一种基于ERT和EMF测量油气水三相流液相流量的方法及装置与流程

测量装置的制造及其应用技术一种基于ert和emf测量油气水三相流液相流量的方法及装置技术领域1.本发明属于多相流技术领域，特别涉及一种基于ert和emf测量油气水三相流液相流量的方法及装置。背景技术：2.油气水三相流广泛存在于石油、化工、制造业和其他工业领域。准确测量每一个相的流速可以促进油井勘探的科学规划和优化生产过程。然而，在实际应用中，由于受到石油勘探现场的时间和地点以及井内温度和压力的不确定性的影响，三相流状况复杂多变。目前，传统的方法是通过分离器将混合物的各相分离，并通过单相流量计完成各阶段的流量测量，这种方法效率低，成本高，需要大量的人力资源，无法达到实时测量的要求。3.电阻层析成像(ert)是一种电层析成像技术，采用管道周围的边界电压来重建传感器截面的电导率分布。含水率(wlr)和含气率(gvf)是油气水三相流的两个重要参数。电磁流量计(emf)是基于电磁感应原理，常被用来测量单相液体的流量。4.在ert和emf传感器结合使用的应用场景，许多数据融合方法在理论和实践上都被证明是可行的。deng等人提出了一种融合ert和emf信息的方法，从emf中获得流动模式和相位分布，以帮助ert的图像重建，进而减少emf的测量误差，提高测量精度。faraj等人开发了一种新型的双模式系统，用于油水两相流的在线快速相量流量测量，水的流速由emf确定，并由ert测量的平均油体积分数。5.神经网络在解决非线性和多维问题方面具有明显的优势。近年来，随着人工智能的兴起，越来越多的研究倾向于应用机器学习(ml)和深度学习(dl)模型来解决工业领域的实际问题。shaban和tavoularis使用了从压差信号测量气体和液体流量的ml算法。其中主成分分析(pca)被用于信号的预处理，独立分量分析(ica)被用于特征提取。hu提出了一种新的网络结构流量对抗生成网络(fan)在流速预测中的应用，结果表明fan可以有效地防止精度下降，在流速预测领域比卷积神经网络(cnn)算法或其他最先进的方法有更好的表现。6.然而由于三相流流型的复杂性多变性，基于传统方法的ert-emf测量系统仍难以实现高精度的液相流量预测结果。技术实现要素：7.本说明书实施例的目的是提供一种基于ert和emf测量油气水三相流液相流量的方法及装置。8.为解决上述技术问题，本技术实施例通过以下方式实现的：9.第一方面，本技术提供一种基于ert和emf测量油气水三相流液相流量的方法，该方法包括：10.获取待测量的三相流数据；11.对三相流数据进行预处理，得到预处理后三相流数据；12.根据适用边界，确定适用范围；13.根据预处理后三相流数据及适用范围，选取不同方式预测三相流液相流量。14.在其中一个实施例中，预处理包括ert信号归一化、ert信号空间性能分析以及emf信号异常点筛选。15.在其中一个实施例中，根据预处理后三相流数据及适用范围，选取不同方式预测三相流液相流量，包括：16.若预处理后数据在适用范围内，则使用流型识别的方法进行特征提取，使用机器学习模型进行参数修正；17.根据修正后参数，预测三相流液相流量。18.在其中一个实施例中，机器学习模型为线性回归模型。19.在其中一个实施例中，根据预处理后三相流数据及适用范围，选取不同方式预测三相流液相流量，包括：20.若预处理后数据不在适用范围内，则使用深度学习模型预测三相流液相流量。21.在其中一个实施例中，深度学习模型为基于cnn-lstm的神经网络。22.在其中一个实施例中，适用边界通过下述步骤确定：23.获取三相流实验数据；24.根据三相流实验数据，确定电压均值、电压标准差、emf信号标准差、emf信号误差率；25.根据电压均值、电压标准差、emf信号标准差、emf信号误差率及含水率预测结果，确定适用边界。26.第二方面，本技术提供一种基于ert和emf测量油气水三相流液相流量的装置，该装置包括：27.获取模块，用于获取待测量的三相流数据；28.预处理模块，用于对三相流数据进行预处理，得到预处理后三相流数据；29.确定模块，用于根据适用边界，确定适用范围；30.处理模块，用于根据预处理后三相流数据及适用范围，选取不同方式预测三相流液相流量。31.第三方面，本技术提供一种电子设备，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，处理器执行程序时实现如第一方面的基于ert和emf测量油气水三相流液相流量的方法。32.第四方面，本技术提供一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面的基于ert和emf测量油气水三相流液相流量的方法。33.由以上本说明书实施例提供的技术方案可见，该方案：在不同适用范围内，采用不同预测方式，可以提高预测精度。附图说明34.为了更清楚地说明本说明书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说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。35.图1为本技术提供的基于ert和emf测量油气水三相流液相流量的方法的流程示意图；36.图2为本技术提供的emf信号标准差与含气率的关系图；37.图3为本技术提供的低含水率下四种ert电极对的归一化电压值分别与含水率的关系图；38.图4为本技术提供的五个关键参数分别与含气率的关系图；39.图5为本技术提供的适用范围内线性回归模型的拟合结果图；图5(a)为emf原始信号与修正后emf信号的结果图；图5(b)为使用原始ert电压和修正后的ert电压计算所得含水率的结果图；40.图6为本技术提供的适用范围内在测试集上液相流量的预测结果图；41.图7为本技术提供的适用范围外测试集上液相流量的预测结果图；42.图8为本技术提供的基于ert和emf测量油气水三相流液相流量的装置的结构示意图；43.图9为本技术提供的电子设备的结构示意图。具体实施方式44.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，下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。45.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。46.在不背离本技术的范围或精神的情况下，可对本技术说明书的具体实施方式做多种改进和变化，这对本领域技术人员而言是显而易见的。由本技术的说明书得到的其他实施方式对技术人员而言是显而易见得的。本技术说明书和实施例仅是示例性的。47.关于本文中所使用的“包含”、“包括”、“具有”、“含有”等等，均为开放性的用语，即意指包含但不限于。48.本技术中的“份”如无特别说明，均按质量份计。49.下面结合附图和实施例对本发明进一步详细说明。50.参照图1，其示出了适用于本技术实施例提供的基于ert和emf测量油气水三相流液相流量的方法的流程示意图。51.如图1所示，基于ert和emf测量油气水三相流液相流量的方法，可以包括：52.s110、获取待测量的三相流数据。53.具体的，待测量的三相流数据可以为实时获取的三相流数据，也可以为通过设计实验获取的三相流数据，在此不做限制。其中，三相流数据包括ert信号、emf信号和plc信号。可以理解的，三相流数据可以采用ert传感器和emf传感器获取。其中，ert传感器可以获取得到ert信号，ert信号可以为ert传感器测量的具有20维度的电压值信号，emf传感器可以获取得到emf信号，emf信号可以为emf传感器测量的具有1维度的液相流量测量信号。plc信号为输入端的含有油相、水相的2维度的输入端真实流量信号(即真实的含水率和真实的含气率)。54.通过设计实验获取的三相流数据可以涵盖不同流型工况下的三相流数据。其中，不同流型工况是指油气水各相不同的流量，可以通过切换阀门开度来控制各相流量大小。可以理解的，每个流型工况的三相流数据可以为预设时长内采集的三相流数据，示例性的，预设时长可以为45s，预设时长内可以设定每秒采集一次数据，预设时长内采集的每相数据可以称为一段序列，示例性的，每秒采集的数据可以包括20维度的电压值信号和1维度的液相流量测量信号，即一段序列为45×21的矩阵。55.其中，实验条件可以设定为压强为0.2mpa，温度为37℃，液相流量范围3.2m3/h-10.8m3/h，含气率gvf范围为0-40％，含水率wrl范围60％-100％。56.s120、对三相流数据进行预处理，得到预处理后三相流数据。其中，预处理可以包括ert信号归一化、ert信号空间性能分析以及emf信号异常点筛选。57.具体的，ert信号归一化：为消除实验误差，使用满水时刻电压v0进行归一化处理，归一化后的电压vn表达式为：[0058][0059]其中，vm是ert传感器测量的原始电压值(即ert信号)。[0060]emf信号异常点筛选：在含气率较高的情况下emf传感器会出现零信号或者脉冲信号的情况，此时由于非导电介质比例较高导致emf工作状态异常，以标准差emfstd去衡量一个工况的emf传感器的工作状态。[0061][0062]其中n为序列长度，emfi表示第i秒的emf信号值的大小，表示该序列中emf信号的均值，得到的含气率与emfstd的关系如图2所示，emfstd随着含气率的增大而增大，为保证每段序列的emf信号均值可以较好地表示该段序列的emf测量值，筛选出emfstd《3m3/h的工况作为实验数据。[0063]ert信号空间性能分析：传统8-电极ert按照空间位置可以划分为四组：全部电极对组，相邻电极对组，1-间隔电极对组，2-间隔电极对组。选取含气率wlr小于5％部分的数据，其来自不同电极对的ert信号的归一化电压值与含水率的关系图如图3所示(其中，图3(a)为全部电极对组，图3(b)为相邻电极对组，图3(c)为1-间隔电极对组，图3(d)为2-间隔电极对组)，由于管道内少量非导电介质的存在，vn的理想值为大于零且接近零，选取1-间隔电极对作为ert信号的来源。[0064]需要说明的是，下述实施例中三相流数据指预处理后三相流数据。[0065]s130、根据适用边界，确定适用范围。[0066]其中，适用边界根据下述方式确定：[0067]获取三相流实验数据；[0068]根据三相流实验数据，确定电压均值、电压标准差、emf信号标准差、emf信号误差率；[0069]根据电压均值、电压标准差、emf信号标准差、emf信号误差率及含水率预测结果，确定适用边界。[0070]具体的，三相流实验数据包括ert信号和emf信号和plc信号。[0071]含水率预测结果是在传统方法下计算得到的。其中，传统方法是指将油气水三相流问题转化为油水两相流问题，并通过maxwell方程计算含水率，将emf信号近似作液相流量信号，二者结合计算得到油相/水相流量的策略。[0072]对三相流数据集分析涵盖各个工况的ert，emf，plc信号特征分布情况，根据该特征以及在传统方法下计算得到的含水率预测结果，确定一个传统方法的适用范围，并以此将数据集划分为两部分。[0073]具体来说，如图4(包括图4(a)-图4(e))所示，对于一段序列来说，考虑以下五个关键参数：电压均值vn_m，电压标准差vn_std，emf信号标准差emfstd，emf信号与真实流量的误差率emfmape，传统方法的含水率与真实含水率的误差率mxwlr_error。[0074]其中，如图4(a)所示，电压均值vn_m(图4(a)中纵轴vn_m)：反映管道内流型的混合均匀程度，该值越小越接近理想的油水两相流工况。vn_m的表达式：[0075][0076]其中n为序列长度，k为ert信号的维度，vij表示第i秒第j维ert信号的归一化电压值。[0077]如图4(b)所示，电压标准差vn_std(图4(b)中纵轴vn_std)：反映ert信号的稳定性，间接反映管道内流体的混合均匀程度，该值越小ert信号越稳定，越接近理想的油水两相流工况。[0078][0079]其中n为序列长度，k为ert信号的维度，vij表示第i秒第j维ert信号的归一化电压值，表示第i秒ert信号所有维度上的均值。[0080]如图4(c)所示，emf信号标准差emfstd(图4(c)中纵轴emf_std)：反映ert信号的稳定性，该值越小emf信号越稳定，非导电介质的影响效果越小，不易出现异常工作状况。[0081]如图4(d)所示，emf信号与真实流量的误差率emfmape(图4(d)中纵轴emf_mape)：反映emf信号表征真实液相流量的准确性。[0082][0083]其中，为emf的均值，ql为该段序列真实的液相流量。[0084]如图4(e)所示，含水率预测结果(传统方法的含水率与真实含水率的误差率)mxwlr_error(图4(e)中纵轴mx_wrl_error)：反映传统方法计算含水率的准确性。[0085][0086]mxwlr_error＝|wlrm-wlr|[0087]其中，wlr为真实的含水率，wlrm为maxwell方程的计算值。[0088]从gvf＝0％开始以每0.5％为一个跨度统计落在每个含气率段内工况的相关参数的均值，结果如图4所示，对每种参数的部分分析结果如表1所示。[0089]表1五种参数的部分结果[0090] 分界条件gvf＝x％gvf《x％的部分gvf》x％的部分vn_m5.5《1v》2vvn_std5.5《2v》2.5vemfstd5.0《0.5m3/h》0.5m3/hemfmape4.5《10％》10％mxwlr_error5.5《15％》28％[0091]根据表1的结果，选取gvf＝5％为传统方法的一个合理的适用边界，根据适用边界将三相流实验数据分为两部分。为方便区分和对比，将gvf《5％的区间记作zone1，gvf》5％的区间记作zone2。[0092]适用范围是指含气率上界(即适用边界)，在适用范围内即含气率小于含气率上界的工况(即区间zone1)，在适用范围内可以用传统方法计算油相/水相流量。对应的不在适用范围内(适用范围外)即含气率大于含气率上界的工况(即区间zone2)。[0093]s140、根据预处理后三相流数据及适用范围，选取不同方式预测三相流液相流量。[0094]其中，若预处理后数据在适用范围内，则使用流型识别的方法进行特征提取，使用机器学习模型进行参数修正；其中，机器学习模型可以采用线性回归模型。[0095]根据修正后参数，预测三相流液相流量。[0096]如图4(b)所示，vn_std随着gvf的增大而增大，从而ert信号的稳定性越差。依此为基准选取一段信号的ert标准差为极小值的时刻(t0,t1......tn′)来重新计算当前工况的电压均值v′n：[0097][0098]在emf信号和ert信号的训练集上分别训练线性回归模型，其中，线性回归模型的输入为emf信号和ert信号，输出为液相流量和含水率，可以根据真实的液相流量和真实的含水率来判定训练得到线性回归模型的准确率。[0099]其中，若预处理后数据不在适用范围内，则使用深度学习模型预测三相流液相流量。其中，深度学习模型可以采用基于cnn-lstm(convolutional neural network-long short-term memory，卷积神经网络-长短期记忆)的神经网络。示例性的，深度学习模型的网络架构如表2所示：[0100]表2 cnn-lstm网络架构[0101][0102]深度学习模型输入为emf信号和ert信号，输出为油/水相流量。示例性的，可以设置最大训练次数为500次，优化器可以选择adam，损失函数可以为mse，学习率可以设置为5e-5，在训练集上进行训练，选择验证集上效果最好的模型进行测试。[0103]以下为本技术的实验测试：[0104]表3和表4分别是将zone1部分的数据通过传统方法和线性拟合方法得到的含水率估计值和真实的含水率，液相流量的估计值和真实的估计值进行对比，通过mae(mean absolute error，平均绝对误差)、mse(mean squared error，均方误差)、mape(mean absolute percentage error，平均绝对百分比误差)三个指标来衡量预测预测精度。[0105]表3 zone1数据的ert信号在测试集上的结果[0106][0107]表4 zone1数据的emf信号在测试集上的结果[0108][0109]由表3可得，经过线性回归得到的含水率wlrlr的表达式为：[0110]wlrlr＝-0.1205vn_m+0.8819[0111]最终在测试集上相较于wlrm，mae从0.1140提升到0.0569，mse从0.0249提升到0.0053，mape从17.99％提升到7.28％，预测效果如图5(b)所示。[0112]由表3可得，经过线性回归得到的emf修正值emflr的表达式为：[0113][0114]最终在测试集上相较于mae从0.5973提升到0.2592，mse从0.4366提升到0.1160，mape从6.6274％提升到3.0519％。预测效果如图5(a)所示。[0115]ert和emf信号结合起来计算水相流量qw和油相流量qo。[0116]qw＝emflr×wlrlr[0117]qo＝emflr×(1-wlrlr)[0118]将流型识别和线性回归的方法应用到含水率的计算中最终得到表5、6所示的结果。[0119]表5 zone1数据在油/水相流量预测结果(mae)[0120][0121]表6 zone1数据在油/水相流量预测结果(mse)[0122][0123]如表5，表6所示，相比较于传统法，使用流型识别提取特征，使用线性回归修正信号均对于油/水相流量的预测效果有所提升，其中二者结合的策略在测试集上预测效果最好。在mae指标下，水相流量误差可达0.4682，油相流量误差可达0.4556，在mse指标下，水相流量误差可达0.4520，油相流量误差可达0.3669，适用范围内在测试集上液相流量的预测结果图如图6所示，其中，图6(a)为适用范围内水相流量的预测结果图，图6(b)为适用范围内油相流量的预测结果图。[0124]对于zone2的数据ert分别选取相邻电极对、1-间隔电极对、2-间隔电极对、全部电极对时输入特征数分别为9、9、5、21。预测结果如表7、8所示。[0125]表7 zone2数据在油/水相流量预测结果(mae)[0126][0127]表8 zone2数据在油/水相流量预测结果(mse)[0128][0129]由表7、8可以从mae和mse指标来看当选择emf信号和全部20组ert电极对为输入信号时，模型的流量预测效果较好，其中水相流量的mae可达0.2307，mse可达0.1256。油相流量的mae可达0.3314，mse可达0.1947。在适用范围外测试集上液相流量的预测结果如图7所示，其中，图7(a)为适用范围外水相流量的预测结果图，图7(b)为适用范围外水相油相流量的预测结果图，从图中可以看出，油/水相流量预测值的误差均在0.5m3/h以内。[0130]本技术实施例提供的基于ert和emf测量油气水三相流液相流量的方法，在不同适用范围内，采用不同预测方式，可以提高预测精度。[0131]本技术基于ert-emf的液相流量测量系统的工作特性，提出了一个将三相流问题转换为两相流问题处理的适用边界，从而确定适用范围。[0132]本技术实施例中，通过流型识别，线性修正的方法实现对含气率0-5％范围内(即适用范围内)液相流量的预测效果提升。[0133]本技术实施例中，通过深度学习的模型实现对含气率5％-40％范围内(即适用范围外)工况的液相流量的精准预测。[0134]参照图8，其示出了根据本技术一个实施例描述的基于ert和emf测量油气水三相流液相流量的装置的结构示意图。[0135]如图8所示，基于ert和emf测量油气水三相流液相流量的装置800，可以包括：[0136]获取模块810，用于获取待测量的三相流数据；[0137]预处理模块820，用于对三相流数据进行预处理，得到预处理后三相流数据；[0138]确定模块830，用于根据适用边界，确定适用范围；[0139]处理模块840，用于根据预处理后三相流数据及适用范围，选取不同方式预测三相流液相流量。[0140]可选的，预处理模块820还用于：ert信号归一化、ert信号空间性能分析以及emf信号异常点筛选。[0141]可选的，处理模块840还用于：[0142]若预处理后数据在适用范围内，则使用流型识别的方法进行特征提取，使用机器学习模型进行参数修正；[0143]根据修正后参数，预测三相流液相流量。[0144]可选的，机器学习模型为线性回归模型。[0145]可选的，处理模块840还用于：[0146]若预处理后数据不在适用范围内，则使用深度学习模型预测三相流液相流量。[0147]可选的，深度学习模型为基于cnn-lstm的神经网络。[0148]可选的，该装置还包括边界确定模块，用于确定适用边界：[0149]获取三相流实验数据；[0150]根据三相流实验数据，确定电压均值、电压标准差、emf信号标准差、emf信号误差率；[0151]根据电压均值、电压标准差、emf信号标准差、emf信号误差率及含水率预测结果，确定适用边界。[0152]本实施例提供的一种基于ert和emf测量油气水三相流液相流量的装置，可以执行上述方法的实施例，其实现原理和技术效果类似，在此不再赘述。[0153]图9为本发明实施例提供的一种电子设备的结构示意图。如图9所示，示出了适于用来实现本技术实施例的电子设备300的结构示意图。[0154]如图9所示，电子设备300包括中央处理单元(cpu)301，其可以根据存储在只读存储器(rom)302中的程序或者从存储部分308加载到随机访问存储器(ram)303中的程序而执行各种适当的动作和处理。在ram 303中，还存储有设备300操作所需的各种程序和数据。cpu 301、rom 302以及ram 303通过总线304彼此相连。输入/输出(i/o)接口305也连接至总线304。[0155]以下部件连接至i/o接口305：包括键盘、鼠标等的输入部分306；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分307；包括硬盘等的存储部分308；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分309。通信部分309经由诸如因特网的网络执行通信处理。驱动器310也根据需要连接至i/o接口305。可拆卸介质311，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器310上，以便于从其上读出的计算机程序根据需要被安装入存储部分308。[0156]特别地，根据本公开的实施例，上文参考图1描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，计算机程序包含用于执行上述基于ert和emf测量油气水三相流液相流量的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分309从网络上被下载和安装，和/或从可拆卸介质311被安装。[0157]附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，前述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。[0158]描述于本技术实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中。这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。[0159]上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、笔记本电脑、行动电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。[0160]作为另一方面，本技术还提供了一种存储介质，该存储介质可以是上述实施例中前述装置中所包含的存储介质；也可以是单独存在，未装配入设备中的存储介质。存储介质存储有一个或者一个以上程序，前述程序被一个或者一个以上的处理器用来执行描述于本技术的基于ert和emf测量油气水三相流液相流量的方法。[0161]存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。[0162]需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。[0163]本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。









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!