，on
nonlinear
为非线性的分子相互作用函数；δon
ij
为i和j两个族类的相互作用函数。
[0095]
处理器901基于分子相互作用函数，得到预测汽油辛烷值的混合方程之前，还包括：获取并基于三元混合物的辛烷值，构建线性混合函数，其中，三元混合物的辛烷值为已知辛烷值数据的三元混合物。
[0096]
具体的，线性混合函数为：
[0097]
on
linear
＝∑ivioni，其中，on
linear
为线性的分子相互作用函数；vi是分子i的体积分数；oni是分子i的辛烷值。
[0098]
处理器901基于分子相互作用函数，得到预测汽油辛烷值的混合方程之前，还包括：将构建的线性混合函数和分子相互作用函数相加，得到预测汽油辛烷值的混合方程：
[0099]
on＝on
linear
+on
nonlinear
，其中，on为混合后的分子相互作用函数；on
linear
为线性的分子相互作用函数；on
nonlinear
为非线性的分子相互作用函数。
[0100]
本实施例提供的电子设备，可用于执行上述基于分子间相互作用的汽油辛烷值预测方法，其实现原理和技术效果类似，本实施例此处不再赘述。
[0101]
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现本发明实施例提供的基于分子间相互作用的汽油辛烷值预测方法。
[0102]
本实施例提供的计算机可读存储介质，可用于执行上述基于分子间相互作用的汽油辛烷值预测方法，其实现原理和技术效果类似，本实施例此处不再赘述。
[0103]
专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬
件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0104]
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
[0105]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本技术的一般性原理并包括本技术未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本技术的真正范围和精神由下面的权利要求书指出。
[0106]
应当理解的是，本技术并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本技术的范围仅由所附的权利要求书来限制。