流体类型预测模型的构建方法、流体类型预测方法和装置

摘要

本申请涉及油气资源勘探技术领域，特别是涉及一种流体类型预测模型的构建方法、装置、存储介质和电子设备以及流体类型预测方法、装置、存储介质和电子设备。一个实施例中的方法包括：获取储层的测井历史数据以及储层对应的流体类型历史数据，根据测井历史数据以及流体类型历史数据，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，将最优模型作为流体类型预测模型。通过历史数据训练流体类型预测模型，实现有监督的机器学习，后续通过该流体类型预测模型来识别储层的流体类型，可以支持流体类型的高精度识别。

说明书

技术领域

本申请涉及油气资源勘探技术领域，特别是涉及一种流体类型预测模型的构建方法、装置、存储介质和电子设备以及流体类型预测方法、装置、存储介质和电子设备。

背景技术

随着科学技术的发展，非常规油气资源的勘探成为能源领域的重要组成部分，常见的非常规油气资源包括致密油、致密气、页岩油、页岩气等。储层是指能够储集和渗滤流体的岩石构成的地层，以致密砂岩气为例，致密砂岩气是指地下含有天然气的砂岩层，其孔隙度，含水饱和度高，渗透率勉强能使天然气渗流。由于这类砂岩层大多处于深处或者盆地的深部，因此，也称为深层致密砂岩气层。

致密砂岩气属于复杂的低渗透致密砂岩气藏，其气水分布复杂，高低阻气层和高阻水层并存，在致密砂岩气的勘探开发过程中，增加了流体类型识别的难度。传统的流体类型识别方法依赖于有限的测井参数，而致密砂岩气由于储层孔隙类型多样、孔隙结构变化大、非均质性强等特性，导致测井响应关系复杂，储层含气饱和度定量评价难、评价结果不准确，即传统的流体类型识别方法存在精度较低的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种可以提高识别精度的流体类型预测模型的构建方法、装置、存储介质和电子设备以及流体类型预测方法、装置、存储介质和电子设备。

一种流体类型预测模型的构建方法，所述方法包括：

获取储层的测井历史数据以及所述储层对应的流体类型历史数据；

根据所述测井历史数据以及所述流体类型历史数据，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，将所述最优模型作为流体类型预测模型。

在一个实施例中，所述测井历史数据包括测井曲线，所述获取储层的测井历史数据包括：

获取储层的初始测井曲线；

根据所述初始测井曲线的数量和维度，通过逻辑运算对所述初始测井曲线进行二次特征构建，获得二次特征曲线；

根据所述二次特征曲线和所述初始测井曲线，得到储层的测井曲线。

在一个实施例中，所述测井历史数据包括测井曲线，所述获取储层的测井历史数据包括：

获取储层的初始测井曲线，对所述初始测井曲线进行校深处理，获得储层的测井曲线；

和/或，

获取储层的初始测井曲线，对所述初始测井曲线中的各条曲线进行异常值检测；

当检测到所述初始测井曲线中存在异常值时，根据预先构建的回归方程对存在异常值的曲线进行重构，获得储层的测井曲线。

在一个实施例中，所述测井历史数据包括测井曲线，所述获取储层的测井历史数据包括：

获取储层的初始测井曲线；

根据所述初始测井曲线以及所述流体类型历史数据进行主成分分析和敏感性分析，获得各条测井曲线的影响系数；

基于所述影响系数对所述初始测井曲线进行筛选，根据筛选出的测井曲线获得储层的测井曲线。

在一个实施例中，所述根据所述测井历史数据以及所述流体类型历史数据，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包括：

将所述测井历史数据以及所述流体类型历史数据进行分组，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模型进行训练，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流体类型预测结果以及所述测试数据集中对应的流体类型，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。

一种流体类型预测模型的构建装置，所述装置包括：

训练数据获取模块，用于获取储层的测井历史数据以及所述储层的流体类型历史数据；

模型训练模块，用于根据所述测井历史数据以及所述流体类型历史数据，分别采用不同的预设机器学习算法进行模型训练；

模型生成模块，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流体类型预测模型。

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流体类型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，以执行流体类型预测模型的构建方法。

上述流体类型预测模型的构建方法、装置、存储介质和电子设备，通过获取储层的测井历史数据以及储层对应的流体类型历史数据；根据测井历史数据以及流体类型历史数据，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，将最优模型作为流体类型预测模型，通过历史数据训练流体类型预测模型，实现有监督的机器学习，后续通过该流体类型预测模型来识别储层的流体类型，可以支持流体类型的高精度识别。

一种流体类型预测方法，所述方法包括：

获取待预测储层的测井数据；

读取预设的流体类型预测模型，所述流体类型预测模型由流体类型预测模型的构建方法构建；

将所述待预测储层的测井数据输入至所述流体类型预测模型，根据所述流体类型预测模型的输出数据，得到所述待预测储层的流体类型。

一种流体类型预测装置，所述装置包括：

数据获取模块，用于获取待预测储层的测井数据；

模型读取模块，用于读取预设的储层流体类型预测模型，所述流体类型预测模型由流体类型预测模型的构建方法构建；

数据处理模块，用于将所述待预测储层的测井数据输入至所述流体类型预测模型，根据所述流体类型预测模型的输出数据，得到所述待预测储层的流体类型。

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流体类型预测方法。

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，以执行流体类型预测方法。

上述流体类型预测方法、装置、存储介质和电子设备，通过获取待预测储层的测井数据，将待预测储层的测井数据输入至预设的流体类型预测模型，根据流体类型预测模型的输出数据，得到待预测储层的流体类型，基于历史数据训练得到的流体类型预测模型来识别储层的流体类型，可以提高流体类型的识别精度。

附图说明

图1为一个实施例中流体类型预测模型的构建方法的应用环境图；

图2为一个实施例中流体类型预测模型的构建方法的流程示意图；

图3为一个实施例中待进行校深处理的测井曲线的示意图；

图4为一个实施例中待进行异常值处理的测井曲线的示意图；

图5为一个实施例中流体类型预测方法的流程示意图；

图6为一个实施例中流体类型预测模型的构建装置的结构框图；

图7为一个实施例中流体类型预测装置的结构框图；

图8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。

本申请提供的流体类型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输入储层的测井历史数据以及储层对应的流体类型历史数据。服务器104获取储层的测井历史数据以及储层对应的流体类型历史数据，根据测井历史数据以及流体类型历史数据，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，将最优模型作为流体类型预测模型。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，提供了一种流体类型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，获取储层的测井历史数据以及储层对应的流体类型历史数据。

其中，测井历史数据是指储层的历史测井数据，比如致密岩层气的历史测井数据，测井数据具体可以包括测井曲线、录井数据以及岩心数据。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。录井数据是指通过录井仪对岩屑、荧光等样品进行热解分析，直接测量和派生出多种反映含油性及油层注水程度的地化参数。岩心数据包括孔隙度、渗透率、含油饱和度以及各类测井响应值。流体类型是指储层的属性信息，流体类型具体可以包括纯油层、纯气层和纯水层。

自然伽马测井是测量井剖面上各深度地层的最自然伽马射线强度来区分岩性、定量计算地层的泥质含量的一种测井方法。自然伽马曲线中纯砂岩幅度最小，泥岩幅度最大，中间的一般是泥质砂岩等。自然电位测井是指沿着井剖面来测量自然电位，根据其变化来测定的一种方法，自然电位测井主要测定方法计算井内不同层次上的自然电位与井外某个固定电位值之间的差值。电阻率测井是指把一个电极系放进井内，运用电极系数来测定岩层的电阻率，根据测定的相关内容来观察分析地质剖面情况，根据情况判断油气水层。声波时差反应声波在单位长度介质内的传播时间，对于相同岩性的延时，越是致密则声波传播速度越快，声波时差越低；反之，声波时差越高。补偿密度作为三孔隙度曲线之一，其反应地层单位体积空间介质的密度值。在致密层，密度测井值基本等于或接近地层岩石骨架值，当孔隙储层发育时，密度值会降低。

步骤204，根据测井历史数据以及流体类型历史数据，分别采用不同的预设机器学习算法进行模型训练。

测井历史数据，比如测井曲线、录井数据、岩心数据是流体类型历史数据的影响因素，通过机器学习的方法，学习并捕捉测井曲线、录井数据、岩心数据、流体类型这些数据的特征，建立测井曲线、录井数据、岩心数据与流体类型之间的关系，实现自动识别储层的流体类型。

其中，预设机器学习算法可以包括Logistic Regression(逻辑回归)、SGDClassifier(梯度下降分类)、Linear Discriminant Analysis(线性判别式分析)、Quadratic Discriminant Analysis(二次判别法分析)、Linear SVC(线性分类支持向量机)、SVC(支持向量机)、Decision Tree Classifier(决策树分类)、AdaBoost Classifier(迭代分类)、Bagging Classifier(装袋分类)、Gradient Boost Classifier(梯度提升分类)、Random Forest Classifier(随机森林分类)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，将最优模型作为流体类型预测模型。

基于测井历史数据中的测井曲线、录井数据、岩心数据以及流体类型历史数据进行训练时，可以通过F1-score、precision(精确率)、recall(召回率)、ROC曲线、ROC曲线下的面积等分类模型的评估指标作为调优标准，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流体类型预测模型。

根据储层的测井历史数据分别对不同的预设机器学习模型进行训练，比如通过测井历史数据对逻辑回归模型进行训练，获取逻辑回归模型的误差。误差具体是指训练好的逻辑回归模型识别出的流体类型与真实流体类型是否一致。通过对不同的机器学习模型进行训练，选取误差最小的机器学习模型作为流体类型预测模型。

上述流体类型预测模型的构建方法，通过获取储层的测井历史数据以及储层对应的流体类型历史数据；根据测井历史数据以及流体类型历史数据，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，将最优模型作为流体类型预测模型，通过历史数据训练流体类型预测模型，实现有监督的机器学习，后续通过该流体类型预测模型来识别储层的流体类型，可以支持流体类型的高精度识别。

在一个实施例中，测井历史数据包括测井曲线，获取储层的测井历史数据包括：获取储层的初始测井曲线；根据初始测井曲线的数量和维度，通过逻辑运算对初始测井曲线进行二次特征构建，获得二次特征曲线；根据二次特征曲线和初始测井曲线，得到储层的测井曲线。根据初始测井曲线的数量和维度，基于逻辑运算进行二次特征构建，获得二次特征曲线，比如测井曲线A表示特征a随深度的变化规律，测井曲线B表征特征b随深度的变化规律，将测井曲线A上的特征值与同一深度点上测井曲线B上对应的特征值相乘，得到特征c在不同深度点对应的特征值，由此得到了表征特征c随深度变化的测井曲线C。

逻辑运算包括曲线求导、曲线相乘以及曲线相除中的至少一种运算。比如测井曲线A表示特征a随深度的变化规律，将测井曲线A上的各个数据点对深度求导，得到新的特征a’的各个特征值，由此得到了表征特征a’随深度变化的测井曲线A’。

在一个实施例中，测井历史数据包括测井曲线，获取储层的测井历史数据包括：获取储层的初始测井曲线，对初始测井曲线进行校深处理，获得储层的测井曲线；和/或，获取储层的初始测井曲线，对初始测井曲线中的各条曲线进行异常值检测；当检测到初始测井曲线中存在异常值时，根据预先构建的回归方程对存在异常值的曲线进行重构，获得储层的测井曲线。初始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。由于初始测井曲线在采集过程中受仪器自身重量和张力变化的影响，使得不同仪器在数据采集时对同一地层在深度显示上存在差异，因此，需要对测井曲线进行校深，以保证在同一深度上各条测井曲线都有相应的响应。具体地，选择一条测井曲线作为基准曲线，将其它测井曲线和基准曲线进行比较，如果与基准曲线在深度上存在误差，则将存在误差的测井曲线的深度增加或减去相应的数值，使测井曲线在深度上与基准曲线匹配。比如，某条测井曲线整体深度与基准曲线相差一个差值，如图3所示，只需通过将该测井曲线上移或下移至与基准曲线一致，实现对测井曲线的校深处理。

初始测井曲线在数据采集过程中受环境等因素的影响，可能会产生一些异常值，如图4所示，异常值不是地层属性的真实反映，因此有必要对异常值进行处理，去除异常值部分再对曲线进行重构。具体地，可以利用曲线相关性建立回归方程，通过回归方程进行曲线重构，比如某井的密度曲线异常，而其它井的密度曲线正常，利用正常的密度曲线与自然伽马曲线、电阻率曲线、声波时差曲线等建立回归方程，在通过回归方程，计算异常曲线的密度。对于异常值无法恢复的曲线，可以直接将曲线中的异常值部分赋为空值。

在一个实施例中，测井历史数据包括测井曲线，获取储层的测井历史数据包括：获取储层的初始测井曲线；根据初始测井曲线以及所述储层流体类型历史数据进行主成分分析和敏感性分析，获得各条测井曲线的影响系数；基于影响系数对初始测井曲线进行筛选，根据筛选出的测井曲线获得储层的测井曲线。主成分分析是一种统计方法，通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。主成分分析能降低曲线集合的维数，即用研究m维的Y空间代替p维的X空间(m

在一个实施例中，根据所述测井历史数据以及所述流体类型历史数据，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包括：将测井历史数据以及流体类型历史数据进行分组，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模型进行训练，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流体类型预测结果以及测试数据集中对应的流体类型，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。对储层的历史数据进行分组配置，比如将总数据分成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5所示，提供了一种流体类型预测方法，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502，获取待预测储层的测井数据；

步骤504，读取预设的流体类型预测模型，流体类型预测模型由流体类型预测模型的构建方法构建；

步骤506，将待预测储层的测井数据输入至流体类型预测模型，根据流体类型预测模型的输出数据，得到待预测储层的流体类型。

上述流体类型预测方法，通过获取待预测储层的测井数据，将待预测储层的测井数据输入至预设的流体类型预测模型，根据流体类型预测模型的输出数据，得到待预测储层的流体类型，基于历史数据训练得到的流体类型预测模型来识别储层的流体类型，可以提高流体类型的识别精度。

在一个实施例中，用户可以通过终端输入储层的测井历史数据以及储层对应的流体类型历史数据，服务器获取储层的测井历史数据以及储层对应的流体类型历史数据，根据测井历史数据以及流体类型历史数据，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，将最优模型作为流体类型预测模型。在后续需要进行流体类型识别场景时，用户只需输入待预测储层的测井数据，服务器调用流体类型预测模型，将待预测储层的测井数据输入至流体类型预测模型，据流体类型预测模型的输出数据，得到待预测储层的流体类型。

应该理解的是，虽然图2、5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、5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6所示，提供了一种流体类型预测模型的构建装置，包括：训练数据获取模块602、模型训练模块604以及模型生成模块606。训练数据获取模块602，用于获取储层的测井历史数据以及储层的流体类型历史数据；模型训练模块604，用于根据测井历史数据以及流体类型历史数据，分别采用不同的预设机器学习算法进行模型训练；模型生成模块606，用于从已训练的多个机器学习模型中选择最优模型，将最优模型作为流体类型预测模型。

在一个实施例中，训练数据获取模块还用于获取储层的初始测井曲线；根据初始测井曲线的数量和维度，通过逻辑运算对初始测井曲线进行二次特征构建，获得二次特征曲线；根据二次特征曲线和初始测井曲线，得到储层的测井曲线。

在一个实施例中，训练数据获取模块还用于获取储层的初始测井曲线，对初始测井曲线进行校深处理，获得储层的测井曲线；和/或，获取储层的初始测井曲线，对初始测井曲线中的各条曲线进行异常值检测；当检测到初始测井曲线中存在异常值时，根据预先构建的回归方程对存在异常值的曲线进行重构，获得储层的测井曲线。

在一个实施例中，训练数据获取模块还用于获取储层的初始测井曲线；根据初始测井曲线以及所述储层流体类型历史数据进行主成分分析和敏感性分析，获得各条测井曲线的影响系数；基于影响系数对初始测井曲线进行筛选，根据筛选出的测井曲线获得储层的测井曲线。

在一个实施例中，模型训练模块还用于将测井历史数据以及流体类型历史数据进行分组，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模型进行训练，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流体类型预测结果以及测试数据集中对应的流体类型，得到各个已训练的机器学习模型的误差；模型生成模块还用于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，提供了一种流体类型预测装置，如图7所示，包括：数据获取模块702、模型读取模块704和数据处理模块706。数据获取模块702用于获取待预测储层的测井数据。模型读取模块704用于读取预设的储层流体类型预测模型，流体类型预测模型由流体类型预测模型的构建方法构建。数据处理模块706，用于将待预测储层的测井数据输入至流体类型预测模型，根据流体类型预测模型的输出数据，得到待预测储层的流体类型。

关于流体类型预测模型的构建装置、流体类型预测装置的具体限定可以参见上文中对于流体类型预测模型的构建方法、流体类型预测方法的限定，在此不再赘述。上述流体类型预测模型的构建装置、流体类型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8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测井曲线、录井数据、岩心数据、流体类型预测模型等。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流体类型预测模型的构建方法或流体类型预测方法。

本领域技术人员可以理解，图8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流体类型预测模型的构建方法或者流体类型预测方法。

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流体类型预测模型的构建方法或者流体类型预测方法。

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。