CO2提高气藏采收率及其封存的方法、系统、设备及存储介质

技术领域

本发明涉及二氧化碳捕集、利用与地质封存技术领域，特别涉及CO2提高气藏采收率及其封存的方法、系统、设备及存储介质。

背景技术

碳酸盐岩、页岩等常规或非常规气藏的高效开发是我国能源向清洁化、高效化转型的重要保障。CO2驱是极具前景的提升气藏衰竭开发后开发效果的关键技术手段，同时将注入的CO2永久封存在储层中是实现“碳达峰”、“碳中和”双碳目标的重要举措。盲目采用CO2驱开发，会使得开发效果不如预期，预测CO2驱开发潜力是维持气藏经济有效开发的前提；采取合理的转换时机及工程参数是实现CO2驱气藏高效开发及安全有效封存的关键。因此需要能够在确保气藏CO2驱措施有效性的基础上，优化CO2驱转换时机及工程参数，以实现气藏CO2驱经济高效开发以及安全有效封存。

传统的措施潜力预测多采用数值模拟手段模拟措施的生产动态，得到该措施的开发潜力。然而传统的数值模拟预测方法需要特殊的组分模拟器，模拟器通常十分昂贵且计算效率低下，难以对实际开发中的措施转换进行快速决策。现有气藏CO2驱参数优化多为单一过程的单目标优化，尚未实现CO2驱气及封存协同的优化设计。因此，急需提供一种能够同时实现CO2提高采收率及其有效封存最大化的方法，并降低优化成本，提升优化效率。

发明内容

本发明提供了CO2提高气藏采收率及其封存的方法、系统、设备及存储介质，能够同时实现CO2采收率的提升及其有效封存量的最大化，并降低优化成本，提升优化效率。

本发明提供的基础方案一：

CO2提高气藏采收率及其封存的方法，包括以下步骤：

S100，获取已开发的目标气藏在当前状态下的动态参数，所述动态参数包括地质参数、开发参数及工程参数，分析影响所述目标气藏CO2采收率的关键因素；

S200，根据所述关键因素，构建目标气藏CO2提高采收率的潜力预测模型；通过所述潜力预测模型，生成目标气藏CO2驱采收率提升幅度；

S300，分析所述目标气藏CO2驱采收率提升幅度是否大于经济提采幅度，若是，则采用CO2驱进行开发，若否，则采用当前开发方式进行开发；

S400，根据所述关键因素，构建目标气藏实际开发井组的基础数值模拟模型；通过所述基础数值模拟模型，模拟注CO2开采天然气及地质封存，生成经济净现值及CO2地质封存量；

S500，采用贝叶斯自适应直接搜索算法生成转换时机及对应的模拟工程参数，并根据所述模拟工程参数，计算目标函数；

S600，分析各模拟工程参数对应的目标函数，并生成最佳工程参数。

进一步，所述地质参数，包括岩石的孔隙度、渗透率、含油/气/水饱和度、润湿性、储层埋深、油/气/水界面深度、有效厚度和非均质程度中的一种或多种；所述开发参数，包括地层温度、地层压力、采出程度、日产气量、含水率和剩余储量中的一种或多种；所述工程参数，包括各单井的井位坐标、射孔位置、产气速率和井底流压中的一种或多种；

S100包括：

对各地质参数、开发参数和工程参数进行组合，生成若干个参数组合，并针对各参数组合构建相应的概念数值模拟模型；

通过所述概念数值模型，分别进行注CO2开发和不注CO2开发的模拟，生成注CO2开发采收率和未注CO2开发采收率；将注CO2开发采收率减去未注CO2开发采收率，生成所述概念数值模型的CO2驱开发采收率幅度；

计算各动态参数与CO2驱开发采收率幅度的相关系数，所述相关系数的计算公式如下：

式中，ρ为相关系数，X

计算各动态参数与CO2驱开发采收率幅度的皮尔森系数，所述皮尔森系数的计算公式如下：

式中，σ表示各变量的标准差；

筛选对应相关系数小于预设相关系数，且对应皮尔森系数大于预设皮尔森系数的动态参数为影响所述目标气藏CO2采收率的关键因素；

根据单因素分析方法，生成各关键因素的取值范围。

进一步，S200包括：

在各关键因素的取值范围内，生成若干个关键参数组合，并构建各关键参数组合对应的数值模拟模型；

计算各数值模拟模型的CO2驱采收率提升幅度；将所述关键因素作为输入层的输入，CO2驱采收率提升幅度作为输出层的输出，利用机器学习模型进行训练，并计算各机器学习模型的评价矩阵；所述机器学习模型包括人工神经网络、梯度提升决策树、极限梯度提升决策树和轻型梯度提升机中的一种或多种；所述评价矩阵包括平均绝对误差、平均相对误差、均方根误差和决定系数；

所述评价矩阵的计算公式如下：

式中，MAE为平均绝对误差，MRE为平均相对误差，RMSE为均方根误差，R

根据各机器学习模型的评价矩阵，筛选一机器学习模型，并根据所述机器学习模型构建目标气藏CO2提高采收率的潜力预测模型。

进一步，S300还包括：

计算经济提采幅度，所述经济提采幅度的计算公式如下：

式中，

进一步，S400包括：

根据关键因素，构建目标气藏实际开发井组的基础数值模拟模型，并进行生产动态历史拟合；

将所述基础数值模拟模型的天然气开采方式调整为注CO2；注入CO2，监测注CO2过程中基础数值模拟模型中的最大地层压力，分析所述最大地层压力是否等于压力阈值，若是，则停止注CO2；

计算注入CO2过程中的经济净现值，所述经济净现值的计算公式如下：

式中，NPV为经济净现值，

停止注入CO2后，继续通过所述基础数值模拟模型，模拟地质封存的过程，获取构造封存量、溶解封存量、残余相封存量和矿化封存量，并计算目标气藏最终的CO2地质封存量；

所述CO2地质封存量的计算公式如下：

N

式中，N

进一步，S500包括：

采用贝叶斯自适应直接搜索算法生成转换时机及对应的模拟工程参数；贝叶斯自适应直接搜索算法通过搜索与轮询持续交替，更新迭代点；搜索的过程包括，搜索高斯值高于第一预设值与高斯值低于预设值的区域，迭代选择新评估点；轮询的过程包括，对任意方向的前进部署进行评估；

所述转换时机包括，目标气藏以现有开发方式转入注CO2驱开发的时机，通过目标气藏开发过程中地层平均压力的值量化注CO2驱开发的转换时机；

所述模拟工程参数包括，注入速度、注入压力、总注气量和产气速度中的一种或多种；

根据模拟工程参数，计算实现CO2最大气藏采收率及封存量的目标函数，所述目标函数的计算公式如下：

F(x)＝ω

式中：F(x)为目标函数，ω

进一步，S600中，获取S500中的累计运算次数，判断所述累计运算次数是否大于预设最大更新次数，若否，则返回执行S500，若是，则分析各模拟工程参数对应的目标函数，并生成最佳工程参数。

本发明提供的基础方案二：

CO2提高气藏采收率及其封存的系统，包括关键因素分析模块、潜力预测模型构建模块、CO2驱提采潜力分析模块、基础数值模拟模型构建模块、目标函数计算模块和目标函数分析模块；

所述关键因素分析模块，用于获取已开发的目标气藏在当前状态下的动态参数，所述动态参数包括地质参数、开发参数及工程参数，分析影响所述目标气藏CO2采收率的关键因素；

所述潜力预测模型构建模块，用于根据所述关键因素，构建目标气藏CO2提高采收率的潜力预测模型；通过所述潜力预测模型，生成目标气藏CO2驱采收率提升幅度；

所述CO2驱提采潜力分析模块，用于分析所述目标气藏CO2驱采收率提升幅度是否大于经济提采幅度，若是，则采用CO2驱进行开发，若否，则采用当前开发方式进行开发；

所述基础数值模拟模型构建模块，用于根据所述关键因素，构建目标气藏实际开发井组的基础数值模拟模型；通过所述基础数值模拟模型，模拟注CO2开采天然气及地质封存，生成经济净现值及CO2地质封存量；

所述目标函数计算模块，用于采用贝叶斯自适应直接搜索算法生成转换时机及对应的模拟工程参数，并根据所述模拟工程参数，计算目标函数；

所述目标函数分析模块，用于分析各模拟工程参数对应的目标函数，并生成最佳工程参数。

本发明提供的基础方案三：

CO2提高气藏采收率及其封存的设备，包括处理器，以及被配置成存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器实现上述CO2提高气藏采收率及其封存的方法。

本发明提供的基础方案四：

CO2提高气藏采收率及其封存的存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被执行时实现上述CO2提高气藏采收率及其封存的方法。

本发明的原理及优点在于：

根据历史数据，分析地质参数、开发参数及工程参数中影响目标气藏CO2采收率的关键因素，并构建目标气藏CO2提高采收率的潜力预测模型，进而得到目标气藏CO2驱采收率提升幅度；判断所述目标气藏CO2驱采收率提升幅度是否大于经济提采幅度，若是，则说明该优化方案的效果是正向的，可以采用CO2驱进行开发，保证优化效果，若否，则说明采用CO2驱进行开发反而会降低采收率、封存量，及时终止模拟，提升优化效率；再根据所述关键因素，构建目标气藏实际开发井组的基础数值模拟模型，模拟注CO2开采天然气及地质封存，分析出注CO2后的实际效益；再采用贝叶斯自适应直接搜索算法生成转换时机及对应的模拟工程参数，并根据所述模拟工程参数，计算目标函数，从而得到最佳转换时机，当累积运算次数达到预设最大更新次数后，整合每一次运算过程对应的目标函数，选择最优目标函数对应的模拟工程参数，作为最佳工程参数。采用上述方案，从转换(未注CO2至注CO2)是否有效、最佳转换时机、转换效益最大化等多个方面，模拟最佳的转换方案，保证了气藏CO2驱措施的有效性，且能够同时实现CO2采收率的提升及其有效封存量的最大化，并降低优化成本，提升优化效率。

附图说明

图1为本发明实施例CO2提高气藏采收率及其封存的方法的流程图。

图2为本发明实施例CO2提高气藏采收率及其封存的方法中概念数值模拟模型的平面示意图。

图3为本发明实施例CO2提高气藏采收率及其封存的方法中采收率幅度模拟示意图。

图4为本发明实施例CO2提高气藏采收率及其封存的方法中的相关性热力图。

图5为本发明实施例CO2提高气藏采收率及其封存的方法中皮尔森系数计算结果示意图。

图6为本发明实施例CO2提高气藏采收率及其封存的方法中人工神经网络CO2驱潜力预测值与实际值交会图。

图7为本发明实施例CO2提高气藏采收率及其封存的方法中梯度提升决策树CO2潜力预测值与实际值交会图。

图8为本发明实施例CO2提高气藏采收率及其封存的方法中极限梯度提升决策树CO2潜力预测值与实际值交会图。

图9为本发明实施例CO2提高气藏采收率及其封存的方法中轻型梯度提升机CO2潜力预测值与实际值交会图。

图10为本发明实施例CO2提高气藏采收率及其封存的方法中实际井组数值模拟模型示意图。

图11为本发明实施例CO2提高气藏采收率及其封存的方法中实际井组数值模拟累产气及含水率历史拟合示意图。

图12为本发明实施例CO2提高气藏采收率及其封存的方法中目标函数寻优动态示意图。

具体实施方式

下面通过具体实施方式进一步详细说明：

实施例1：

CO2提高气藏采收率及其封存的方法，如图1所示，包括以下步骤：

S100，获取已开发的目标气藏在当前状态下的动态参数，分析影响所述目标气藏CO2采收率的关键因素。

所述动态参数包括地质参数、开发参数及工程参数；所述地质参数，包括岩石的孔隙度、渗透率、含油/气/水饱和度、润湿性、储层埋深、油/气/水界面深度、有效厚度和非均质程度中的一种或多种，本申请中，符号“/”的意思为“或”；所述开发参数，包括地层温度、地层压力、采出程度、日产气量、含水率和剩余储量中的一种或多种；所述工程参数，包括各单井的井位坐标、射孔位置、产气速率和井底流压中的一种或多种；本实施例中，所述地质参数、开发参数及工程参数均包括上述相应的所有参数。

S100包括：

对各地质参数、开发参数和工程参数进行组合，生成若干个参数组合，并针对各参数组合构建相应的概念数值模拟模型；本实施例中，对历史数值中各地质参数、开发参数和工程参数进行随机组合；

通过所述概念数值模型，分别进行注CO2开发和不注CO2开发的模拟，生成注CO2开发采收率和未注CO2开发采收率；将注CO2开发采收率减去未注CO2开发采收率，生成所述概念数值模型的CO2驱开发采收率幅度；

计算各动态参数与CO2驱开发采收率幅度的相关系数，所述相关系数的计算公式如下：

式中，ρ为相关系数，X

计算各动态参数与CO2驱开发采收率幅度的皮尔森系数，所述皮尔森系数的计算公式如下：

式中，σ表示各变量的标准差；

筛选对应相关系数小于预设相关系数，且对应皮尔森系数大于预设皮尔森系数的动态参数为影响所述目标气藏CO2采收率的关键因素；

根据单因素分析方法，生成各关键因素的取值范围。

S200，根据所述关键因素，构建目标气藏CO2提高采收率的潜力预测模型；通过所述潜力预测模型，生成目标气藏CO2驱采收率提升幅度。

S200包括：

在各关键因素的取值范围内，生成若干个关键参数组合，并构建各关键参数组合对应的数值模拟模型；

计算各数值模拟模型的CO2驱采收率提升幅度；将所述关键因素作为输入层的输入，CO2驱采收率提升幅度作为输出层的输出，利用机器学习模型进行训练，并计算各机器学习模型的评价矩阵；所述机器学习模型包括人工神经网络、梯度提升决策树、极限梯度提升决策树和轻型梯度提升机中的一种或多种。

本实施例中，待筛选的机器学习模型包括人工神经网络、梯度提升决策树、极限梯度提升决策树和轻型梯度提升机；所述评价矩阵包括平均绝对误差、平均相对误差、均方根误差和决定系数；

所述评价矩阵的计算公式如下：

式中，MAE为平均绝对误差，MRE为平均相对误差，RMSE为均方根误差，R

根据各机器学习模型的评价矩阵，筛选一机器学习模型，并根据所述机器学习模型构建目标气藏CO2提高采收率的潜力预测模型。

S300，分析所述目标气藏CO2驱采收率提升幅度是否大于经济提采幅度，判断目标气藏是否适合CO2驱开发；若是，则采用CO2驱进行开发，若否，则采用当前开发方式进行开发。

计算经济提采幅度，所述经济提采幅度的计算公式如下：

式中，

S400，根据所述关键因素，构建目标气藏实际开发井组的基础数值模拟模型；通过所述基础数值模拟模型，模拟注CO2开采天然气及地质封存，生成经济净现值及CO2地质封存量。

S400包括：

根据关键因素，构建目标气藏实际开发井组的基础数值模拟模型，并进行生产动态历史拟合；

将所述基础数值模拟模型的天然气开采方式调整为注CO2；注入CO2，监测注CO2过程中基础数值模拟模型中的最大地层压力，分析所述最大地层压力是否等于压力阈值，若是，则停止注CO2，否则急需注入CO2；本实施例中，所述压力阈值为地层岩石破裂压力的80％；

计算注入CO2过程中的经济净现值，所述经济净现值的计算公式如下：

式中，NPV为经济净现值，

停止注入CO2后，继续通过所述基础数值模拟模型，模拟地质封存的过程，获取构造封存量、溶解封存量、残余相封存量和矿化封存量，并计算目标气藏最终的CO2地质封存量，所述目标气藏最终的CO2地质封存量为构造封存量、溶解封存量、残余相封存量、矿化封存量之和；

所述CO2地质封存量的计算公式如下：

N

式中，N

S500，采用贝叶斯自适应直接搜索算法生成转换时机及对应的模拟工程参数，并根据所述模拟工程参数，计算目标函数，本实施例中，生成若干个转换时机，并根据相应的模拟工程参数，计算目标函数，再根据各转换时机下的目标函数，分析出最佳转换时机，具体方法如下。

S500包括：

采用贝叶斯自适应直接搜索算法生成转换时机及对应的模拟工程参数；贝叶斯自适应直接搜索算法通过搜索与轮询持续交替，更新迭代点；搜索的过程包括，搜索高斯值高于第一预设值与高斯值低于预设值的区域，迭代选择新评估点；轮询的过程包括，对任意方向的前进部署进行评估；

所述转换时机包括，目标气藏以现有开发方式转入注CO2驱开发的时机，通过目标气藏开发过程中地层平均压力的值量化注CO2驱开发的转换时机；

所述模拟工程参数包括，注入速度、注入压力、总注气量和产气速度中的一种或多种；本实施例中，所述模拟工程参数包括注入速度、注入压力、总注气量和产气速度；

根据模拟工程参数，计算实现CO2最大气藏采收率及封存量的目标函数，所述目标函数包括两个子目标以及各子目标的权重；所述子目标包括CO2驱气过程经济净现值的最大化、CO2地质封存过程中封存量的最大化；将CO2驱气过程经济净现值以及CO2地质封存过程中封存量通过反正切函数归一化代入目标函数；

具体的，所述目标函数的计算公式如下：

F(x)＝ω

式中：F(x)为目标函数，ω

S600，分析各模拟工程参数对应的目标函数，并生成最佳工程参数。

S600中，获取S500中的累计运算次数，判断所述累计运算次数是否大于预设最大更新次数，若否，则返回执行S500，若是，则分析各模拟工程参数对应的目标函数，并生成最佳工程参数。

本实施例中，所述预设最大更新次数与设置的最大模拟次数相关，具体的，若未达到设置的最大模拟次数，则继续迭代更新模拟工程参数进行计算；若已达到设置的最大模拟次数，则停止模拟工程参数的更新。

CO2提高气藏采收率及其封存的系统，采用了上述CO2提高气藏采收率及其封存的方法，具体的，包括关键因素分析模块、潜力预测模型构建模块、CO2驱提采潜力分析模块、基础数值模拟模型构建模块、目标函数计算模块和目标函数分析模块；

所述关键因素分析模块，用于获取已开发的目标气藏在当前状态下的动态参数，所述动态参数包括地质参数、开发参数及工程参数，分析影响所述目标气藏CO2采收率的关键因素；

所述潜力预测模型构建模块，用于根据所述关键因素，构建目标气藏CO2提高采收率的潜力预测模型；通过所述潜力预测模型，生成目标气藏CO2驱采收率提升幅度；

所述CO2驱提采潜力分析模块，用于分析所述目标气藏CO2驱采收率提升幅度是否大于经济提采幅度，若是，则采用CO2驱进行开发，若否，则采用当前开发方式进行开发；

所述基础数值模拟模型构建模块，用于根据所述关键因素，构建目标气藏实际开发井组的基础数值模拟模型；通过所述基础数值模拟模型，模拟注CO2开采天然气及地质封存，生成经济净现值及CO2地质封存量；

所述目标函数计算模块，用于采用贝叶斯自适应直接搜索算法生成转换时机及对应的模拟工程参数，并根据所述模拟工程参数，计算目标函数；

所述目标函数分析模块，用于分析各模拟工程参数对应的目标函数，并生成最佳工程参数。

CO2提高气藏采收率及其封存的设备，包括处理器，以及被配置成存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器实现上述CO2提高气藏采收率及其封存的方法。

CO2提高气藏采收率及其封存的存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被执行时实现上述CO2提高气藏采收率及其封存的方法。

具体的，上述CO2提高气藏采收率及其封存的方法如果以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，可以存储在一个可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一可读存储介质中，该计算机程序在被处理器执行时，可实现上述方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。

可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、电载波信号、电信信号以及软件分发介质等。

实施例2：

实施例2基本原理与实施例1相同，其区别在于实施例2中，地质参数包括顶深、储层厚度、净毛比、孔隙度、渗透率；开发参数包括地层温度、地层压力、采出程度、日产气量、含水率、剩余储量；工程参数包括井距信息。

为清晰的对所述方法进行说明，以某气田实际衰竭开发生产区块为例，展开以下具体实际应用。具体实施过程如下：

首先，获取所述气田现开发阶段的地质参数、开发参数及工程参数，对各地质参数、开发参数和工程参数进行组合，生成若干个参数组合，并针对各参数组合构建相应的概念数值模拟模型。本实施例中，目标气藏的地质参数如表1所示，所述概念数值模拟模型如图2所示。

表1地质参数表

对每个概念数值模拟模型分别进行注CO2开发和不注CO2开发的模拟，生成注CO2开发采收率和未注CO2开发采收率；如图3所示，将注CO2开发采收率(转二氧化碳驱开发采出程度)减去未注CO2开发采收率(衰竭式开发采出程度)，生成所述概念数值模型的CO2驱开发采收率幅度(转CO2驱采收率提升幅度)。

计算各动态参数与CO2驱开发采收率幅度的相关系数，各相关系数计算结果如图4所示，本实施例中，根据相关系数计算结果，删除净毛比和目前采出程度。计算更新后的动态参数与CO2驱开发采收率幅度的皮尔森系数，更新后各动态参数的皮尔森系数计算结果如图5所示。筛选皮尔森系数大于预设皮尔森系数的动态参数为影响所述目标气藏CO2采收率的关键因素，本实施例中，根据皮尔森系数计算结果，删除目前地层压力、目前日产气量、目前地层温度以及顶深；筛选出的关键因素包括剩余储量、储层厚度、渗透率、孔隙度、井距以及含水率。采用单因素分析方法，生成各关键因素的取值范围，本实施例中，所述取值范围如表2所示。

表2各关键因素的取值范围

在上述关键因素的取值范围内，生成若干个关键参数组合，并构建各关键参数组合对应的数值模拟模型；计算各数值模拟模型的CO2驱采收率提升幅度；将所述关键因素作为输入层的输入，CO2驱采收率提升幅度作为输出层的输出，利用机器学习模型进行训练。

本实施例中，人工神经网络的训练结果如图6所示，梯度提升决策树的训练结果如图7所示，极限梯度提升决策树的训练结果如图8所示，轻型梯度提升机的训练结果如图9所示。

计算各机器学习模型的评价矩阵，本实施例中，所述评价矩阵的计算结果如表3所示。

表3机器学习模型的评价矩阵

根据各机器学习模型的评价矩阵，筛选一机器学习模型，本实施例中，优选轻型梯度提升机算法，并根据所述轻型梯度提升机构建目标气藏CO2提高采收率的潜力预测模型。

将目标区的参数输入到目标气藏CO2提高采收率的潜力预测模型中，本实施例中，输入的参数包括有效厚度11.37m、渗透率3200×10

如图10所示，根据所述关键因素，构建目标气藏实际开发井组的基础数值模拟模型，并进行生产动态历史拟合；生产动态历史拟合结果如图11所示。

将所述基础数值模拟模型的天然气开采方式调整为注CO2；注入CO2，监测注CO2过程中基础数值模拟模型中的最大地层压力，分析所述最大地层压力是否等于压力阈值，若是，则停止注CO2，否则急需注入CO2；本实施例中，停止注入CO2时，经济净现值为9065.58万元；继续CO2地质封存过程的模拟，得到最终CO2地质封存量为644.71×10

采用贝叶斯自适应直接搜索算法生成转换时机及对应的模拟工程参数，并进行迭代寻优，寻优过程如图12所示。本实施例中，共经过200次数值模拟得到最优的转CO2驱时机为地层压力18.35MPa；注入井的注入速度分别为190.5m

采用本方案，首先预测了措施提采潜力，有效避免了由于措施盲目性带来的开发效果不如预期的问题；其次，将CO2驱气提采与地质封存两个子过程融合为一个过程，使得优化结果能同时保证CO2驱气开发的经济高效性以及CO2地质封存的安全有效性，可为现场CO2驱气提采及地质封存的快速决策提供强有力的支撑。

以上的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。