地质建模与地震正演联合驱动的地震智能反演方法及系统

测量装置的制造及其应用技术1.本发明涉及一种地震反演技术领域，特别是关于一种地质建模与地震正演联合驱动的地震智能反演方法及系统。背景技术：2.地震智能反演是一种基于人工智能算法的地震反演方法，通过监督学习算法在地震与测井数据间建立非线性映射关系，继而将映射关系应用于井间，实现三维地震反演。该反演方法是一种高分辨率、高效率的地震反演方法。地震智能反演已经广泛应用于油气储层预测，并取得良好效果。相较于传统反演方法(如地质模型反演、稀疏脉冲反演)，人工智能反演无需地震子波，具有操作简便、易于推广、分辨高等优点。然而，由于该方法基于监督学习算法，需要较多的测井数据作为监督学习数据，无法应用于少井或无井区域，极大限制了该方法的应用与推广。此外，对于多数工区而言，测井数量较少，现有的地震智能反演通常停留在“浅层学习”，比如采用支撑向量机、或层数不超过3层的神经网络。3.沉积演化过程的建模方法，即在沉积模式与演化机制的指导下，模拟研究区沉积相的沉积与演化过程，再现地质体的几何形态与空间分布，建立研究区三维相模型。以河流相储层为例，即通过模拟河道的形成与演化过程，再现河道的几何形态与空间分布，从而建立河流相储层的三维相模型。基于沉积演化过程的地质建模的优点是充分体现地质体的几何形态、叠至关系，高度符合地质体的沉积模式；缺点是条件数据拟合困难(一般仅能拟合少量井数据)；建模结果随机性大，通常只能得到储层分布的一种可能性，不能作为最终的储层分布。地震正演是已知地质模型求取相应地震响应的过程，该方法已经广泛应用于地震解释。即通过对不同地层结构与砂体分布特征进行地震正演模拟，明确各种地层结构岩石余砂体分布特征的地震响应特征，为地震地质解释提供解释依据。4.综上，现有方法存在以下缺陷：(1)在砂体预测或储层预测领域，现有地震智能反演方法需要大量的测井数据作为监督学习数据，即需要大量井，无法应用于少井区域。(2)对于多数工区而言，测井数量较少，现有的地震智能反演通常停留在“浅层学习”，比如采用支撑向量机算法或层数不超过3层的神经网络算法。技术实现要素：5.针对上述问题，本发明的目的是提供一种地质建模与地震正演联合驱动的地震智能反演方法及系统，其能同时适用于无井与有井条件下的地震智能反演，并能够充分发挥深度学习的优势，提高地震反演精度。6.为实现上述目的，本发明采取以下技术方案：一种地质建模与地震正演联合驱动的地震智能反演方法，其包括：将无井或少井区域作为研究区，基于该研究区沉积相类型，选取符合所述研究区沉积相类型的沉积演化模式；基于所述沉积演化模式，模拟地质体的沉积与演化过程，建立所述研究区的三维沉积相模型，并基于所述三维沉积相模型构建三维波阻抗模型，进行地震正演模拟，得到所述研究区的正演地震数据体；设置虚拟井，将所述虚拟井与所述正演地震数据体进行深度学习，得到测试后的学习模型，将实际地震数据体输入所述测试后的学习模型，对所述实际地震数据体求解，输出地震智能反演结果。7.进一步，所述基于所述沉积演化模式，模拟地质体的沉积与演化过程，建立所述研究区的三维沉积相模型，包括：8.单独以地震层位解释或以地震层位解释与测井分层数据恢复所述研究区的古地貌特征，选取能够反映沉积相分布的地震属性；9.单独以地震属性或以地震属性和测井数据为条件数据，以古地貌数据为地质体沉积方向与演化过程的依据，在所述沉积演化模式指导下，在地层格架的限定下，逐层模拟地质体的沉积与演化过程，继而模拟地质体的几何形态与空间分布，建立地质体空间分布模型；10.根据地质体的几何形态与岩性特征，明确各地质体的沉积相类型，从而将所述地质体空间分布模型转化为三维沉积相模型。11.进一步，所述恢复所述研究区的古地貌特征的方法包括：12.如果研究区有少量井数据，则基于地震层位解释与测井分层数据，建立所述研究区的等时地层格架；13.在等时地层格架的基础上，采用标志层拉平与沉积厚度校正的方法，恢复研究区的古地貌特征。14.进一步，所述基于所述三维沉积相模型构建三维波阻抗模型，包括：15.根据与研究区沉积相特征相似的露头沉积或研究区实际测井数据，明确各沉积微相的波阻抗值域范围；16.在所述波阻抗值域范围的限定下，在波阻抗标定后的沉积相模型中，如果研究区有少量井，则通过井数据插值建立所述研究区的所述三维波阻抗模型，如果研究区没有井，则通过赋值建立所述研究区的所述三维波阻抗模型。17.进一步，所述进行地震正演模拟，得到研究区正演地震数据体，包括：18.从所述研究区实际地震数据体中提取目的层段的地震统计子波，作为所述研究区的实际地震子波；19.通过所述实际地震子波，利用地震正演方法对所述研究区的所述三维波阻抗模型进行三维地震正演模拟，得到研究区三维正演地震数据体。20.进一步，无井条件时，设置所述虚拟井，与所述正演地震数据体进行深度学习，得到测试后的学习模型的方法包括：21.在所述正演地震数据体中设置所述虚拟井；22.将所述虚拟井的地质数据与井旁道正演地震数据作为正演学习数据集；23.从所述正演学习数据集中随机选取一部分数据作为训练数据集，另一部分作为测试数据集，并采用深度学习算法对所述训练数据集进行深度学习，建立初始学习模型；24.通过所述测试数据集对所述初始学习模型进行检验，检验合格后，得到所述测试后的学习模型。25.进一步，有井条件时，所述设置虚拟井，所有井与所有地震数据进行深度学习，得到测试后的学习模型的方法包括：26.在所述正演地震数据体中设置所述虚拟井；27.将所述虚拟井的地质数据与虚拟井的井旁道地震数据作为正演学习数据集，将实际井的测井解释数据与实际井的井旁道地震数据作为实际学习数据集，所述正演学习数据集与所述实际学习数据集组成总学习数据集；28.从所述总学习数据集中随机选取一部分数据作为训练数据集，另一部分作为测试数据集，并采用深度学习算法对所述训练数据集进行监督学习，学习过程选用不少于5层的学习网络，建立初始学习模型；29.通过所述测试数据集对所述初始学习模型进行检验，检验合格后，得到所述测试后的学习模型。30.一种地质建模与地震正演联合驱动的地震智能反演系统，其包括：第一处理模块，将无井或少井区域作为研究区，基于该研究区沉积相类型，选取符合所述研究区沉积相类型的沉积演化模式；第二处理模块，基于所述沉积演化模式，模拟地质体的沉积与演化过程，建立所述研究区的三维沉积相模型，并基于所述三维沉积相模型构建三维波阻抗模型，进行地震正演模拟，得到研究区三维正演地震数据体；智能反演输出模块，设置虚拟井，与正演地震数据体进行深度学习，得到测试后的学习模型，将实际地震数据体输入所述测试后的学习模型，对所述实际地震数据体求解，输出地震智能反演结果。31.一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行上述方法中的任一方法。32.一种计算设备，其包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行上述方法中的任一方法的指令。33.本发明由于采取以上技术方案，其具有以下优点：34.1、本发明解决了无井条件(或少井条件)无法开展地震智能反演的难题。35.2、本发明将地质建模、地震正演与地震智能反演有机结合，提高了少井条件下的地震反演精度。附图说明36.图1是本发明一实施例中地质建模与地震正演联合驱动的地震智能反演方法整体流程示意图；37.图2是本发明一实施例中地质建模与地震正演联合驱动的地震智能反演方法详细流程示意图；38.图3是本发明一实施例中三维沉积相模型构建流程图；39.图4是本发明一实施例中三维波阻抗模型构建流程图；40.图5是本发明一实施例中无井条件下虚拟井设置与正演地震数据体的智能学习流程图；41.图6是本发明一实施例中有井条件下虚拟井设置与正演地震数据体的智能学习流程图。具体实施方式42.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例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的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。43.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。44.缩略语和关键术语定义为：45.沉积演化地质建模：又称沉积演化建模，是一种基于地质体沉积与演化过程的地质建模方法；46.沉积微相：沉积相内部更小级次的沉积单元；47.地震正演：已知地质模型求取相应地震响应的过程；48.地震反演：将地震资料变成可与测井资料(或地质体)直接对比的形式的过程；49.地震智能反演：基于人工智能算法的地震反演方法。50.本发明提供的地质建模与地震正演联合驱动的地震智能反演方法及系统，其包括：将无井或少井区域作为研究区，基于该研究区沉积相类型，选取符合研究区沉积相类型的沉积演化模式；基于沉积演化模式，模拟地质体的沉积与演化过程，建立研究区的三维沉积相模型，并基于三维沉积相模型构建三维波阻抗模型，进行地震正演模拟，得到研究区正演地震数据体；设置虚拟井，与正演地震数据进行深度学习，得到测试后的学习模型，将实际地震数据体输入测试后的学习模型，对实际地震数据体求解，输出地震智能反演结果。本发明能同时适用于无井与有井条件下的地震智能反演，并能够充分发挥深度学习的优势，提高地震反演的精度。51.在本发明的一个实施例中，提供一种地质建模与地震正演联合驱动的地震智能反演方法。本实施例中，针对无井或少井区域(如平均井距大于2公里或钻井数量少于10)的储层预测，进行地震智能反演，如图1、图2所示，该方法包括以下步骤：52.1)将无井或少井区域作为研究区，基于该研究区沉积相类型，选取符合研究区沉积相类型的沉积演化模式；53.2)基于沉积演化模式，模拟地质体的沉积与演化过程，建立研究区的三维沉积相模型(简称相模型)；并基于三维沉积相模型构建三维波阻抗模型，进行地震正演模拟，得到研究区的正演地震数据体；54.3)设置虚拟井，将虚拟井与正演地震数据体进行深度学习，得到测试后的学习模型，将实际地震数据体输入测试后的学习模型，对实际地震数据体求解，输出地震智能反演结果。55.上述步骤2)中，基于沉积演化模式，模拟地质体的沉积与演化过程，再现地质体的几何形态、空间分布与叠置关系，建立研究区的三维沉积相模型，如图3所示，包括以下步骤：56.2.1.1)单独以地震层位解释或以地震层位解释与测井分层数据恢复研究区的古地貌特征，选取能够反映沉积相分布的地震属性；57.2.1.2)单独以地震属性或以地震属性和测井数据为条件数据，以古地貌数据为地质体沉积方向与演化过程的依据，在所述沉积演化模式指导下，在地层格架的限定下，逐层模拟地质体的沉积与演化过程，继而模拟地质体的几何形态与空间分布，建立地质体空间分布模型；58.具体为：59.如果研究区没有井数据，则单独以地震属性为条件数据，以古地貌数据为地质体沉积方向与演化过程的依据，在所述沉积演化模式指导下，在地层格架的限定下，逐层模拟地质体的沉积与演化过程，继而模拟地质体的几何形态与空间分布，建立地质体空间分布模型；60.如果研究区有少量井数据，则以地震属性和测井数据为条件数据，以古地貌数据为地质体沉积方向与演化过程的依据，在所述沉积演化模式指导下，在地层格架的限定下，逐层模拟地质体的沉积与演化过程，继而模拟地质体的几何形态与空间分布，建立地质体空间分布模型；61.2.1.3)根据地质体的几何形态与岩性特征，明确各地质体的沉积相类型，例如河流沉积背景下，条带状的厚层砂体即为河道相，从而将地质体空间分布模型转化为三维沉积相模型。62.上述实施例中，三维沉积相模型的建模结果仅是一个符合研究区沉积模式的随机模型，并不能代表研究区实际的沉积相分布。63.上述步骤2.1.1)中，恢复研究区的古地貌特征的方法包括以下步骤：64.2.1.1.1)基于地震层位解释，或结合测井分层数据(如果有)，建立研究区的高精度等时地层格架；65.具体为：如果研究区没有井数据，则基于地震层位解释，建立研究区的等时地层格架；66.如果研究区有少量井数据，则基于地震层位解释与测井分层数据，建立所述研究区的等时地层格架；67.2.1.1.2)在等时地层格架的基础上，采用标志层拉平与沉积厚度校正的方法，恢复研究区的古地貌特征。68.上述步骤2)中，基于三维沉积相模型构建三维波阻抗模型，如图4所示，包括以下步骤：69.2.2.1)根据与研究区沉积相特征相似的露头沉积或研究区实际测井数据，明确各沉积微相的波阻抗值域范围；70.如果研究区没有井数据，则根据与研究区沉积相特征相似的露头沉积，明确(标定)各沉积微相的波阻抗值域范围；71.如果研究区有少量井数据，根据研究区实际测井数据(如声波与密度测井)，明确(标定)各沉积微相的波阻抗值域范围；72.2.2.2)在波阻抗值域范围的限定下，在波阻抗标定后的沉积相模型中，如果研究区有少量井，则通过井数据插值建立三维波阻抗模型，如果研究区没有井，则通过赋值建立三维波阻抗模型。73.上述实施例中，由于沉积相模型符合研究区的沉积模式(即分布规律)，该波阻抗模型同样符合研究区地质体的波阻抗分布规律。74.上述步骤2)中，进行地震正演模拟，得到研究区正演地震数据体的方法包括以下步骤：75.2.3.1)从研究区实际地震数据体中提取目的层段的地震统计子波，作为研究区的实际地震子波；76.2.3.2)通过实际地震子波，利用地震正演方法对研究区的三维波阻抗模型进行三维地震正演模拟，得到研究区三维正演地震数据体。77.在本实施例中，地震正演方法可以采用波前速度场扫描或波动方程。78.上述实施例中，因为三维波阻抗模型符合研究区的波阻抗分布规律，地震子波来源于研究区实际地震数据体，所以该正演地震数据符合研究区的地震响应模式与规律。79.上述步骤3)中，根据有井、无井数据，设置虚拟井，与基于正演地震数据体进行深度学习分为两个技术方案。其中：80.如图5所示，无井条件时，设置虚拟井，与正演地震数据体进行深度学习，得到测试后的学习模型的方法包括以下步骤：81.3.1.1)在正演地震模型中设置虚拟井，初始值为设置100口虚拟井，可以调整；82.3.1.2)由于地质模型及其正演地震数据体已知，故将虚拟井的地质数据与虚拟井的井旁道地震数据作为正演学习数据集；83.3.1.3)从正演学习数据集中随机选取一部分数据作为训练数据集，另一部分作为测试数据集，并采用深度学习算法对训练数据集进行深度学习，建立初始学习模型；84.在本实施例中，从正演学习数据集中随机选取70％的作为训练数据集，30％数据作为测试数据集；85.深度学习算法可以采用现有的方法即可，如随机森林与卷积神经网络算法。86.3.1.4)通过测试数据集对初始学习模型进行检验，检验合格后，得到测试后的学习模型。若检验不合格，则对模型参数进行优化、对虚拟井数量进行调整，循环迭代该优化过程，直到模型检验合格。87.如图6所示，有井条件时(即有实际井)，设置虚拟井的数量，所有井(包括虚拟井与实际井)与所有地震数据(包括实际地震数据和正演地震数据体)进行深度学习，得到测试后的学习模型的方法包括以下步骤：88.3.2.1)在正演地震数据体中设置虚拟井，初始值为设置100口虚拟井，可以调整；89.3.2.2)将虚拟井的地质数据与虚拟井的井旁道地震数据作为正演学习数据集，将实际井的测井解释数据与实际井的井旁道地震数据作为实际学习数据集，正演学习数据集与实际学习数据集组成总学习数据集；90.3.2.3)从总学习数据集中随机选取一部分数据作为训练数据集，另一部分作为测试数据集，并采用深度学习算法对训练数据集进行监督学习，学习过程选用不少于5层的学习网络，建立初始学习模型；通过不少于5层的学习网络实现真正意义上的深度学习。91.在本实施例中，从总学习数据集中随机选取70％的作为训练数据集，30％数据作为测试数据集；92.深度学习算法可以采用现有的方法即可，如随机森林与卷积神经网络算法。93.3.2.4)通过测试数据集对初始学习模型进行检验，检验合格后，得到测试后的学习模型。如果检验模型不合格，则对模型参数进行优化、对虚拟井数量进行调整，循环迭代该优化过程，直到模型检验合格。94.综上，本发明适用于无井条件下(或少井条件下)的地震智能反演，对缺少井数据的油田(如海上油田、陆上油田的勘探或开发初期的区块)具有良好的应用前景、重大的工业价值。通过沉积演化地质建模与地震正演模拟，为研究区提供大量虚拟井数据，从而为深度学习提供足够的学习样本。充足的学习样本能够应用多层(5层及以上)学习网络，充分体现深度学习的优势(本发明选取随机森林或卷积神经网络算法)，更好挖掘地质体与地震响应间的映射关系；最终提高地震反演结果的可靠性与识别精度。95.在本发明的一个实施例中，提供一种地质建模与地震正演联合驱动的地震智能反演系统，其包括：96.第一处理模块，将无井或少井区域作为研究区，基于该研究区沉积相类型，选取符合研究区沉积相类型的沉积演化模式；97.第二处理模块，基于沉积演化模式，模拟地质体的沉积与演化过程，建立研究区的三维沉积相模型，并基于三维沉积相模型构建三维波阻抗模型，进行地震正演模拟，得到研究区正演地震数据体；98.智能反演输出模块，设置虚拟井，与正演地震数据体进行深度学习，得到测试后的学习模型，将实际地震数据体输入测试后的学习模型，对实际地震数据体求解，输出地震智能反演结果。99.本实施例提供的系统是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。100.本发明一实施例中提供的计算设备结构，该计算设备可以是终端，其可以包括：处理器(processor)、通信接口(communications interface)、存储器(memory)、显示屏和输入装置。其中，处理器、通信接口、存储器通过通信总线完成相互间的通信。该处理器用于提供计算和控制能力。该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和计算机程序，该计算机程序被处理器执行时以实现一种地震智能反演方法；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。该通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、管理商网络、nfc(近场通信)或其他技术实现。该显示屏可以是液晶显示屏或者电子墨水显示屏，该输入装置可以是显示屏上覆盖的触摸层，也可以是计算设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。处理器可以调用存储器中的逻辑指令，以执行如下方法：将无井或少井区域作为研究区，基于该研究区沉积相类型，选取符合研究区沉积相类型的沉积演化模式；基于沉积演化模式，模拟地质体的沉积与演化过程，建立研究区的三维沉积相模型，并基于三维沉积相模型构建三维波阻抗模型，进行地震正演模拟，得到研究区正演地震数据体；设置虚拟井，与正演地震数据体进行深度学习，得到测试后的学习模型，将实际地震数据体输入测试后的学习模型，对实际地震数据体求解，输出地震智能反演结果。101.此外，上述的存储器中的逻辑指令可以通过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，本发明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)执行本发明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。102.本领域技术人员可以理解，上述计算设备结构，仅仅是与本技术方案相关的部分结构，并不构成对本技术方案所应用于其上的计算设备的限定，具体的计算设备可以包括更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。103.在本发明的一个实施例中，提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：将无井或少井区域作为研究区，基于该研究区沉积相类型，选取符合研究区沉积相类型的沉积演化模式；基于沉积演化模式，模拟地质体的沉积与演化过程，建立研究区的三维沉积相模型，并基于三维沉积相模型构建三维波阻抗模型，进行地震正演模拟，得到研究区正演地震数据体；设置虚拟井，与正演地震数据体进行深度学习，得到测试后的学习模型，将实际地震数据体输入测试后的学习模型，对实际地震数据体求解，输出地震智能反演结果。104.在本发明的一个实施例中，提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储服务器指令，该计算机指令使计算机执行上述各实施例提供的方法，例如包括：将无井或少井区域作为研究区，基于该研究区沉积相类型，选取符合研究区沉积相类型的沉积演化模式；基于沉积演化模式，模拟地质体的沉积与演化过程，建立研究区的三维沉积相模型，并基于三维沉积相模型构建三维波阻抗模型，进行地震正演模拟，得到研究区正演地震数据体；设置虚拟井，与正演地震数据体进行深度学习，得到测试后的学习模型，将实际地震数据体输入测试后的学习模型，对实际地震数据体求解，输出地震智能反演结果。105.上述实施例提供的一种计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。106.本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。107.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。108.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。109.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!