相对吸水量预测模型的构建方法和相对吸水量预测方法

摘要

本申请涉及油气田开发技术领域，特别是涉及一种相对吸水量预测模型的构建方法、装置、存储介质和电子设备以及相对吸水量预测方法、装置、存储介质和电子设备。一个实施例中的方法包括：获取吸水量影响因素历史数据以及对应的小层相对吸水量历史数据；根据吸水量影响因素历史数据以及小层相对吸水量历史数据，分别对不同的预设机器学习算法进行模型训练；从已训练的多个机器学习模型中选择最优模型，将最优模型作为相对吸水量预测模型。

说明书

技术领域

本申请涉及油气田开发技术领域，特别是涉及一种相对吸水量预测模型的构建方法、装置、存储介质和电子设备以及相对吸水量预测方法、装置、存储介质和电子设备。

背景技术

注水是油田开发的关键技术之一，注水井的吸水剖面信息反映了地层的吸水能力。通过吸水剖面信息可知晓注入水的纵向分布，也可预测和控制水线推进，监视油层的吸水，进行剩余油分布分析等。科学地分析应用吸水剖面信息是了解油藏地下变化，进行油田开发分析的主要手段，也是指导油田开发，进行方案部署的一个重要环节。

油田注水开发是一个黑盒运行的过程，无法用肉眼实际观察识别地下流体不断流动的情况，只能通过技术手段来间接分析确定注入水在纵向上各层之间的相对吸水程度。传统的相对吸水量一般通过示踪剂或井间干扰测试进行监测，但传统方法无法捕捉地下储层的实时变化特征，导致存在预测精准度低的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种提高预测精准度的相对吸水量预测模型的构建方法、装置、存储介质和电子设备以及相对吸水量预测方法、装置、存储介质和电子设备。

一种相对吸水量预测模型的构建方法，所述方法包括：

获取吸水量影响因素历史数据以及对应的小层相对吸水量历史数据；

根据所述吸水量影响因素历史数据以及所述小层相对吸水量历史数据，分别对不同的预设机器学习算法进行模型训练；

从已训练的多个机器学习模型中选择最优模型，将所述最优模型作为相对吸水量预测模型。

在一个实施例中，所述获取吸水量影响因素历史数据之后，还包括：

当检测到吸水量影响因素历史数据的数据维度小于预设阈值或数据分布不均匀时，获取所述吸水量影响因素历史数据中各个数据项之间的预设业务关系；

基于所述预设业务关系进行计算，生成新的数据项数据；

将所述新的数据项数据添加至所述吸水量影响因素历史数据，得到增维处理后的吸水量影响因素历史数据；

所述根据所述吸水量影响因素历史数据以及所述小层相对吸水量历史数据，分别采用不同的预设机器学习算法进行模型训练包括：

根据所述增维处理后的吸水量影响因素历史数据以及所述小层相对吸水量历史数据，分别采用不同的预设机器学习算法进行模型训练。

在一个实施例中，所述获取吸水量影响因素历史数据以及对应的小层相对吸水量历史数据包括：

获取初始吸水量影响因素数据以及初始小层相对吸水量数据；

对所述初始吸水量影响因素数据以及所述初始小层相对吸水量数据进行数据量统计处理，基于统计结果剔除数据异常值，获得吸水量影响因素历史数据以及对应的小层相对吸水量历史数据；

和/或，

当检测到所述吸水量影响因素数据以及所述初始小层相对吸水量数据存在缺失值时，基于预设的测井曲线和/或预设的区域数据进行数据补充处理，获得吸水量影响因素历史数据以及对应的小层相对吸水量历史数据。

在一个实施例中，所述根据所述吸水量影响因素历史数据以及所述小层相对吸水量历史数据，分别对不同的预设机器学习算法进行模型训练，从已训练的多个机器学习模型中选择最优模型包括：

将所述吸水量影响因素历史数据以及所述小层相对吸水量历史数据进行分组，分为训练数据集和测试数据集；

基于所述训练数据集对不同的预设机器学习算法进行模型训练，得到已训练的机器学习模型；

将所述测试数据集分别输入至各个所述已训练的机器学习模型，根据所述各个已训练的机器学习模型输出的小层相对吸水量预测结果以及所述测试数据集中对应的小层相对吸水量历史数据，得到所述各个已训练的机器学习模型的误差；

选取误差最小的已训练的机器学习模型作为最优模型。

一种相对吸水量预测模型的构建装置，所述装置包括：

数据获取模块，用于获取吸水量影响因素历史数据以及对应的小层相对吸水量历史数据；

模型训练模块，用于根据所述吸水量影响因素历史数据以及所述小层相对吸水量历史数据，分别对不同的预设机器学习算法进行模型训练；

模型确定模块，用于从已训练的多个机器学习模型中选择最优模型，将所述最优模型作为相对吸水量预测模型。

一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行相对吸水量预测模型的构建方法。

一种电子设备，所述电子设备包括至少一个处理器、与所述处理器连接的至少一个存储器以及总线；

其中，所述处理器、所述存储器通过所述总线完成相互间的通信；

所述处理器用于调用所述存储器中的程序指令，以执行相对吸水量预测模型的构建方法。

上述相对吸水量预测模型的构建方法、装置、存储介质和电子设备，根据吸水量影响因素历史数据以及小层相对吸水量历史数据，分别对不同的预设机器学习算法进行模型训练，从已训练的多个机器学习模型中选择最优模型，将最优模型作为相对吸水量预测模型，通过历史数据训练相对吸水量预测模型，实现有监督的机器学习，后续通过该相对吸水量预测模型实现注水井各小层相对吸水量的预测，可以支持相对吸水量的高精度预测。

一种相对吸水量预测方法，所述方法包括：

获取待预测注水井的吸水量影响因素数据；

读取预设相对吸水量预测模型，所述相对吸水量预测模型通过相对吸水量预测模型的构建方法构建；

将所述吸水量影响因素数据输入至所述预设相对吸水量预测模型；

根据所述预设相对吸水量预测模型的输出数据，获得所述待预测注水井的小层相对吸水量。

一种相对吸水量预测装置，所述装置包括：

注水井数据获取模块，用于获取待预测注水井的吸水量影响因素数据；

模型获取模块，用于读取预设相对吸水量预测模型，所述相对吸水量预测模型通过相对吸水量预测模型的构建方法构建；

数据处理模块，用于将所述吸水量影响因素数据输入至所述预设相对吸水量预测模型；

预测结果生成模块，用于根据所述预设相对吸水量预测模型的输出数据，获得所述待预测注水井的小层相对吸水量。

一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行相对吸水量预测方法。

一种电子设备，所述电子设备包括至少一个处理器、与所述处理器连接的至少一个存储器以及总线；

其中，所述处理器、所述存储器通过所述总线完成相互间的通信；

所述处理器用于调用所述存储器中的程序指令，以执行相对吸水量预测方法。

上述相对吸水量预测方法、装置、存储介质和电子设备，通过获取待预测注水井的吸水量影响因素数据，将吸水量影响因素数据输入至预设相对吸水量预测模型，根据预设相对吸水量预测模型的输出数据，获得待预测注水井的小层相对吸水量，基于历史数据训练得到的相对吸水量预测模型实现注水井各小层相对吸水量的预测，可以实现相对吸水量的高精度预测。

附图说明

图1为一个实施例中相对吸水量预测模型的构建方法的应用环境图；

图2为一个实施例中相对吸水量预测模型的构建方法的流程示意图；

图3为一个实施例中相对吸水量预测方法的流程示意图；

图4为一个实施例中相对吸水量预测模型的构建装置的结构框图；

图5为一个实施例中相对吸水量预测装置的结构框图；

图6为一个实施例中电子设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的相对吸水量预测模型的构建方法，可以应用于如图1所示的应用环境中。其中，客户终端102通过网络与服务器104进行通信。用户通过客户终端102输入吸水量影响因素历史数据以及对应的小层相对吸水量历史数据。服务器104获取吸水量影响因素历史数据以及对应的小层相对吸水量历史数据；根据吸水量影响因素历史数据以及小层相对吸水量历史数据，分别采用不同的预设机器学习算法进行模型训练；从已训练的多个机器学习模型中选择最优模型，将最优模型作为相对吸水量预测模型。其中，客户终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种相对吸水量预测模型的构建方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

步骤202，获取吸水量影响因素历史数据以及对应的小层相对吸水量历史数据。

吸水量影响因素历史数据是指在油田注水开发过程中，对注水井各小层相对吸水量产生影响的数据，具体可以包括小层属性历史数据和油井属性历史数据。其中，小层属性历史数据是指在油田注水开发过程中，表征注水井各小层属性的数据，比如注水井标识、小层标识、小层顶深、小层底深、小层厚度、孔隙度、渗透率、饱和度、泥质含量、渗流级差等。油井属性历史数据是指在油田注水开发过程中，注水井对应见效油井的相关参数数据，比如连通井数、连通距离、油管压力、套管压力等。小层相对吸水量历史数据是指注入井的注水量在井中纵向上各小层的相对吸水量，相对吸水量是指在同一注入压力下，某小层吸水量占全井吸水量的百分数，相对吸水量是衡量分层相对吸水能力的指标。

步骤204，根据吸水量影响因素历史数据以及小层相对吸水量历史数据，分别采用不同的预设机器学习算法进行模型训练。

小层属性历史数据、油井属性历史数据是小层相对吸水量历史数据的影响因素，通过机器学习的方法，学习并捕捉小层属性历史数据、油井属性历史数据、小层相对吸水量历史数据这些数据的特征，建立小层属性历史数据、油井属性历史数据与小层相对吸水量历史数据之间的关系，实现小层相对吸水量的预测。

其中，预设机器学习算法可以包括Huber Regressor(休伯回归)、LassoRegressor(套索回归)、Ridge Regressor(岭回归)、SGD Regressor(梯度下降回归)、Linear SVR(线性支持向量回归机)、SVR(支持向量回归机)、Decision Tree Regressor(决策树回归)、AdaBoost Regressor(迭代回归)、Bagging Regressor(装袋回归)、GradientBoost Regressor(梯度提升回归)、Random Forest Regressor(随机森林回归)等机器学习算法。

步骤206，从已训练的多个机器学习模型中选择最优模型，将最优模型作为相对吸水量预测模型。

基于小层属性历史数据、油井属性历史数据以及小层相对吸水量历史数据进行训练时，可以通过mean_absolute_error(平均绝对误差)、mean_squared_error(均方误差)、median_absolute_error(绝对中位差)和r2_score(R方值)等评价指标作为调优标准，分别对各个机器学习模型进行训练，获得训练好的各机器学习模型的误差，将误差最小的已训练的机器学习模型作为相对吸水量预测模型。

根据注水井历史数据分别对不同的预设机器学习算法进行模型训练，比如通过注水井历史数据对套索回归算法进行模型训练，获取已训练的套索回归模型的误差。误差具体是指训练好的套索回归模型输出的各小层相对吸水量预测结果与注水井各小层真实相对吸水量之间的差距。通过对不同的机器学习算法进行模型训练，选取误差最小的已训练的机器学习模型作为相对吸水量预测模型。

上述相对吸水量预测模型的构建方法，根据吸水量影响因素历史数据以及小层相对吸水量历史数据，分别对不同的预设机器学习算法进行模型训练，从已训练的多个机器学习模型中选择最优模型，将最优模型作为相对吸水量预测模型，通过历史数据训练相对吸水量预测模型，实现有监督的机器学习，后续通过该相对吸水量预测模型实现注水井各小层相对吸水量的预测，可以支持相对吸水量的高精度预测。

在一个实施例中，获取吸水量影响因素历史数据之后，还包括：当检测到吸水量影响因素历史数据的数据维度小于预设阈值或数据分布不均匀时，获取吸水量影响因素历史数据中各个数据项之间的预设业务关系；基于预设业务关系进行计算，生成新的数据项数据；将新的数据项数据添加至吸水量影响因素历史数据，得到增维处理后的吸水量影响因素历史数据；根据吸水量影响因素历史数据以及小层相对吸水量历史数据，分别采用不同的预设机器学习算法进行模型训练包括：根据增维处理后的吸水量影响因素历史数据以及小层相对吸水量历史数据，分别采用不同的预设机器学习算法进行模型训练。基于预设业务关系进行计算，比如通过逻辑运算，生成新的数据项数据。其中，逻辑运算包括两个或两个以上数据项之间的相乘以及相除中的至少一种运算。比如，小层属性历史数据可以包括多个数据项，可以基于已有数据项之间的业务关系进行逻辑运算，生成新的数据项。同理，油井属性历史数据也可以包括多个数据项，可以基于已有数据项之间的业务关系进行逻辑运算，生成新的数据项。具体地，可以通过已有数据项中任意两个数据项或者多个数据项组合，通过数据间的加减乘除等逻辑运算生成一个新的数据项，以提高模型训练的精度和泛化性。

在建模过程中如果出现数据维度不够或样品不均衡的情况，会极大影响模型的精度和泛化性，可以基于已有的数据项之间的业务关系和数学关系，增加数据项的维度以保证模型的可用性。比如，根据已有的砂层厚度数据项和孔隙度数据项，生成新的数据项有效厚度，其中，有效厚度＝砂层厚度*孔隙度；又例如，根据已有的渗透率数据项，生成新的数据项渗流极差，其中，渗流极差＝同一口井同一天测试的各层渗透率最大值/该井当天的各小层渗透率。通过对吸水量影响因素历史数据进行增维处理，扩展了原有数据的维度，增加模型训练数据的广度，从而提高模型的预测精度。

在一个实施例中，获取吸水量影响因素历史数据以及对应的小层相对吸水量历史数据包括：获取初始吸水量影响因素数据以及初始小层相对吸水量数据；对初始吸水量影响因素数据以及初始小层相对吸水量数据进行数据量统计处理，基于统计结果剔除数据异常值，获得吸水量影响因素历史数据以及对应的小层相对吸水量历史数据；和/或，当检测到吸水量影响因素数据以及初始小层相对吸水量数据存在缺失值时，基于预设的测井曲线和/或预设的区域数据进行数据补充处理，获得吸水量影响因素历史数据以及对应的小层相对吸水量历史数据。

通过对各数据项对应的数据量进行统计分析，对明显不处于数据主要区间的数据进行筛选。比如各小层相对吸水量之和正常情况下应该是100％，如果小层相对吸水量历史数据中各小层相对吸水量之和不等于100％，此时，可以判定小层相对吸水量历史数据中存在异常值，基于数据统计结果找出并剔除数据异常值。

采集的注水井初始数据由于时间跨度大，数据采集人员水平等因素的影响，注水井初始数据可能存在一些质量问题。因此，需要在建模前对注水井初始数据进行分析和清理，数据质量问题包括数值错误、异常值、数据缺失等问题。比如，在输入数据项中包括小层厚度、孔隙度、渗透率、含水饱和度、泥质含量等，如果存在数据缺失的情况，可以利用相关测井曲线结合预设的区域模型数据对缺失数据进行补充，其中，区域模型数据是指根据地区规律得到的参数模型，比如地区孔隙度模型、饱和度模型、渗透率模型等。测井是一种应用物理方法进行的间接的录井手段，能连续测定所要观察的研究的气层等物理参数，根据物理差别，在测井曲线上表示不同的变化显示各自的特征。测井曲线包括自然伽马测井曲线、自然电位测井曲线、电阻率测井曲线、声波时差测井曲线、密度测井曲线等。

在一个实施例中，根据吸水量影响因素历史数据以及小层相对吸水量历史数据，分别对不同的预设机器学习算法进行模型训练，从已训练的多个机器学习模型中选择最优模型包括：将吸水量影响因素历史数据以及小层相对吸水量历史数据进行分组，分为训练数据集和测试数据集；基于训练数据集对不同的预设机器学习算法进行模型训练，得到已训练的机器学习模型；将测试数据集分别输入至各个已训练的机器学习模型，根据各个已训练的机器学习模型输出的小层相对吸水量预测结果以及测试数据集中对应的小层相对吸水量历史数据，得到各个已训练的机器学习模型的误差；选取误差最小的已训练的机器学习模型作为最优模型。对注水井历史数据进行分组配置，比如将注水井历史数据分成10份，其中，8份作为训练数据集进行机器学习模型的训练，剩下的2份作为测试数据集。

在一个实施例中，如图3所示，提供了一种相对吸水量预测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

步骤302，获取待预测注水井的吸水量影响因素数据；

步骤304，读取预设相对吸水量预测模型，相对吸水量预测模型通过相对吸水量预测模型的构建方法构建；

步骤306，将吸水量影响因素数据输入至预设相对吸水量预测模型；

步骤308，根据预设相对吸水量预测模型的输出数据，获得待预测注水井的小层相对吸水量。

相对吸水量预测方法还包括基于预设的展示方式对待预测注水井的小层相对吸水量进行处理，将处理结果输出展示，比如，将预测的相对吸水量结果以图形或表格的方式输出展示。

上述相对吸水量预测方法，通过获取待预测注水井的吸水量影响因素数据，将吸水量影响因素数据输入至预设相对吸水量预测模型，根据预设相对吸水量预测模型的输出数据，获得待预测注水井的小层相对吸水量，基于历史数据训练得到的相对吸水量预测模型实现注水井各小层相对吸水量的预测，可以实现相对吸水量的高精度预测。

在一个实施例中，用户可以通过终端导入注水井历史数据，比如小层属性历史数据、油井属性历史数据以及对应的小层相对吸水量历史数据。服务器获取小层属性历史数据、油井属性历史数据以及对应的小层相对吸水量历史数据；根据小层属性历史数据、油井属性历史数据以及小层相对吸水量历史数据，分别对不同的预设机器学习算法进行模型训练，获取各已训练的机器学习模型的误差；选取误差最小的已训练的机器学习模型作为相对吸水量预测模型。在后续需要进行相对吸水量预测场景时，用户只需通过终端向服务器发送待预测注水井的小层属性数据以及对应的油井属性数据，服务器读取相对吸水量预测模型，将小层属性数据以及油井属性数据输入至相对吸水量预测模型，根据相对吸水量预测模型的输出数据，获得待预测注水井的小层相对吸水量。

基于注水井历史数据对机器学习模型进行训练，通过训练好的机器学习模型预测注入井的注水量在井中纵向上各小层的相对吸水量，可以最大程度提高注水井历史数据的利用率与利用价值。而且，通过机器学习的方法实现对大量历史数据的反复计算，即实现注水井历史数据中的相关数据项与纵向上各小层相对吸水量之间的模型关系计算，可以实现人工计算无法实现的计算量与计算精度。此外，在大数据和机器学习的基础上，利用原始数据从业务和算法两个角度增加原有数据项，在数据维度的使用上达到极致。油田注水开发的地下动态是一个不断变化的过程，在油田每生产一段时期产生新的生产数据后，可以通过新产生数据的加入对模型进行最新生产状态的修正与优化，实现模型的持续迭代优化。用户利用优化的相对吸水量预测模型来计算注入水在纵向上的流向，可以减少了监测工作的时间和成本，大幅提升了效率。

应该理解的是，虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图4所示，提供了一种相对吸水量预测模型的构建装置，该装置包括：

数据获取模块402，用于获取吸水量影响因素历史数据以及对应的小层相对吸水量历史数据；

模型训练模块404，用于根据吸水量影响因素历史数据以及小层相对吸水量历史数据，分别对不同的预设机器学习算法进行模型训练；

模型确定模块406，用于从已训练的多个机器学习模型中选择最优模型，将最优模型作为相对吸水量预测模型。

在一个实施例中，相对吸水量预测模型的构建装置还包括增维处理模块，用于当检测到吸水量影响因素历史数据的数据维度小于预设阈值或数据分布不均匀时，获取吸水量影响因素历史数据中各个数据项之间的预设业务关系；基于预设业务关系进行计算，生成新的数据项数据；将新的数据项数据添加至吸水量影响因素历史数据，得到增维处理后的吸水量影响因素历史数据；模型训练模块还用于根据增维处理后的吸水量影响因素历史数据以及小层相对吸水量历史数据，分别采用不同的预设机器学习算法进行模型训练。

在一个实施例中，数据获取模块还用于获取初始吸水量影响因素数据以及初始小层相对吸水量数据；对初始吸水量影响因素数据以及初始小层相对吸水量数据进行数据量统计处理，基于统计结果剔除数据异常值，获得吸水量影响因素历史数据以及对应的小层相对吸水量历史数据；和/或，当检测到吸水量影响因素数据以及初始小层相对吸水量数据存在缺失值时，基于预设的测井曲线和/或预设的区域数据进行数据补充处理，获得吸水量影响因素历史数据以及对应的小层相对吸水量历史数据。

在一个实施例中，模型训练模块还用于将吸水量影响因素历史数据以及小层相对吸水量历史数据进行分组，分为训练数据集和测试数据集；基于训练数据集对不同的预设机器学习算法进行模型训练，得到已训练的机器学习模型；将测试数据集分别输入至各个已训练的机器学习模型，根据各个已训练的机器学习模型输出的小层相对吸水量预测结果以及测试数据集中对应的小层相对吸水量历史数据，得到各个已训练的机器学习模型的误差；选取误差最小的已训练的机器学习模型作为最优模型。

在一个实施例中，如图5所示，提供了一种相对吸水量预测装置，该装置包括：

注水井数据获取模块502，用于获取待预测注水井的吸水量影响因素数据；

模型获取模块504，用于读取预设相对吸水量预测模型，相对吸水量预测模型通过相对吸水量预测模型的构建方法构建；

数据处理模块506，用于将吸水量影响因素数据输入至预设相对吸水量预测模型；

预测结果生成模块508，用于根据预设相对吸水量预测模型的输出数据，获得待预测注水井的小层相对吸水量。

在一个实施例中，相对吸水量预测装置还包括预测结果展示模块，用于基于预设的展示方式对待预测注水井的小层相对吸水量进行处理，将处理结果输出展示。

关于相对吸水量预测模型的构建装置/相对吸水量预测装置的具体限定可以参见上文中对于相对吸水量预测模型的构建方法/相对吸水量预测方法的限定，在此不再赘述。上述相对吸水量预测模型的构建装置/相对吸水量预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于电子设备中的处理器中，也可以以软件形式存储于电子设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种电子设备，该电子设备可以是服务器，其内部结构图可以如图6所示。该电子设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的数据库用于存储小层属性历史数据、油井属性历史数据、对应的小层相对吸水量历史数据、相对吸水量预测模型等数据。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种相对吸水量预测模型的构建方法或者相对吸水量预测方法。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种电子设备，电子设备包括至少一个处理器、与处理器连接的至少一个存储器以及总线；其中，处理器、存储器通过总线完成相互间的通信；处理器用于调用存储器中的程序指令，以执行任一实施例中的相对吸水量预测模型的构建方法或者相对吸水量预测方法。

在一个实施例中，提供了一种计算机可读存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行任一实施例中的相对吸水量预测模型的构建方法或者相对吸水量预测方法。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。