储层含油气性预测方法、装置、计算机设备及存储介质

1.本文涉及油气勘探领域，尤其是一种储层含油气性预测方法、装置、计算机设备及存储介质。


背景技术：

2.石油勘探行业主要利用生、储、盖、圈、运、保六个成藏要素对油气成藏有利区进行剖析。具体的，利用该六个成藏要素对油气成藏有利区进行剖析的方法主要包括专家打分综合法、层次分析法、数据包络分析法、模糊综合评判法、灰色综合评价法及物元分析法。专家打分综合法在主控因素的选取、主控因素的权重、各目标区带成藏要素的定量化分析等方面均以人为主观评价为主要赋值方法，预测结果的准确性、科学性均受到极大的限制。层次分析法、数据包络分析法、模糊综合评判法、灰色综合评价法及物元分析法以操作者的主观思维为主要的赋值基础，具有一定局限性。
3.另外，现有技术中为解决主观评价的影响，还提出了使用单一成藏要素有利区叠合法或综合成藏要素指标法进行油气有利区预测。单一成藏要素有利区叠合法过于强调单一要素对油气成藏的控制作用，忽略油气成藏是各成藏要素耦合的结果；综合成藏要素指标法虽然考虑了各成藏要素的耦合关系，但各成藏要素的比重固定，该比重固定值是通过人为经验设置的，极易忽视各个成藏要素对油气控制作用的差异，导致有利区预测结果的准确性较低。
4.针对目前常规油气有利区预测准确性低的问题，需要一种储层含油气性预测方法及装置。


技术实现要素：

5.为解决上述现有技术的问题，本文实施例提供了一种储层含油气性预测方法、装置、计算机设备及存储介质，解决了现有技术中的问题。
6.本文实施例提供了一种储层含油气性预测方法，包括：获取研究区目的储层图，所述研究区目的储层图包括：孔隙度等值线图、渗透率等值线图、构造等高线图、供烃烃源岩排烃强度图；根据所述研究区目的储层图，计算实时储层数据；所述实时储层数据包括实时孔隙度相指数、实时渗透率相指数、实时相对构造指数、实时油源指数；根据储层含油气性预测模型及所述实时储层数据，确定储层含油气性结果，其中，所述储层含油气性预测模型根据样本数据集，采用欠采样机器学习训练得到，所述样本数据集包括：历史孔隙度相指数、历史渗透率相指数、历史相对构造指数、历史油源指数及其对应的储层含油气性结果标签。
7.根据本文实施例的一个方面，所述根据研究区目的储层图计算实时储层数据包括：网格化所述研究区目的储层图，计算图中各个网格的实时孔隙度相指数、实时渗透率相指数、实时相对构造指数、实时油源指数。
8.根据本文实施例的一个方面，所述储层含油气性预测模型训练过程包括：获取测
井解释数据、各含油层系构造形态特征图及供烃烃源岩排烃强度图；根据所述测井解释数据，计算各储层的历史孔隙度相指数、历史渗透率相指数及含油气性结果标签；根据各含油层系构造形态特征图，计算各储层的历史相对构造指数；根据所述供烃烃源岩排烃强度图，计算各储层的历史油源指数，根据各储层的所述历史孔隙度相指数、历史渗透率相指数、历史相对构造指数、历史油源指数及含油气性结果标签，确定样本数据集；对所述样本数据集中每一样本数据赋予权重；设置欠采样比例，根据所述欠采样比例、所述样本数据集及所述样本数据集中每一样本数据的权重，采用机器学习算法训练得到储层含油气性预测模型。
9.根据本文实施例的一个方面，所述根据所述欠采样比例、所述样本数据集及所述样本数据集中每一样本数据的权重，采用机器学习算法训练得到储层含油气性预测模型包括：根据所述欠采样比例及所述样本数据集中每一样本数据的权重，从所述样本数据集中筛选一子数据集；根据所述子数据集训练子分类模型中的参数；根据子分类模型训练过程中得到的预测值及其对应的储层含油气性结果标签，构造子分类模型的损失函数；根据所述子分类模型的损失函数，确定所述子分类模型的权重；根据所述子分类模型的权重，更新所述样本数据集中每一样本数据的权重；根据所述欠采样比例及更新后样本数据集中每一样本数据的权重，重新从所述样本数据集中筛选一子数据集，重复上述训练子分类模型中的参数及其之后的步骤，直至达到设置的模型训练次数为止；根据每次训练得到的子分类模型及其权重，确定所述储层含油气性预测模型。
10.根据本文实施例的一个方面，所述根据所述测井解释数据，计算各储层的历史孔隙度相指数包括：
11.根据所述测井解释数据中的测井解释孔隙度及测井深度，利用如下公式计算各特征深度区间的油气成藏概率：根据所述油气成藏概率，利用如下公式计算多个深度段的孔隙度相指数：其中，fi_por
in
为第i特征深度段第n各孔隙度区间的孔隙度相指数；为第i特征深度段第n个孔隙度区间的油气成藏概率；ai、bi、ci为第i特征深度段孔隙度预测油气成藏概率数值模型的待定系数；por
in
为第i个深度段第n各孔隙度区间的中值。
12.根据本文实施例的一个方面，所述根据测井解释数据，计算各储层的历史渗透率相指数包括：根据所述测井解释数据中的测井解释渗透率及测井深度，利用如下公式计算各特征深度区间的油气成藏概率：根据所述测井解释渗透率，利用如下公式计算各特征深度区间的油气成藏概率：根据所述油气成藏概率，利用如下公式计算多个深度段的渗透率相指数：其中fi_permi为第i特征深度段第n各孔隙度区间的渗透率相指数；为第i个深度段第n各渗透率区间的预测油气成藏概率；perm
in
为第i个深度段第n各渗透率区间的对数中值；di，gi，fi为第i个特征深度段孔隙度预测油气成藏概率数值模型的待定系数。
13.根据本文实施例的一个方面，根据各含油层系构造形态特征图，计算各储层的历
史相对构造指数包括：根据所述各含油层系构造形态特征图中的顶底构造形态确定多个构造单元；将多个构造单元内局部构造高点的相对构造指数赋值为1，对构造溢出点的相对构造指数赋值为0.5，对构造最低点相对构造指数赋值为0；在各构造单元内，在局部构造高点及构造溢出点间均匀插值，在构造溢出点及构造最低点内均匀插值，得到目的储层相对构造指数。
14.根据本文实施例的一个方面，根据所述供烃烃源岩排烃强度图，计算各储层的历史油源指数包括：根据所述供烃烃源岩排烃强度图获取研究区目的储层供烃的烃源岩层位的排烃强度；根据所述研究区目的储层供烃的烃源岩层位的排烃强度分布特征，确定油源指数。
15.作为本文的一个实施例，根据研究区目的储层供烃烃源岩层位的排烃强度分布特征，确定油源指数，包括：当所述研究区目的储层的至少一部分位于供烃烃源岩排烃边界内部时，根据所述研究区内排烃强度数值分布特征对各油藏的油源指数赋值；当所述研究区完全位于供烃烃源岩排烃边界外部时，根据所述研究区目的储层各油藏与供烃烃源岩排烃强度边界的最小距离对各油藏的油源指数赋值。
16.本文的实施例还提供了一种储层含油气性预测装置，包括：
17.研究区目的储层图获取单元，用于获取研究区目的储层图，所述研究区目的储层图包括：孔隙度等值线图、渗透率等值线图、构造等高线图、供烃烃源岩排烃强度图；
18.实时储层数据计算单元，用于根据所述研究区目的储层图，计算实时储层数据；所述实时储层数据包括实时孔隙度相指数、实时渗透率相指数、实时相对构造指数、实时油源指数；
19.储层含油气性结果确定单元，用于根据储层含油气性预测模型及所述实时储层数据，确定储层含油气性结果，其中，所述储层含油气性预测模型根据样本数据集，采用欠采样机器学习训练得到，所述样本数据集包括：历史孔隙度相指数、历史渗透率相指数、历史相对构造指数、历史油源指数及其对应的储层含油气性结果标签。
20.本文实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
21.本文实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现上述的方法。
22.利用本文实施例，可以实现自动化预测油气有利区，减少人工操作，极大提高生产效率，提高油气层预测的准确性。
附图说明
23.为了更清楚地说明本文实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本文的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
24.图1所示为本文实施例一种储层含油气性预测方法的流程图；
25.图2所示为本文实施例一种储层含油气性预测模型的模型训练的方法流程图；
26.图3所示为本文实施例一种储层含油气性预测模型的模型训练的方法流程图；
27.图4所示为本文实施例各深度段孔隙度区间成藏概率分布及构建历史孔隙度相指数计算公式的示意图；
28.图5所示为本文实施例各深度段渗透率区间成藏概率分布及构建历史渗透率相指数计算公式的示意图；
29.图6所示为本文实施例一种构建历史相对构造指数计算方法的示意图；
30.图7a所示为本文实施例一种排烃强度指数等值线示意图；
31.图7b所示为本文实施例一种油源指数等值线示意图；
32.图8a所示为本文实施例束鹿凹陷晋93井区沙二段已探明储量分布图；
33.图8b所示为本文实施例束鹿凹陷晋93井区沙二段智能预测含油气面积分布图；
34.图9所示为本文实施例一种储层含油气性预测装置的结构示意图；
35.图10所示为本文实施例储层含油气性预测装置的具体结构示意图；
36.图11所示为本文实施例一种计算机设备的结构示意图。
37.附图符号说明：
38.901、研究区目的储层图获取单元；
39.902、实时储层数据计算单元；
40.903、储层含油气性结果确定单元；
41.9011、网格化处理模块；
42.9021、实时孔隙度相指数计算模块；
43.9022、实时渗透率相指数计算模块；
44.9023、实时相对构造指数确定模块；
45.9024、实时油源指数确定模块；
46.9031、样本数据集确定模块；
47.9032、子数据集确定模块；
48.9033、模型训练模块；
49.1102、计算机设备；
50.1104、处理器；
51.1106、存储器；
52.1108、驱动机构；
53.1110、输入/输出模块；
54.1112、输入设备；
55.1114、输出设备；
56.1116、呈现设备；
57.1118、图形用户接口；
58.1120、网络接口；
59.1122、通信链路；
60.1124、通信总线。
具体实施方式
61.为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本文实
施例中的附图，对本文实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本文一部分实施例，而不是全部的实施例。基于本文中的实施例，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，都属于本文保护的范围。
62.需要说明的是，本文的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
63.本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或装置产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。
64.需要说明的是，本文的储层含油气性预测方法和装置可用于石油勘探领域。
65.如图1所示为本文实施例一种储层含油气性预测方法的流程图，在本图中描述了利用流程方法，其中具体包括如下步骤：
66.步骤101，获取研究区目的储层图，所述研究区目的储层图包括：孔隙度等值线图、渗透率等值线图、构造等高线图、供烃烃源岩排烃强度图。所述研究区目的储层为未钻井研究区域的储层，所述第一类型图为与未钻井的研究区对应的图。其中，孔隙度等值线图、渗透率等值线图可以表示储层不同深度段孔隙度及渗透率在平面上的变化趋势；构造等高线图可以表示油层的顶底构造形态变化趋势；供烃烃源岩排烃强度图可以表示研究区目的储层供烃的烃源岩的排烃强度特征。本步骤中，研究区目的储层的第一类型图可以由人工地震方法、电法勘探方法、地磁勘探方法获取，或由其他地质物探方法获取。本技术对第一类型图的获取方式不作限制。
67.步骤102，根据所述研究区目的储层图，计算实时储层数据；所述实时储层数据包括实时孔隙度相指数、实时渗透率相指数、实时相对构造指数、实时油源指。其中，计算得到的实时储层数据为使用研究区目的储层的第一类型图实时计算得到的储层数据。其中，孔隙度相指数表示区域目的储层在储集空间方面油气成藏概率的大小，渗透率相指数表示区域目的储层在渗流能力方面油气成藏概率的大小，相对构造指数表示区域目的储层在运聚能力方面油气成藏概率的大小，油源指数表示区域目的储层在油源供给方面油气成藏概率的大小。其中，油气成藏概率代表油气成藏的真实概率，实际应用中采用油层数量与总储层数量的比值近似代表油气成藏概率值。根据所述第一类型图，计算实时储层数据的具体描述见下文描述。
68.步骤103，根据储层含油气性预测模型及所述实时储层数据，确定储层含油气性结果，其中，所述储层含油气性预测模型根据样本数据集，采用欠采样机器学习训练得到，所述样本数据集包括：历史孔隙度相指数、历史渗透率相指数、历史相对构造指数、历史油源指数及其对应的储层含油气性结果标签。
69.在本说明书的一些实施例中，通过训练得到的储层含油气性预测模型，将步骤102中计算得到的实时储层数据作为模型输入，可以得到模型输出结果为储层含油气性结果，即：区域目的储层是油气层或非油气层的预测结果。其中，储层含油气性预测模型的模型训练方法将在图2和图3中具体描述。
70.在本说明书的一些实施例中，根据研究区目的储层图计算实时储层数据包括：网格化所述研究区目的储层图，计算图中各个网格的实时孔隙度相指数、实时渗透率相指数、实时相对构造指数、实时油源指数。
71.在本步骤中，研究区目的储层图包括孔隙度等值线图、渗透率等值线图、构造等高线图及供烃烃源岩排烃强度图。孔隙度等值线图、渗透率等值线图上分别具有孔隙度数据、渗透率数据；构造等高线图上具有等高线数据；供烃烃源岩排烃强度图上具有排烃强度数据。将所述研究区目的储层图网格化，研究区目的储层图被离散化为数量较多的小网格。每一网格表示目的储层的一个小区域，通过计算可以获取每一网格的实时孔隙度相指数、实时渗透率相指数、实时相对构造指数、实时油源指数，每一网格上的数据。在本说明书的一些实施例中，计算每一网格的实时孔隙度相指数、实时渗透率相指数、实时相对构造指数、实时油源指数的方式和使用的计算公式与下文计算历史孔隙度相指数、历史渗透率相指数、历史相对构造指数、历史油源指数的步骤相同，具体可以参见图4、图5、图6、图7a、图7b的描述。
72.如图2所示为本文实施例一种储层含油气性预测模型的模型训练的方法流程图，该模型训练方法使用机器学习算法进行模型训练，具体包括如下步骤：
73.步骤201，获取测井解释数据、各含油层系构造形态特征图及排烃强度图。在本说明书的一些实施例中，测井解释数据为区域目的储层的测井解释数据。是通过勘探检测仪器对区域实际井位探测得到的真实钻井数据。测井解释数据具体包括目的储层的测井解释结论、测井解释孔隙度、测井解释渗透率和测井深度数据。根据区域目的储层的测井解释数据、各目的储层构造形态特征图、各特征储层的供烃烃源岩排烃强度图，可以与实际井位相关的多个指数数据，进一步作为本步骤模型训练的训练样本。
74.步骤202，根据所述测井解释数据，计算各储层的历史孔隙度相指数、历史渗透率相指数及含油气性结果标签。具体的，通过测井解释数据可以确定各深度段孔隙度相指数、渗透率相指数、含油气性结果标签。其中，含油气性结果标签为油气层或非油气层。
75.在本说明书的一些实施例中，获取测井解释孔隙度的方法包括但不限于密度测井曲线计算法、声波时差测井曲线计算法及补偿中子曲线测井计算法。在本说明书的一些实施例中，通过timur公式计算测井解释渗透率。在本说明书的一些实施例中，依据储层含水饱和度的大小将测井解释结论分为油气层测井解释结论及非油气层测井解释结论。具体判别标准为：含水饱和度小于等于50％的储层为油气层、含水饱和度大于50％的储层为非油气层，其中根据阿尔奇公式或simandoux简化公式储层的含水饱和度计算储层的含水饱和度。在本说明书的一些实施例中，测井解释深度数据为各测井解释储层的顶底深度平均值。
76.步骤203，根据各含油层系构造形态特征图，计算各储层的历史相对构造指数。
77.步骤204，根据所述各目的储层的供烃烃源岩排烃强度图，计算各储层的历史油源指数。具体的，通过获取各目的储层供烃烃源岩的热解数据、烃源岩厚度等值线图、烃源岩镜质体等值线图及烃源岩剩余有机碳总量等值线图，可以确定各目的储层供烃烃源岩的排烃强度分布特征，进而确定各井位油源指数并将该值作为该井位测井解释储层的油源指数值。进一步的，储层数据中的孔隙度相指数、渗透率相指数、相对构造指数、油源指数的具体计算方法将在图5至图9中具体描述。
78.步骤205，根据各储层的所述历史孔隙度相指数、历史渗透率相指数、历史相对构
造指数、历史油源指数及含油气性结果标签，确定样本数据集。
79.步骤206，确定样本数据集并对所述样本数据集中每一样本数据赋予权重。
80.在本说明书的一些实施例中，样本数据集为训练储层含油气性预测模型的多个样本数据的集合，所述样本数据集中的一个数据对包括孔隙度相指数、历史渗透率相指数、历史相对构造指数、历史油源指数及其对应的储层含油气性结果标签，即：样本孔隙度相指数、样本渗透率相指数、样本相对构造指数、样本油源指数及对应的储层含油气性标签。所述样本数据为储层样本数据，可以分为油气层样本数据和非油气层样本数据。在本领域中，目的储层区域内的油气层和非油气层的数量通常较不平衡。一般情况下，一个目的储层区域内的油气层和非油气层占储层总数的比例分别约为20％和80％，即，在一个目的储层区域的1000个储层中，油气层数量大约为200个，非油气层数量大约为800个。
81.本步骤中的样本数据集为d＝[(x1,y1),(x2,y2),
……
(xn,yn)]，样本数据集d中包括n组样本数据。每一组样本数据由历史储层数据x和储层含油气性结果标签y构成。其中，x包括孔隙度相指数、渗透率相指数、相对构造指数及油源指数；y为油气层及油气层的测井解释标签。
[0082]
对样本数据集d中的各组样本数据赋初始权重，初始权重为w1(i)＝1/n，表示初始权重为样本数据集中样本数据组数的倒数。
[0083]
步骤207，设置欠采样比例，根据所述欠采样比例、所述样本数据集及所述样本数据集中每一样本数据的权重，采用机器学习算法训练得到储层含油气性预测模型。
[0084]
在本步骤中，因样本数据集中目的层区域油气层样本数据和非油气层样本数据差距较大，使得样本数据集中数据多数类样本和少数类样本分布不平衡，因此使用rusboosted算法在油气层和非油气层数据分布不平衡的样本数据集中欠采样提取部分多数类样本，并与少数类样本组成新的平衡样本作为新的训练集，有效降低模型训练时间，提高模型训练的效率。即，在n组样本数据集中欠采样提取部分非油气层样本数据，与所有油气层样本数据组成新的平衡样本作为新的训练集。具体的，通过对区域目的层位的储层数据欠采样的方式确定样本数据中油气层和非油气层的数量，使得样本数据集的数据分布均匀，进一步使得训练储层含油气性预测模型的效果及模型预测结果更准确。
[0085]
在本步骤中，通过设置欠采样比例确定样本数据集。可以采用rusboosted方法确定欠采样比例balrate为1。例如，样本数据集中有1000个目的层区域储层样本数据，其中包括200个油气层样本数据和800个非油气样本数据。按照欠采样比例为1的比例从800个非油气层样本数据中随机采样选取200非油气层样本数据，将其与200个油气层样本数据组成新的平衡样本作为新的训练集，新的训练集中包含400个样本数据，样本数据中油气层样本数据和非油气层样本数据比例为1:1，分布均匀。该新的训练集为样本数据集的子数据集。
[0086]
根据步骤206中样本数据集中的每一个样本数据的初始权重，采用机器学习算法训练子数据集，可以训练得到储层含油气性预测模型。
[0087]
本步骤中采用机器学习算法训练得到储层含油气性预测模型的具体描述可以参见图3，本步骤在此不作赘述。
[0088]
如图3所示为本文实施例一种储层含油气性预测模型的模型训练的方法流程图，描述了使用rusboosted tree方法具体包括如下步骤：
[0089]
步骤301，根据所述欠采样比例及所述样本数据集中每一样本数据的权重，从所述
样本数据集中筛选一子数据集。
[0090]
如步骤206中描述的内容，样本数据集d为[(x1,y1),(x2,y2),
……
(xn,yn)]，包括n组样本数据，每一组样本数据包括孔隙度相指数、渗透率相指数、相对构造指数及油源指数及对应的测井解释标签。其中，测井解释标签为测井解释结论，作为本步骤模型训练的标签。例如，n为1000，数据集d中包含1000个样本数据，包含1000个孔隙度相指数、渗透率相指数、相对构造指数及油源指数、测井解释标签。样本数据集d中的xi表示第i组数据，包括第i个孔隙度相指数、渗透率相指数、相对构造指数及油源指数。y表示根据历史样本数据确定的测井解释标签，包括油气层标签和非油气层标签。测井解释标签作为样本数据集中的一个数据，是对模型输入数据的标注。通过对样本数据中的孔隙度相指数、渗透率相指数、相对构造指数及油源指数进行标注，以便更好地进行模型训练。其中，油气层标签为区域中的某个储层是否为油气层的结论；非油气层标签为区域中的某个储层是否为非油气层的结论。yi表示与第i组样本数据对应的测井解释标签，表示第i组样本数据对应的结果为该储层为油气层或非油气层。
[0091]
本步骤中根据欠采样比例从样本数据集中筛选一子数据集的具体过程可以参见步骤207的描述。使用rusboosted算法在油层和非油层数据分布不平衡的样本数据集中欠采样提取部分多数类样本，并与少数类样本组成新的平衡样本作为新的训练集，设置欠采样比例balrate为1，样本数据集中共有m个油气层样本数据，在该m个油气层样本数据中随机混入m*balrate组非油气层样本数据，以此构建得到子数据集(dt)中包含2m组储层数据。例如，m为200，确定取样比例balrate为1，子数据集dt中包含400个样本数据。在本说明书的一些实施例中，采样比例balrate的值可以根据实际情况调整，本技术在此不作限定。
[0092]
对样本数据集中每一样本数据赋予初始权重，所述初始权重为w1(i)＝1/n，表示初始权重为样本数据集中样本数据组数的倒数。
[0093]
步骤302，根据所述子数据集训练子分类模型中的参数。
[0094]
步骤301中对样本数据集中的每一个样本数据赋予了初始权重，子样本数据集中的每一个样本数据的权重即为该初始权重。利用子数据集dt及dt中的每一个样本数据的权重，采用基机器学习算法h，进行模型训练得到子分类模型ht。其中，t为当前模型训练的循环次数，在模型训练开始之前，设置t为模型训练的循环总次数。t可以根据历史经验由人工设定，也可以根据实际情况进行调整。
[0095]
步骤303，根据子分类模型训练过程中得到的预测值及其对应的储层含油气性结果标签，构造子分类模型的损失函数。
[0096]
在本步骤中，计算子数据集dt在子分类模型ht上的非真损失函数，该损失函数的计算公式如下：
[0097][0098]
其中，dt(i)表示子数据集dt中第i个样本数据，ht(xi，yi)表示第t个子数据集中第i个样本数据对应的子分类模型，也可以理解为数据集dt在第t次模型训练时对应的第i个子分类模型；ht(xi，y)表示设定的第i个子分类模型的预测值。损失函数的公式为样本数据集dt中所有样本数据对应的子分类模型的预测值与期望值的差值的累加，以此构成子分类模型的损失函数。
[0099]
步骤304，根据所述子分类模型的损失函数，确定所述子分类模型的权重。
[0100]
在本步骤中，根据损失函数确定子分类模型权重的计算公式如下：
[0101][0102]
根据子分类模型的损失函数及子分类模型权重计算公式，可以计算得到每一个子模型的权重αt。在进行每次子分类模型的模型训练中，对模型训练中的错误样本数据赋予较高的权重，对模型训练中的正确样本数据赋予较低的权重。以此种策略，在模型训练过程中更加重视训练过程的错误数据。
[0103]
步骤305，根据所述子分类模型的权重，更新所述样本数据集中每一样本数据的权重。
[0104]
在本步骤中，使用总数据集d权重计算公式，在每一个子分类模型训练结束后，更新总数据集d的权重。总数据集d的权重计算公式如下：
[0105]wt+1
(i)＝w
t
(i)αt
0.5(1+ht(xi，yi)-ht(xi，y：y≠yi))
[0106]
其中，w
t+1
(i)表示更新后的总数据集的权重，w
t+1
(i)表示更新前的总数据集的权重。例如当t为1时，w
t+1
(i)为w2(i)；总数据集的权重计算公式为：w2(i)＝w1(i)αt
0.5(1+h1(xi，yi)-h1(xi，y：y≠yi))
[0107]
在本步骤更新样本数据集d中每一个样本数据的权重之后，还包括对更新得到的总数据集d的权重进行归一化处理。归一化处理公式如下：
[0108][0109]
其中，zt＝∑iw
t+1
(i)，表示更新后的总数据集d中的每一个样本数据的权重的加和。
[0110]
步骤306，根据所述欠采样比例及更新后样本数据集中每一样本数据的权重，重新从所述样本数据集中筛选一子数据集，重复上述训练子分类模型中的参数及其之后的步骤，直至达到设置的模型训练次数为止。
[0111]
在本说明书的一些实施例中，本步骤中更新后的样本数据集中的每一个样本数据的权重发生了变化。对应子数据集模型训练的结果，一部分样本数据的权重较高，一部分样本数据的权重较低。根据设置的欠采样比例对样本数据集d中的所有样本数据重新执行欠采样，具体的，可以根据样本数据集d中所有样本数据中权重较高的样本数据进行欠采样，从而对不容易训练正确的样本数据重点关注，重复上述子模型训练步骤，进行模型训练。当模型训练的次数达到t次，通知模型训练。
[0112]
步骤307，根据每次训练得到的子分类模型及其权重，确定所述储层含油气性预测模型。
[0113]
经过t次模型训练，确定储层含油气性预测模型的公式如下：
[0114][0115]
其中，h(x)为最终储层含油气性预测模型，sign为符号函数，根据每一次训练得到的子模型与子模型权重的倒数的对数的乘积之和，确定储层含油气性预测模型。在使用该储层含油气性模型进行油气预测时，将储层数据x输入至该模型中，输出h(x)为0或1，其中0
表示该储层为非油气层；1表示该储层为油气层。
[0116]
图4所示为本文实施例各深度段孔隙度区间成藏概率分布及构建历史孔隙度相指数计算公式的示意图。
[0117]
作为本文的一个实施例，各深度段孔隙度成藏概率分布图示出了深度区间为1784.7～2234.7米的孔隙度区间成藏概率及孔隙度相指数关系图；深度区间为2234.7～2734.7米的孔隙度区间成藏概率及孔隙度相指数关系图，深度区间为2734.7～3084.7米的孔隙度区间成藏概率及孔隙度相指数关系图。
[0118]
作为本文的一个实施例，所述构建历史孔隙度相指数计算公式包括如下步骤：在较小的深度间隔(深度单元)内逐一统计储层孔隙度与油气成藏概率间的数值关系模型；以正态分布为拟合模型，利用最小二乘法，对各深度单元内的数据进行拟合；将埋深连续且具有相同数值关系模型的深度单元合并为一个特征深度段，并在各个特征深度段内构建储层孔隙度与油气成藏概率间的数值关系模型，拟合模型及方法仍采用正态分布模型及最小二乘法；将各特征深度段的储层孔隙度与油气成藏概率间的数值关系模型归一化变换，并将其作为孔隙度相指数计算模型。在本步骤中，深度单元的深度间隔应视实际数据量而定，应该保证各深度单元的数据量可以反应各深度单元内孔隙度与成藏概率间的关系。
[0119]
作为本文的一个实施例，根据研究区目的历史储层孔隙度及埋深资料特征可以确定各历史储层孔隙度相指数，具体包括：确定研究区目的储层孔隙度相指数计算模型；利用上述孔隙度相指数计算模型计算得到各历史储层的孔隙度相指数。
[0120]
具体的，通过以下方式确定历史孔隙度相指数：从目的层位的顶深开始每间隔50米统计各孔隙度区间油气成藏概率数值，所述油气成藏概率为各孔隙度区间内油气层数占总储层数的比例。其中孔隙度的区间设置从0开始每隔5％设置为一个统计区间。受储层发育规律影响，各深度段由浅至深的油气成藏概率随孔隙度变化将呈现不同特征形态。具体的，将深度段划分为浅层、中深层及深层三个特征深度段，其中浅层深度段的油气成藏概率随孔隙度增加呈半正态分布状、中深层深度段的油气成藏概率随孔隙度增加呈正态布状、深层深度段的油气成藏概率随孔隙度增加呈半正态分布状。因此可以拟合各深度段内孔隙度与油气成藏概率之间的高斯分布关系，对每个深度段分布特征形态相似的数据统一分析因此以特征深度段的各孔隙度区间的中值为横坐标，以各孔隙度区间油气成藏概率为纵坐标。以为束鹿凹陷晋93井区东营组、沙河街组各孔隙度区间为例进行说明，浅层深度段为1784.7-2234.7米深度段，设置孔隙度区间为0-5％，5-10％，10-15％，15-20％，20-25％，25-30％区间。以各孔隙度区间的中值为横坐标，因此取孔隙度0％,5％，10％，15％，20％，25％，30％作横坐标，以各孔隙度区间的油气成藏概率为纵坐标，构建孔隙度区间成藏概率分布曲线，该分布曲线表示1784.7-2234.7米的浅层深度段的各孔隙度区间的油气成藏概率，该分布曲线由表示。该浅层深度段的孔隙度相指数与油气成藏概率的关系由公式表示，孔隙度相指数是各孔隙度区间的油气成藏概率与待定系数ai的比值。
[0121]
其中，所述的拟合各深度段内孔隙度与油气成藏概率之间的高斯分布关系，利用如下公式获得：
[0122][0123][0124][0125]
根据所述油气成藏概率，利用如下公式计算多个深度段的孔隙度相指数：
[0126][0127]
其中，为第i个特征深度段第n个孔隙度区间的预测油气成藏概率；ai、bi、ci为第i个特征深度段孔隙度预测油气成藏概率数值模型的待定系数；por
in
为第i个个深度段中第n个孔隙度区间的中值；fi_por
in
为第i个特征深度段第n各孔隙度区间的孔隙度相指数。
[0128]
利用上述孔隙度相指数计算公式及各历史储层孔隙度及埋深数据，对各历史储层孔隙度相指数进行计算。
[0129]
图5所示为本文实施例各深度段渗透率区间成藏概率分布图及构建历史渗透率相指数计算公式的示意图。作为本文的一个实施例，各深度段渗透率成藏概率分布图示出了深度区间为1784.7～2234.7米的渗透率区间成藏概率及孔隙度相指数关系图；深度区间为2234.7～2734.7米的渗透率区间成藏概率及孔隙度相指数关系图，深度区间为2734.7～3084.7米的渗透率区间成藏概率及孔隙度相指数关系图。
[0130]
作为本文的一个实施例，构建历史渗透率相指数计算公式方法包括如下步骤：在较小的深度间隔(深度单元)内逐一统计储层渗透率对数与油气成藏概率间的数值关系模型；以正态分布为拟合模型，利用最小二乘法，对各深度单元内的数据进行拟合；将埋深连续且具有相同数值关系模型的深度单元合并为一个特征深度段，并在各个特征深度段内构建储层渗透率与油气成藏概率间的数值关系模型，拟合模型及方法仍采用正态分布模型及最小二乘法；将各特征深度段的储层渗透率与油气成藏概率间的数值关系模型归一化变换，并将其作为渗透率相指数；
[0131]
在本步骤中，深度单元的深度间隔应视实际数据量而定，应该保证各深度单元的数据量可以反应各深度单元内孔隙度与成藏概率间的关系。
[0132]
作为本文的一个实施例，根据研究区目的储层历史渗透率对数及埋深资料特征，确定各目的储层历史渗透率相指数包括：确定研究区目的储层渗透率相指数计算模型；利用上述渗透率相指数计算模型计算得到各历史储层的渗透率相指数。
[0133]
具体的，将深度段划分为浅层、中深层及深层三个特征深度段，其中浅层深度段的油气成藏概率随孔隙度增加呈半正态分布状、中深层深度段的油气成藏概率随孔隙度增加呈正态分布状、深层深度段的油气成藏概率随孔隙度增加呈半正态分布状。因此可以拟合各深度段内渗透率对数与油气成藏概率之间的高斯分布关系，对每个深度段分布特征形态相似的数据统一分析。因此以特征深度段的各孔隙度区间的中值为横坐标，以各孔隙度区间油气成藏概率为纵坐标。以束鹿凹陷晋93井区东营组、沙河街组储层中层深度段各孔隙度区间为例进行说明，中层为2284.7-2784.7米深度段，设置渗透率区间为10-2
md～10-1
md、10-1
md～100md、100md～101md、101md～1
×
102md、102md～103md及102md～104md区间。以各渗透率区间的对数中值为横坐标，即，取渗透率10-2
md、10-1
md、100md、101md、102md、103md、104md作横坐标，以各渗透率区间的油气成藏概率为纵坐标，构建渗透率区间成藏概率分布曲线，该分布曲线表示2284.7-2784.7米的中层深度段的各渗透率区间的油气成藏概率，该分布曲线由表示。该中层深度段的渗透率相指数与油气成藏概率的关系由公式表示，历史渗透率相指数是各孔隙度区间的油气成藏概率与待定系数di的比值。
[0134]
其中，所述的拟合各深度段内渗透率对数与油气成藏概率之间的高斯分布关系，利用如下公式获得：
[0135][0136][0137][0138]
根据所述油气成藏概率，利用如下公式计算多个深度段的渗透率相指数：
[0139][0140]
其中，fi_permi为第i个特征深度段中第n个孔隙度区间的渗透率相指数；为第i个深度段第n各渗透率区间的预测油气成藏概率；perm
in
为第i个深度段中第n个渗透率区间的对数中值；di，gi，fi为第i个特征深度段孔隙度预测油气成藏概率数值模型的待定
系数。
[0141]
利用上述渗透率相指数计算公式及各历史储层渗透率及埋深数据，对各历史储层渗透率相指数进行计算。图6所示为本文实施例一种构建历史相对构造指数计算方法的示意图。
[0142]
作为本文的一个实施例，历史相对构造指数计算过程包括：获取各含油层系的构造形态特征图；根据所述构造形态特征图中的顶底构造形态确定多个构造单元；将多个各构造单元内局部构造高点的相对构造指数赋值为1，对构造溢出点的相对构造指数赋值为0.5，对构造最低点相对构造指数赋值为0。
[0143]
如图6所示为根据各种构造形态构建相对构造指数的示意图。在本说明书的一些实施例中，构造指数(rgi)代表研究层段的整体特征，构造指数数值可以说明平面上各点在构造圈闭中的位置。确定构造指数要求研究层段的顶底构造界面整体相似，无较大差别。若一套地层的顶底界面构造界面形态相差较大，则可以将该地层细分为多个顶底构造界面形态相差不大的子层。
[0144]
图7a、图7b分别为本实施例一种排烃强度指数等值线及油源指数等值线示意图，具体为束鹿凹陷晋93井区烃源岩排烃强度指数等值线图及与其相对应的油源指数等值线。
[0145]
作为本文的一个实施例，根据所述排烃强度图，计算各储层的历史油源指数包括：根据所述排烃强度图获取探究区目的层位供烃的烃源岩层位的排烃强度；根据所述研究区目的层位供烃的烃源岩层位的排烃强度分布特征，确定油源指数。
[0146]
在本步骤中，计算排烃强度对判断烃类的排出和成藏具有重要意义。排烃强度可以通过获取区域烃源岩的热解数据、烃源岩厚度等值线图、烃源岩镜质体等值线图及烃源岩剩余有机碳总量等值线图确定。具体的，本说明书可以利用生烃潜力法确定区域排烃强度分布特征。
[0147]
在本说明书的一些实施例中，某研究区的排烃强度可以表示该位置的油源供给强度，也可以表示该位置与排烃中心的距离。在本说明书的一些实施例中，在确定研究区目的储层的排烃强度后，根据研究区与排烃中心的距离构建油源指数。具体可分为三种情况：研究区全部目的储层于区域供烃烃源岩排烃边界内部，即研究区目的储层内完全位于排烃强度图之内；研究区目的储层完全位于区域供烃烃源岩排烃边界的外部，即研究区目的储层完全位于排烃强度图之外；研究区目的储层的部分位于区域供烃烃源岩排烃边界的外部，部分位于区域供烃烃源岩排烃边界的内部。关于根据研究区目的储层供烃的烃源岩层位的排烃强度分布特征确定油源指数的具体说明将在下文进一步阐述。
[0148]
作为本文的一个实施例，根据研究区目的储层供烃的烃源岩层位的排烃强度分布特征，确定油源指数包括：当所述研究区的至少一部分位于区域供烃烃源岩排烃边界内部时，根据所述研究区内排烃强度数值分布特征对各油藏的油源指数赋值；当所述研究区完全位于区域供烃烃源岩排烃边界外部时，根据所述研究区目的层各油藏与供烃烃源岩排烃强度边界的最小距离对各油藏的油源指数赋值。
[0149]
具体的，当研究区完全在区域供烃烃源岩排烃边界内部，即研究区内完全位于排烃强度图之内时，首先确定研究区内排烃强度的最大值与最小值，再网格化研究区的排烃强度图，通过归一化各网格的排烃强度数值得到区域油源指数分布图，并按照井位的实际位置对各井位的油藏的油源指数进行赋值。研究区完全位于排烃强度图之内时油源指数的
计算公式如下：
[0150][0151]
式中，sii为第i个数据网格的油源指数；ei为第i个数据网格的排烃强度；e
min
为研究区域排烃强度的最小值；e
max
为研究区域排烃强度的最大值。
[0152]
在此种情况中，排烃强度的最大值和最小值可以根据排烃强度图中的灰度深浅确定。
[0153]
当研究区目的储层完全在区域供烃烃源岩排烃边界的外部，即研究区目的储层完全位于排烃强度图外时，通过如下方式构建油源指数：网格化研究区目的储层的排烃强度图，确定各网格与排烃强度图边界的最小距离，归一化得到区域油源指数分布图，并按照井位的实际位置对各井位的油藏的油源指数进行赋值。研究区完全位于排烃强度图之外的油源指数的计算方法如下：
[0154][0155]
式中，sii为第i个数据网格的油源指数；di为第i个数据网格与排烃强度图边界间的距离；d
min
为研究区域与排烃强度图边界间距离的最小值；d
max
为研究区域与排烃强度图边界间距离的最大值。
[0156]
当研究区目的储层部分位于区域供烃烃源岩排烃边界的外部、部分位于区域供烃烃源岩排烃边界的内部时，可以通过如下方式构建油源指数：根据排烃强度图外侧等值线的平均间距及数值间隔，在排烃强度图外侧增加一系列数值为负值的等值线，直到等值线将研究区全部覆盖。均匀网格化研究区目的储层的排烃强度指数图，找到研究区内排烃强度指数的最大值与最小值，归一化得到区域油源指数分布图，并按照井位的实际位置对各井位的油藏的油源指数进行赋值。其中，等值线可以表示位于区域供烃烃源岩外部的研究区域与排烃强度图边界的距离，进而等值线的数值大小可以表示油源的供给强度，等值线的数值大小无实际地质意义，并不代表排烃强度。
[0157]
进一步的，研究区目的储层部分位于区域供烃烃源岩排烃边界的外部，部分位于区域供烃烃源岩排烃边界的内部的油源指数的计算方法如下：
[0158][0159]
其中，sii为第i个数据网格的油源指数；ni为第i个数据网格的排烃强度指数；n
min
为研究区域排烃强度指数的最小值；n
max
为研究区域排烃强度指数的最大值。
[0160]
如图7a、图7b所示，晋93井区的储层一部分位于烃源岩排烃边界之内，另一部分位于排烃边界之外，故采用上述的第三种方法求取油源指数等值线图，附有关键赋值参数的排烃强度指数等值线图与油源指数等值线图如图7a、图7b所示。
[0161]
如图8a、图8b所示为束鹿凹陷晋93井区沙二段已探明储量分布图及智能预测含油气面积分布图。由图中可以看出，使用本方案的储层含油气性预测模型预测得到的束鹿凹陷晋93井区沙二段的含油区域与实际勘探的含油区域对应。由储层含油气性预测模型预测得到的含油气性范围包括了实际勘探的含油区域，且包括了实际勘探的含油区域之外的其他多个区段。由图中可以看出，本方案的储层含油气性预测模型的预测效果较好，预测准确
度高、预测结果更全面，覆盖范围更大。
[0162]
如图9所示为本文实施例一种储层含油气性预测装置的结构示意图，在本图中描述了储层含油气性预测装置的基本结构，其中的功能单元、模块可以采用软件方式实现，也可以采用通用芯片或者特定芯片实现，该装置具体包括：
[0163]
研究区目的储层图获取单元901，用于获取研究区目的储层图，所述研究区目的储层图包括：孔隙度等值线图、渗透率等值线图、构造等高线图、供烃烃源岩排烃强度图；
[0164]
实时储层数据计算单元902，用于根据所述研究区目的储层图，计算实时储层数据；所述实时储层数据包括实时孔隙度相指数、实时渗透率相指数、实时相对构造指数、实时油源指数；
[0165]
储层含油气性结果确定单元903，用于根据储层含油气性预测模型及所述实时储层数据，确定储层含油气性结果，其中，所述储层含油气性预测模型根据样本数据集，采用欠采样机器学习训练得到，所述样本数据集包括：历史孔隙度相指数、历史渗透率相指数、历史相对构造指数、历史油源指数及其对应的储层含油气性结果标签。
[0166]
本装置可以实现自动化预测油气有利区，减少人工操作，极大提高生产效率，提高油气层预测的准确性。
[0167]
作为本文的一个实施例，还可以参考如图10所示本实施例储层含油气性预测装置的具体结构示意图，所述研究区目的储层图获取单元901还用于，网格化处理所述研究区目的储层图，对研究区目的储层图进行离散化处理。
[0168]
作为本文的一个实施例，所述研究区目的储层图获取单元901进一步包括：
[0169]
网格化处理模块9011，用于网格化处理所述研究区目的储层图。
[0170]
作为本文的一个实施例，所述实时储层数据计算单元902进一步包括：
[0171]
实时孔隙度相指数计算模块9021，用于计算实时孔隙度相指数；
[0172]
实时渗透率相指数计算模块9022，用于计算实时渗透率相指数；
[0173]
实时相对构造指数确定模块9023，用于确定实时相对构造指数；
[0174]
实时油源指数确定模块9024应用于确定实时油源指数。
[0175]
所述储层含油气性结果确定单元903，用于在确定储层含油气性结果之前，训练得到储层含油气性预测模型。
[0176]
作为本文的一个实施例，所述储层含油气性结果确定单元903进一步包括：
[0177]
样本数据集确定模块9031，用于确定样本数据集；
[0178]
子数据集确定模块9032，用于根据欠采样比例及所述样本数据集中每一样本数据赋予权重，从所述样本数据集中筛选一子数据集；
[0179]
模型训练模块9033，用于训练储层含油气性预测模型。
[0180]
如图11所示，为本文实施例提供的一种计算机设备，所述计算机设备1102可以包括一个或多个处理器1104，诸如一个或多个中央处理单元(cpu)，每个处理单元可以实现一个或多个硬件线程。计算机设备1102还可以包括任何存储器1106，其用于存储诸如代码、设置、数据等之类的任何种类的信息。非限制性的，比如，存储器1106可以包括以下任一项或多种组合：任何类型的ram，任何类型的rom，闪存设备，硬盘，光盘等。更一般地，任何存储器都可以使用任何技术来存储信息。进一步地，任何存储器可以提供信息的易失性或非易失性保留。进一步地，任何存储器可以表示计算机设备1102的固定或可移除部件。在一种情况
下，当处理器1104执行被存储在任何存储器或存储器的组合中的相关联的指令时，计算机设备1102可以执行相关联指令的任一操作。计算机设备1102还包括用于与任何存储器交互的一个或多个驱动机构1108，诸如硬盘驱动机构、光盘驱动机构等。
[0181]
计算机设备1102还可以包括输入/输出模块1110(i/o)，其用于接收各种输入(经由输入设备1112)和用于提供各种输出(经由输出设备1114))。一个具体输出机构可以包括呈现设备1116和相关联的图形用户接口(gui)1118。在其他实施例中，还可以不包括输入/输出模块1110(i/o)、输入设备1112以及输出设备1114，仅作为网络中的一台计算机设备。计算机设备1102还可以包括一个或多个网络接口1120，其用于经由一个或多个通信链路1122与其他设备交换数据。一个或多个通信总线1124将上文所描述的部件耦合在一起。
[0182]
通信链路1122可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信链路1122可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
[0183]
对应于图1-图6中的方法，本文实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法的步骤。
[0184]
本文实施例还提供一种计算机可读指令，其中当处理器执行所述指令时，其中的程序使得处理器执行如图1至图6所示的方法。
[0185]
应理解，在本文的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本文实施例的实施过程构成任何限定。
[0186]
还应理解，在本文实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
[0187]
本领域普通技术人员可以意识到，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文的范围。
[0188]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0189]
在本文所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
[0190]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个
网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本文实施例方案的目的。
[0191]
另外，在本文各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0192]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本文的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本文各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0193]
本文中应用了具体实施例对本文的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本文的方法及其核心思想；同时，对于本领域的一般技术人员，依据本文的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本文的限制。