泵径确定模型的构建方法、泵径确定方法和装置

技术领域

本申请涉及油田开发技术领域，特别是涉及一种泵径确定模型的构建方法、装置、存储介质和电子设备以及泵径确定方法、装置、存储介质和电子设备。

背景技术

井下举升泵设备是油田开发的重要设备之一，井下举升泵设备主要包括抽油泵、电潜泵和螺杆泵三种。其中，抽油泵是最为常见的油井井下举升泵设备。采用抽油泵的油井称为抽油井，抽油井通过地面采油设备的往复运动，带动井筒中的抽油泵将地层中的原油举升至地面。

抽油泵型号区分的最主要参数是泵径，不同抽油泵的泵径代表不同的理论排量，不同的理论排量是指在单位时间内抽出不同的原油体积。不同泵径带动液体在井筒内运动时所消耗的电量不同，因此，泵径的选择十分重要。而传统的抽油泵的泵径一般依靠人工进行选择，导致传统的泵径选择存在效率低的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种提高效率的泵径确定模型的构建方法、装置、存储介质和电子设备以及泵径确定方法、装置、存储介质和电子设备。

一种泵径确定模型的构建方法，所述方法包括：

获取抽油井的历史生产数据，所述历史生产数据包括不同泵径条件下的抽油泵生产数据、产液量数据、耗电量数据以及冲次数据；

将所述抽油泵生产数据、所述产液量数据、所述耗电量数据、所述冲次数据输入至预设机器学习模型；

根据所述预设机器学习模型的输出数据，得到不同泵径条件下冲次与产液量之间的关系以及对应的冲次与吨液耗电量之间的关系；

根据所述冲次与产液量之间的关系、所述冲次与吨液耗电量之间的关系以及所述历史生产数据，调节所述预设机器学习模型的参数，直至满足预设停止条件，获得已训练的泵径确定模型。

在一个实施例中，所述抽油泵生产数据包括示功图数据，获取不同泵径条件下的示功图数据包括：

获取不同泵径条件下的初始示功图数据；

基于最小二乘法对所述初始示功图数据进行筛选，获得不同泵径条件下的示功图数据。

在一个实施例中，所述获取不同泵径条件下的示功图数据之后，还包括：

将所述示功图数据转化为泵功图数据；

对所述泵功图数据进行均值滤波以及归一化处理，获取处理后的泵功图的曲率以及曲率变化量，根据所述曲率以及曲率变化量获得有效冲程数据；

获取抽油泵生产数据包括：

获取抽油泵初始生产数据，基于所述有效冲程数据对所述初始生产数据进行更新，获得抽油泵生产数据。

在一个实施例中，所述获取抽油井的历史生产数据包括：

获取抽油井的初始历史生产数据；

基于预设数据项之间的业务规则对所述初始历史生产数据中的数据项进行校验，基于校验结果剔除数据异常值，获得抽油井的历史生产数据。

一种泵径确定模型的构建装置，所述装置包括：

训练数据获取模块，用于获取抽油井的历史生产数据，所述历史生产数据包括不同泵径条件下的抽油泵生产数据、产液量数据、耗电量数据以及冲次数据；

模型数据输入模块，用于将所述抽油泵生产数据、所述产液量数据、所述耗电量数据、所述冲次数据输入至预设机器学习模型；

模型数据输出模块，用于根据所述预设机器学习模型的输出数据，得到不同泵径条件下冲次与产液量之间的关系以及对应的冲次与吨液耗电量之间的关系；

模型参数调节模块，用于根据所述冲次与产液量之间的关系、所述冲次与吨液耗电量之间的关系以及所述历史生产数据，调节所述预设机器学习模型的参数，直至满足预设停止条件，获得已训练的泵径确定模型。

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泵径确定模型的构建方法。

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，以执行泵径确定模型的构建方法。

上述泵径确定模型的构建方法、装置、存储介质和电子设备，通过获取抽油井的历史生产数据，将抽油泵生产数据、产液量数据、耗电量数据、冲次数据输入至预设机器学习模型，根据预设机器学习模型的输出数据，得到不同泵径条件下冲次与产液量之间的关系以及对应的冲次与吨液耗电量之间的关系，根据冲次与产液量之间的关系、冲次与吨液耗电量之间的关系以及历史生产数据，调节预设机器学习模型的参数，直至满足预设停止条件，获得已训练的泵径确定模型，由此可以通过已训练的泵径确定模型自动生成不同泵径条件下冲次与产液量之间的关系以及对应的冲次与吨液耗电量之间的关系，而不同泵径条件下冲次与产液量之间的关系以及对应的冲次与吨液耗电量之间的关系是泵径选择的重要因素，因此可以间接提高泵径选择的效率。

一种泵径确定方法，所述方法包括：

获取抽油井的当前生产数据，所述当前生产数据包括不同泵径条件下的抽油泵生产数据、产液量数据、耗电量数据以及冲次数据；

读取预设的泵径确定模型，所述泵径确定模型由泵径确定模型的构建方法进行构建得到；

将所述抽油泵生产数据、所述产液量数据、所述耗电量数据以及所述冲次数据输入至所述泵径确定模型；

根据所述泵径确定模型的输出数据，得到不同泵径条件下的优选冲次。

一种泵径确定装置，所述装置包括：

当前数据获取模块，用于获取抽油井的当前生产数据，所述当前生产数据包括不同泵径条件下的抽油泵生产数据、产液量数据、耗电量数据以及冲次数据；

模型获取模块，用于读取预设的泵径确定模型，所述泵径确定模型由泵径确定模型的构建方法进行构建得到；

数据导入模块，用于将所述抽油泵生产数据、所述产液量数据、所述耗电量数据以及所述冲次数据输入至所述泵径确定模型；

数据处理模块，用于根据所述泵径确定模型的输出数据，得到不同泵径条件下的优选冲次。

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泵径确定方法。

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，以执行泵径确定方法。

上述泵径确定方法、装置、存储介质和电子设备，通过获取抽油井的当前生产数据，读取预设的泵径确定模型，将抽油泵生产数据、产液量数据、耗电量数据以及冲次数据输入至泵径确定模型，根据泵径确定模型的输出数据，得到不同泵径条件下的优选冲次，这样无需人工对数据进行分析，因而可以提高泵径选择的效率。

附图说明

图1为一个实施例中泵径确定模型的构建方法的应用环境图；

图2为一个实施例中泵径确定模型的构建方法的流程示意图；

图3为一个实施例中泵径确定方法的流程示意图；

图4为一个实施例中泵径确定模型的构建装置的结构框图；

图5为一个实施例中泵径确定装置的结构框图；

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。

本申请提供的泵径确定模型的构建方法，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输入抽油井的历史生产数据。服务器104获取抽油井的历史生产数据，历史生产数据包括不同泵径条件下的抽油泵生产数据、产液量数据、耗电量数据以及冲次数据；将抽油泵生产数据、产液量数据、耗电量数据、冲次数据输入至预设机器学习模型；根据预设机器学习模型的输出数据，得到不同泵径条件下冲次与产液量之间的关系以及对应的冲次与吨液耗电量之间的关系；根据冲次与产液量之间的关系、冲次与吨液耗电量之间的关系以及历史生产数据，调节预设机器学习模型的参数，直至满足预设停止条件，获得已训练的泵径确定模型。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，提供了一种泵径确定模型的构建方法，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，获取抽油井的历史生产数据，历史生产数据包括不同泵径条件下的抽油泵生产数据、产液量数据、耗电量数据以及冲次数据。

抽油泵生产数据是指抽油泵工作过程中的相关数据，比如泵深、冲程、油套压、动液面、示功图载荷位移、有效冲程、示功图面积等数据。冲次是指抽油井在一分钟内上下往复运动的次数，抽油井的冲次直接决定单井的产液量。一般而言，冲次越高，产液量越高，同时对应的耗电量越大，所带来的吨液采集成本越高。

步骤204，将抽油泵生产数据、产液量数据、耗电量数据、冲次数据输入至预设机器学习模型。

预设机器学习模型可以包括分类器模型，比如基于XGBoost(eXtreme GradientBoosting，极端梯度提升)分类机器学习模型，XGBoost是Boosting算法的一种，Boosting算法是将许多弱分类器集成在一起形成一个强分类器，因此XGBoost是一种提升树模型，是将许多树模型集成在一起，而所采用的树模型具体可以是CART(Classification andregression tree，分类与回归树)模型。CART模型的基本原理是假设树为二叉树，通过不断将特征进行分裂，比如当前树结点是基于第j个特征值进行分裂的，将该特征值小于s的样本划分为左子树，大于s的样本划分为右子树。

步骤206，根据预设机器学习模型的输出数据，得到不同泵径条件下冲次与产液量之间的关系以及对应的冲次与吨液耗电量之间的关系。

机器学习模型的输入数据为不同泵径条件下的抽油泵生产数据、产液量数据、耗电量数据以及冲次数据，输出数据为不同泵径条件下冲次与产液量之间的关系以及对应的冲次与吨液耗电量之间的关系，比如，泵径分别为φ38mm、φ57mm、φ70mm、φ90mm情况下冲次与产液量之间的线性函数关系以及冲次与吨液耗电量之间的线性函数关系。

抽油泵生产数据是产液量、冲次、耗电量的影响因素，机器学习模型通过学习抽油泵生产数据的规律以及产液量数据、耗电量数据、冲次数据，得到不同泵径条件下产液量随冲次变化的曲线以及吨液耗电量随冲次变化的曲线。步骤208，根据冲次与产液量之间的关系、冲次与吨液耗电量之间的关系以及历史生产数据，调节预设机器学习模型的参数，直至满足预设停止条件，获得已训练的泵径确定模型。

具体地，比如将模型参数Learning rate(学习率)调整为0.3，通过减少每一步的权重，可以提高模型的鲁棒性。将模型参数min_child_weigh调整为1，其决定最小叶子节点样本权重和，该参数用于避免过拟合。当该参数值较大时，可以避免模型学习局部的特殊样本，但是如果参数值过高，可能会导致欠拟合。

比如，冲次与产液量之间的关系表示为产液量随冲次变化的曲线，冲次与吨液耗电量之间的关系表示为吨液耗电量随冲次变化的曲线，根据同一泵径条件下产液量随冲次变化的曲线以及吨液耗电量随冲次变化的曲线，得到两条曲线的交点，相应地，得到两个点，横坐标均为冲次X，纵坐标分别为产液量Y1和吨液耗电量Y2，比如A1(X，Y1)和A2(X，Y2)。在抽油井的历史生产数据中查找该泵径条件下，冲次X时的产液量和吨液耗电量，根据在历史生产数据中查找到的产液量和吨液耗电量(真实值)与交点对应的产液量Y1和吨液耗电量Y2(模型输出值)进行比较，当模型输出值与真实值不一致时，调节预设机器学习模型的参数，直至实际输出值与真实值一致。

上述泵径确定模型的构建方法，通过获取抽油井的历史生产数据，将抽油泵生产数据、产液量数据、耗电量数据、冲次数据输入至预设机器学习模型，根据预设机器学习模型的输出数据，得到不同泵径条件下冲次与产液量之间的关系以及对应的冲次与吨液耗电量之间的关系，根据冲次与产液量之间的关系、冲次与吨液耗电量之间的关系以及历史生产数据，调节预设机器学习模型的参数，直至满足预设停止条件，获得已训练的泵径确定模型，由此可以通过已训练的泵径确定模型自动生成不同泵径条件下冲次与产液量之间的关系以及对应的冲次与吨液耗电量之间的关系，而不同泵径条件下冲次与产液量之间的关系以及对应的冲次与吨液耗电量之间的关系是泵径选择的重要因素，因此可以间接提高泵径选择的效率。

在一个实施例中，抽油泵生产数据包括示功图数据，获取不同泵径条件下的示功图数据包括：获取不同泵径条件下的初始示功图数据；基于最小二乘法对初始示功图数据进行筛选，获得不同泵径条件下的示功图数据。基于最小二乘法对初始示功图进行筛选，比如预先设置一个阈值，将所有的初始示功图与同一基准示功图进行比较，分别计算相似度，将计算结果分别与阈值进行比较，比如，在某初始示功图的计算结果大于阈值时，去除该初始示功图。任意两个示功图的最小二乘相似度越小，两者越相似，基于该原理对初始示功图进行自动识别分类。最小二乘相似度是指将任意两个示功图的位移均分为N份，由于示功图的闭合性，在均分的位移点上将对应得到2N份载荷值，计算2N份载荷值对应位置处的载荷差值的平方和，该平方和即为最小二乘相似度。

在一个实施例中，获取不同泵径条件下的示功图数据之后，还包括：将示功图数据转化为泵功图数据；对泵功图数据进行均值滤波以及归一化处理，获取处理后的泵功图的曲率以及曲率变化量，根据曲率以及曲率变化量获得有效冲程数据；获取抽油泵生产数据包括：获取抽油泵初始生产数据，基于有效冲程数据对初始生产数据进行更新，获得抽油泵生产数据。对泵功图进行分区，获取各个分区中曲率最大的点，得到泵功图的四个拐点，比如依次为Q

在一个实施例中，获取抽油井的历史生产数据包括：获取抽油井的初始历史生产数据；基于预设数据项之间的业务规则对初始历史生产数据中的数据项进行校验，基于校验结果剔除数据异常值，获得抽油井的历史生产数据。基于实际业务需求预先对历史生产数据中的数据项制定业务规则，对数据项中的数据进行校验，如果实际数据不符合校验条件，则该数据值被认定为异常值，清除该异常值。通过对异常值的清理可以保证模型训练数据的有效性，从而提高训练好的模型的精度。

在一个实施例中，如图3所示，提供了一种泵径确定方法，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，获取抽油井的当前生产数据，当前生产数据包括不同泵径条件下的抽油泵生产数据、产液量数据、耗电量数据以及冲次数据；

步骤304，读取预设的泵径确定模型，泵径确定模型由泵径确定模型的构建方法进行构建得到；

步骤306，将抽油泵生产数据、产液量数据、耗电量数据以及冲次数据输入至泵径确定模型；

步骤308，根据泵径确定模型的输出数据，得到不同泵径条件下的优选冲次。

其中，根据泵径确定模型的输出数据，得到不同泵径条件下的优选冲次包括：获取泵径确定模型输出的同一泵径条件下冲次与产液量之间的第一关系以及冲次与吨液耗电量之间的第二关系；根据第一关系以及第二关系，确定第一关系与第二关系的交点，获取交点对应的优选冲次；遍历各个不同的泵径条件，得到不同泵径条件下的优选冲次。比如，泵径包括φ38mm、φ57mm、φ70mm、φ90mm四种情况，φ38mm泵径条件下，冲次-产液量曲线A1与冲次-吨液耗电量曲线B1的交点为C1，C1对应的冲次为D1；φ57mm泵径条件下，冲次-产液量曲线A2与冲次-吨液耗电量曲线B2的交点为C2，C2对应的冲次为D2；φ70mm泵径条件下，冲次-产液量曲线A3与冲次-吨液耗电量曲线B3的交点为C3，C3对应的冲次为D3；φ90mm泵径条件下，冲次-产液量曲线A4与冲次-吨液耗电量曲线B4的交点为C4，C4对应的冲次为D4。此时，得到的泵径-冲次数据包括(φ38mm，D1)、(φ57mm，D2)、(φ70mm，D2)以及(φ90mm，D4)。用户在获取到泵径-冲次数据时，可以根据泵径-冲次数据自行选择最合适的泵径。

上述泵径确定方法，通过获取抽油井的当前生产数据，读取预设的泵径确定模型，将抽油泵生产数据、产液量数据、耗电量数据以及冲次数据输入至泵径确定模型，根据泵径确定模型的输出数据，得到不同泵径条件下的优选冲次，这样无需人工对数据进行分析，因而可以提高泵径选择的效率。

在一个实施例中，用户可以通过终端导入抽油井的历史生产数据，比如不同泵径条件下的抽油泵生产数据、产液量数据、耗电量数据以及冲次数据。服务器获取抽油井的历史生产数据，历史生产数据包括不同泵径条件下的抽油泵生产数据、产液量数据、耗电量数据以及冲次数据；将抽油泵生产数据、产液量数据、耗电量数据、冲次数据输入至预设机器学习模型；根据预设机器学习模型的输出数据，得到不同泵径条件下冲次与产液量之间的关系以及对应的冲次与吨液耗电量之间的关系；根据冲次与产液量之间的关系、冲次与吨液耗电量之间的关系以及历史生产数据，调节预设机器学习模型的参数，直至满足预设停止条件，获得已训练的泵径确定模型。当抽油井有新的生产数据产生时，可以根据新的生产数据对泵径确定模型参数进行调整，得到基于最新生产条件的模型，比如每新增一个月的生产数据时，对模型进行重新训练，以得到最新的函数关系。这样由于抽油井生产是一个持续的过程，所以一直通过最新数据的添加对模型进行持续迭代训练。

在后续需要进行泵径选择场景时，获取抽油井的当前生产数据，当前生产数据包括不同泵径条件下的抽油泵生产数据、产液量数据、耗电量数据以及冲次数据，读取预设的泵径确定模型，将抽油泵生产数据、产液量数据、耗电量数据以及冲次数据输入至泵径确定模型，根据泵径确定模型的输出数据，得到不同泵径条件下冲次与产液量之间的关系以及对应的冲次与吨液耗电量之间的关系；根据冲次与产液量之间的关系以及冲次与吨液耗电量之间的关系，得到不同泵径条件下的优选冲次。

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，提供了一种泵径确定模型的构建装置，该装置包括：

训练数据获取模块402，用于获取抽油井的历史生产数据，历史生产数据包括不同泵径条件下的抽油泵生产数据、产液量数据、耗电量数据以及冲次数据；

模型数据输入模块404，用于将抽油泵生产数据、产液量数据、耗电量数据以及冲次数据输入至预设机器学习模型；

模型数据输出模块406，用于根据预设机器学习模型的输出数据，得到不同泵径条件下冲次与产液量之间的关系以及对应的冲次与吨液耗电量之间的关系；

模型参数调节模块408，用于根据冲次与产液量之间的关系、冲次与吨液耗电量之间的关系以及历史生产数据，调节所述预设机器学习模型的参数，直至满足预设停止条件，获得已训练的泵径确定模型。

在一个实施例中，训练数据获取模块还用于获取不同泵径条件下的初始示功图数据；基于最小二乘法对初始示功图数据进行筛选，获得不同泵径条件下的示功图数据。

在一个实施例中，训练数据获取模块还用于将示功图数据转化为泵功图数据；对泵功图数据进行均值滤波以及归一化处理，获取处理后的泵功图的曲率以及曲率变化量，根据曲率以及曲率变化量获得有效冲程数据；获取抽油泵初始生产数据，基于有效冲程数据对初始生产数据进行更新，获得抽油泵生产数据。

在一个实施例中，训练数据获取模块还用于获取抽油井的初始历史生产数据；基于预设数据项之间的业务规则对初始历史生产数据中的数据项进行校验，基于校验结果剔除数据异常值，获得抽油井的历史生产数据。

在一个实施例中，如图5所示，提供了一种泵径确定装置，该装置包括：

当前数据获取模块502，用于获取抽油井的当前生产数据，当前生产数据包括不同泵径条件下的抽油泵生产数据、产液量数据、耗电量数据以及冲次数据；

模型获取模块504，用于读取预设的泵径确定模型，泵径确定模型由泵径确定模型的构建方法进行构建得到；

数据导入模块506，用于将抽油泵生产数据、产液量数据、耗电量数据以及冲次数据输入至泵径确定模型；

数据处理模块508，用于根据泵径确定模型的输出数据，得到不同泵径条件下的优选冲次。

在一个实施例中，数据处理模块还用于获取泵径确定模型输出的同一泵径条件下冲次与产液量之间的第一关系以及冲次与吨液耗电量之间的第二关系；根据第一关系以及第二关系，确定第一关系与第二关系的交点，获取交点对应的优选冲次；遍历各个不同的泵径条件，得到不同泵径条件下的优选冲次。

关于泵径确定模型的构建装置/泵径确定装置的具体限定可以参见上文中对于泵径确定模型的构建方法/泵径确定方法的限定，在此不再赘述。上述泵径确定模型的构建装置/泵径确定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不同泵径条件下的抽油泵生产数据、产液量数据、耗电量数据、冲次数据以及泵径确定模型等数据。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泵径确定模型的构建方法或者泵径确定方法。

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泵径确定模型的构建方法或者泵径确定方法。

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泵径确定模型的构建方法或者泵径确定方法。

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。