采收率预测模型获取方法、采收率预测方法和产品

技术领域

本申请涉及石油开采技术领域，特别是涉及一种采收率预测模型获取方法、采收率预测方法和产品。

背景技术

在石油开采过程中，采收率是评价油田开发效果的重要参数，而准确预测原油采收率、是科学管理油田、编制经济可行的开发方案、制定产能规模的基础。如果能够精确预测采收率，就可以实现更好的管理已经投产的老油田和尚未投产的新油田，对采油工艺过程进行合理的控制和优化，从地下开采出更多的石油，提高油田的开发效果。

目前，油藏或者油田的采收率预测方法有很多，包括静态法和动态法，静态法主要针对尚未开发投产的油田或者开发初期的油田，一般采用理论公式、经验公式、类比等静态方法确定采收率；而动态方法是可采储量计算中最为常用的方法。动态法主要是根据油藏的开采历史动态资料及其变化规律，预测未来开发动态趋势，可分为递减曲线法、水驱特征曲线法、童宪章图版法、注采关系法、数值模拟法等。传统的预测采收率的方法，每一种都适用于不同的油藏种类。

因此传统的采收率预测方法具有局限性，使得采收率的预测结果不准确。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高准确性的油藏采收率预测模型获取方法、油藏采收率预测方法、装置、计算机设备和存储介质。

第一方面，本申请实施例提供一种油藏采收率预测模型获取方法，所述方法包括：

获取训练特征参数和测试特征参数；其中，所述训练特征参数和所述测试特征参数，均包括表征所述油藏的固定特征的静态参数和表征所述油藏的变化特征的动态参数；

采用所述训练特征参数，分别对多个待训练子模型进行训练，得到多个待验证子模型；其中，多个所述待验证子模型为基于不同算法的模型，每个所述待训练子模型为与所述训练特征参数的类型匹配的子模型；

将所述测试特征参数分别输入每个所述待验证子模型，得到每个所述待验证子模型的测试结果；

根据每个所述待验证子模型的测试结果，按照预设的筛选要求，从多个所述待验证子模型中筛选得到多个目标子模型，作为所述油藏采收率预测模型；其中，所述油藏采收率预测模型用于根据输入的待预测特征参数，输出油藏采收率预测结果，所述油藏采收率预测结果根据每个所述目标子模型预测的采收率进行确定。

第二方面，本申请实施例提供一种油藏采收率预测方法，所述方法包括：

获取待预测特征参数；其中，所述待预测特征参数包括表征所述油藏的固定特征的静态参数和表征所述油藏的变化特征的参数动态参数；

采用如上述任一实施例中所述的油藏采收率模型中对所述待预测特征参数进行处理，输出油藏采收率预测结果；

其中，所述油藏采收率模型包括多个目标子模型，所述油藏采收率预测结果根据每个所述目标子模型预测的采收率进行确定。

在其中一个实施例中，每个所述目标子模型预测的采收率的数据格式为单一值或数值范围，所述油藏采收率预测结果的数据格式为数值范围；

在其中一个实施例中，当每个所述目标子模型预测的采收率的数据格式为单一值时，所述油藏采收率预测结果根据每个所述目标子模型预测的采收率进行确定，包括：

从每个所述目标子模型预测的采收率单一值中分别确定出最小值和最大值，将所述最小值和所述最大值之间的数值范围确定为所述油藏采收率的预测结果；

在其中一个实施例中，当每个所述目标子模型预测的采收率的数据格式为数值范围时，所述油藏采收率预测结果根据每个所述目标子模型预测的采收率进行确定，包括：

从每个所述目标子模型预测的采收率数值范围中分别确定出最小值和最大值，将所述最小值和所述最大值之间的数值范围确定为所述油藏采收率的预测结果；

在其中一个实施例中，当每个所述目标子模型预测的采收率的数据格式为数值范围时，所述油藏采收率预测结果根据每个所述目标子模型预测的采收率进行确定，包括：

将每个所述目标子模型预测的采收率单一值的平均值，作为所述油藏采收率预测范围的中心值，将每个所述预测采收率单一值分别与所述中心值的均方差作为所述油藏采收率预测范围的浮动值，并将所述中心值增加和减少所述浮动值得到的数值范围确定为所述油藏采收率的预测结果。

第三方面，本申请实施例提供一种油藏采收率预测模型获取装置，所述装置包括：

获取模块，用于获取训练特征参数和测试特征参数；其中，所述训练特征参数和所述测试特征参数，均包括表征所述油藏的固定特征的静态参数和表征所述油藏的变化特征的动态参数；

训练模块，用于采用所述训练特征参数，分别对多个待训练子模型进行训练，得到多个待验证子模型；其中，多个所述待验证子模型为基于不同算法的模型，每个所述待训练子模型为与所述训练特征参数的类型匹配的子模型；

测试模块，用于将所述测试特征参数分别输入每个所述待验证子模型，得到每个所述待验证子模型的测试结果；

处理模块，用于根据每个所述待验证子模型的测试结果，按照预设的筛选要求，从多个所述待验证子模型中筛选得到多个目标子模型，作为所述油藏采收率预测模型；

其中，所述油藏采收率预测模型用于根据输入的待预测特征参数，输出油藏采收率预测结果，所述油藏采收率预测结果根据每个所述目标子模型预测的采收率进行确定。

第四方面，本申请实施例提供一种油藏采收率预测装置，所述装置包括：

获取模块，用于获取待预测特征参数；其中，所述待预测特征参数包括表征所述油藏的固定特征的静态参数和表征所述油藏的变化特征的动态参数；

预测模块，用于采用如上述任一实施例所述的油藏采收率模型中对所述待预测特征参数进行处理，输出油藏采收率预测结果；其中，所述油藏采收率模型包括多个目标子模型，所述油藏采收率预测结果根据每个所述目标子模型预测的采收率进行确定。

第五方面，本申请实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取训练特征参数和测试特征参数；其中，所述训练特征参数和所述测试特征参数，均包括表征所述油藏的固定特征的静态参数和表征所述油藏的变化特征的动态参数；

采用所述训练特征参数，分别对多个待训练子模型进行训练，得到多个待验证子模型；其中，多个所述待验证子模型为基于不同算法的模型，每个所述待训练子模型为与所述训练特征参数的类型匹配的子模型；

将所述测试特征参数分别输入每个所述待验证子模型，得到每个所述待验证子模型的测试结果；

根据每个所述待验证子模型的测试结果，按照预设的筛选要求，从多个所述待验证子模型中筛选得到多个目标子模型，作为所述油藏采收率预测模型；其中，所述油藏采收率预测模型用于根据输入的待预测特征参数，输出油藏采收率预测结果，所述油藏采收率预测结果根据每个所述目标子模型预测的采收率进行确定。

第六方面，本申请实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取待预测特征参数；其中，所述待预测特征参数包括表征所述油藏的固定特征的静态参数和表征所述油藏的变化特征的动态参数；

采用如上述任一实施例所述的油藏采收率模型对所述待预测特征参数进行处理，输出油藏采收率预测结果；

其中，所述油藏采收率模型包括多个目标子模型，所述油藏采收率预测结果根据每个所述目标子模型预测的采收率进行确定。

第七方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取训练特征参数和测试特征参数；其中，所述训练特征参数和所述测试特征参数，均包括表征所述油藏的固定特征的静态参数和表征所述油藏的变化特征的动态参数；

采用所述训练特征参数，分别对多个待训练子模型进行训练，得到多个待验证子模型；其中，多个所述待验证子模型为基于不同算法的模型，每个所述待训练子模型为与所述训练特征参数的类型匹配的子模型；

将所述测试特征参数分别输入每个所述待验证子模型，得到每个所述待验证子模型的测试结果；

根据每个所述待验证子模型的测试结果，按照预设的筛选要求，从多个所述待验证子模型中筛选得到多个目标子模型，作为所述油藏采收率预测模型；其中，所述油藏采收率预测模型用于根据输入的待预测特征参数，输出油藏采收率预测结果，所述油藏采收率预测结果根据每个所述目标子模型预测的采收率进行确定。

第八方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取待预测特征参数；其中，所述待预测特征参数包括表征所述油藏的固定特征的静态参数和表征所述油藏的变化特征的动态参数；

采用如上述任一实施例所述的油藏采收率模型对所述待预测特征参数进行处理，输出油藏采收率预测结果；

其中，所述油藏采收率模型包括多个目标子模型，所述油藏采收率预测结果根据每个所述目标子模型预测的采收率进行确定。

上述采收率预测模型获取方法、采收率预测方法、装置、计算机设备和存储介质，通过获取训练特征参数和测试特征参数，并采用训练特征参数，分别对多个待训练子模型进行训练，得到多个待验证子模型，然后将测试特征参数分别输入每个待验证子模型，得到每个待验证子模型的测试结果，最后根据每个待验证子模型的测试结果，按照预设的筛选要求，从多个待验证子模型中筛选得到多个目标子模型，由于油藏采收率预测模型用于根据输入的待预测特征参数，输出油藏采收率预测结果，所述油藏采收率预测结果根据每个所述目标子模型预测的采收率进行确定，因此能够得到包括多个能够得到最优测试结果的多个目标子模型所组成的油藏采收率预测模型。由于该油藏采收率预测模型中所包括的多个目标子模型为通过筛选得到的具有最优测试结果，即精度更高的目标子模型，因而可以避免传统方法中采用单一模型进行采收率预测导致的应用场景单一的技术问题，因此极大的丰富了该模型的应用场景，提高了该模型的鲁棒性。同时避免了人工选择预测模型带来的计算量大和计算复杂的问题，该方法节约了大量的时间和人力成本，大大提高了预测效率，提高了油藏采收率的预测精度，降低采收率预测方法的使用门槛。可选地，上述多个待验证子模型中可以包括现有的业务机理模型，如水驱特征曲线、注采关系模型等，还可以包括基于机器学习和深度学习的模型，通过将这些模型结合在一起，因此形成业务加人工智能结合的综合模型，进而使得所得到的油藏采收率预测模型更合理。

附图说明

图1为一个实施例中计算机设备的内部结构图；

图2为一个实施例提供的油藏采收率预测模型获取方法的流程示意图；

图3为另一个实施例提供的油藏采收率预测模型获取方法的流程示意图；

图4为又一个实施例提供的油藏采收率预测模型获取方法的流程示意图；

图5为一个实施例提供的油藏采收率预测方法的流程示意图；

图6为一个实施例提供的油藏采收率预测模型获取装置的结构示意图；

图7为一个实施例提供的油藏采收率预测装置的结构示意图。

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。

本申请实施例提供的油藏采收率预测模型获取方法和油藏采收率预测方法，可以适用于图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、数据库、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机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。该计算机设备的数据库用于存储下述实施例中的油藏采收率预测模型，有关油藏采收率预测模型的具体描述参见下述实施例中的具体描述。该计算机设备的网络接口可以用于与外部的其他设备通过网络连接通信。可选的，该计算机设备可以是服务器，可以是台式机，可以是个人数字助理，还可以是其他的终端设备，例如平板电脑、手机等等，还可以是云端或者远程服务器，本申请实施例对计算机设备的具体形式并不做限定。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机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。当然，输入装置和显示屏也可以不属于计算机设备的一部分，可以是计算机设备的外接设备。

为了便于理解，这里对本申请涉及的名词进行解释和说明：

采收率：指采出原油数量与油藏原始地质储量之比，通常以百分数表示。油田开发实际资料表明，油层采收率不仅与其天然条件如油层能量类型及其大小、油层岩性变化及其非均质状况、地层原油物性等有密切关系，也与油田开发、开采的技术措施及生产管理方法有很大关系。

自动机器学习(AutoML)：机器学习的应用需要大量的人工干预，这些人工干预表现在：特征提取、模型选择、参数调节等机器学习的各个方面。自动机器学习试图将这些与特征、模型、优化、评价有关的重要步骤进行自动化地学习，使得机器学习模型无需人工干预即可被应用。

油田：指原油生产的特定区域，有时为特定地域地下集聚的油层的总称。广义上可以把几个油区合在一起称为油田。例如大庆油田，英国的北海油田，俄罗斯的秋明油田等。油田是地下天然存在的碳化氢，地表条件下则呈液体。与之相反，在地表条件下仍为气体，则为天然气。天然气生产的特定区域为天然气田。石油可采储量大小决定开采价值，因此要求精确地计算含油面积大小，油层数目和厚度以及单位面积石油储量等。一般可采储量在5亿吨以上的为特大油田，7000万吨到1亿吨以上的为大型油田，7000万吨以下有为中小油田。要计算可能的油田以及年产量，有的油田储量大，但产量不一定高，主要受油田的驱动能力影响。通常，从油田的储量到产量需要经过精心计算，确有开采经济价值的，才能正式开采。

油田开发：泛指在油田地质、动态研究的基础上，通过布井、投产、开采等开发部署及实施和其他工程技术措施，把地层中的油气资源从地下采至地面使其可以成为商品气外输的全部过程。

调参：对模型中的参数(如深度学习模型中神经网络的层数)进行调整和优化。调参的最终目的是要使训练之后的模型预测产量更精确，向误差最小的方向更靠近一步，即使得损失函数尽量小。

本领域技术人员可以理解，图1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计算机设备的限定，具体的计算机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。

下面以具体的实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

需要说明的是，下述方法实施例的执行主体可以是油藏采收率预测模型获取装置或油藏采收率预测装置，该装置可以通过软件、硬件或者软硬件结合的方式实现成为上述计算机设备的部分或者全部。下述方法实施例以执行主体为计算机设备为例进行说明。

图2为一个实施例提供的油藏采收率预测模型获取方法的流程示意图。本实施例涉及的是计算机设备自动训练得到油藏采收率预测模型的具体过程。如图2所示，包括：

S10、获取训练特征参数和测试特征参数；其中，所述训练特征参数和所述测试特征参数，均包括表征所述油藏的固定特征的静态参数和表征所述油藏的变化特征的动态参数。

具体的，计算机设备可以读取设备中存储的训练特征参数和测试特征参数，也可以接收其他设备或者用户输入的训练特征参数和测试特征参数，还可以是将样本特征参数进行预处理，得到的训练特征参数和测试特征参数，可选地，该预处理包括但不限于对数据进行合理性筛选、插值等处理。其中，训练特征参数是用来进行模型训练的特征参数，测试特征参数是用来测试训练好的模型的输出结果是否满足精度要求。需要说明的是，训练特征参数和测试特征参数的数量为多个，训练特征参数的样本数量越多，所训练得到的模型的鲁棒性越强，测试特征参数的样本数量越多，则模型输出的结果与实际更为接近。训练特征参数和测试特征参数中都包括静态参数和动态参数，其中，静态参数是用来表征油藏的固定特征的参数，包括但不限于油藏的油水黏度比、原油体积系数、原油黏度、地层水黏度、平均空气渗透率、有效渗透率、油层平均有效厚度、井控面积、渗透率变异系数、油层温度、有效孔隙度、井网密度、油藏主要岩性、边底水能量、注采井数比、油层连通率等；动态参数包括但不限于油藏的生产年月、年产油量、年产水量、年含水率、年注水量、累产油量、累产水量等数据。可选地，这些动态数据和静态数据可做成数据采集模板，模板中的列数固定，行数可由用户根据实际油藏情况在线或离线添加，还可以对不存在值的数据列置空，从而使得处理后的动态数据和静态数据便于处理。

S20、采用所述训练特征参数，分别对多个待训练子模型进行训练，得到多个待验证子模型；其中，多个所述待验证子模型为基于不同算法的模型；每个所述待训练子模型为与所述训练特征参数的类型匹配的子模型；

具体的，计算机设备将上述训练特征参数输入多个待训练子模型中，分别单独训练每个待训练子模型，通过每个待训练子模型进行自动调参和优化，得到训练结果。在每个待训练子模型的训练过程中，计算机设备根据训练的结果，即计算出来使得损失函数最小的模型对应的参数或者超参数，以此更新每个待训练子模型，从而得到多个训练好的待验证子模型，且每个待训练子模型均能够训练得到一个训练好的待验证子模型。需要说明的是，上述待训练子模型为基于不同算法的模型，例如，可以包括但不限于：静态模型、机器学习模型、深度学习算法的模型，深度卷积神经网络的模型、循环神经网络的模型和长短期记忆网络的模型中的至少两个，因此训练得到的多个所述待验证子模型也是基于不同算法的模型。同时，每个所述待训练子模型为与所述训练特征参数的类型匹配的子模型，即不同种类的训练特征参数对应不同的待训练子模型，例如训练特征参数为静态数据时，对应的待训练子模型的种类为静态模型。

S30、将所述测试特征参数分别输入每个所述待验证子模型，得到每个所述待验证子模型的测试结果。

具体的，计算机设备将上述测试特征参数输入每个待验证子模型，每个待验证子模型则输出测试特征参数的测试结果，这些测试结果能够表征每个待验证子模型对测试特征参数的准确性的优劣程度。例如，针对一组测试特征参数，待验证子模型的测试结果可以是损失函数的值，当损失函数的值大的时候，表征这个待验证子模型的测试结果较优，即该待验证子模型比较精确；当损失函数的值小的时候，表征这个待验证子模型的测试结果较差，即该待验证子模型的精确度较低。

S40、根据每个所述待验证子模型的测试结果，按照预设的筛选要求，从多个所述待验证子模型中筛选得到多个目标子模型，作为所述油藏采收率预测模型；其中，所述油藏采收率预测模型用于根据输入的待预测特征参数，输出油藏采收率预测结果，所述油藏采收率预测结果根据每个所述目标子模型预测的采收率进行确定。

具体的，计算机设备根据上述每个待验证子模型的测试结果，按照预设的筛选要求，从多个待验证子模型中筛选得到多个目标子模型，并将这多个目标子模型作为油藏采收率预测模型。需要说明的是，上述筛选要求可以是测试结果满足预设的阈值，或者测试结果排列在前几名，或者按照一定的比例从测试结果中选择排名靠前的，将这些测试结果对应的待验证子模型作为目标子模型。例如，可以是将测试结果中损失函数值最小的预设个数，例如三个待验证子模型进行筛选，从而得到第一目标子模型、第二目标子模型和第三目标子模型，然后将第一目标子模型、第二目标子模型和第三目标子模型组合作为油藏采收率预测模型。

本实施例中，计算机设备通过获取训练特征参数和测试特征参数，并采用训练特征参数，分别对多个待训练子模型进行训练，得到多个待验证子模型，然后将测试特征参数分别输入每个待验证子模型，得到每个待验证子模型的测试结果，最后根据每个待验证子模型的测试结果，按照预设的筛选要求，从多个待验证子模型中筛选得到多个目标子模型，由于油藏采收率预测模型用于根据输入的待预测特征参数，输出油藏采收率预测结果，所述油藏采收率预测结果根据每个所述目标子模型预测的采收率进行确定，因此能够得到包括多个能够得到最优测试结果的多个目标子模型所组成的油藏采收率预测模型。由于该油藏采收率预测模型中所包括的多个目标子模型为通过筛选得到的具有最优测试结果，即精度更高的目标子模型，因而可以避免传统方法中采用单一模型进行采收率预测导致的应用场景单一的技术问题，因此极大的丰富了该模型的应用场景，提高了该模型的鲁棒性。同时避免了人工选择预测模型带来的计算量大和计算复杂的问题，该方法节约了大量的时间和人力成本，大大提高了预测效率，提高了油藏采收率的预测精度，降低采收率预测方法的使用门槛。可选地，上述多个待验证子模型中可以包括现有的业务机理模型，如水驱特征曲线、注采关系模型等，还可以包括基于机器学习和深度学习的模型，通过将这些模型结合在一起，因此形成业务加人工智能结合的综合模型，进而使得所得到的油藏采收率预测模型更合理。

可选地，计算机设备可以所得到的多个目标子模型通过微服务的方式发布成API，供业务用户直接调用，因此业务用户可以上传自己的需要进行预测的特征参数，直接调用最优的预测模型进行采收率预测，使用更为便捷。

可选地，在上述实施例的基础上，所述步骤S10的一种可能的实现方式可以如图3所示，包括：

S11、获取初始特征参数；其中，所述初始特征参数包括静态参数和动态参数。

S12、将所述初始特征参数进行数据清洗，得到中间特征参数。

具体的，计算机设备获取初始特征参数，例如可以是通过设备自动导入的静态参数和动态参数，例如从数据库中下载初始特征参数，也可以是通过工程人员手动想计算机设备输入的初始特征参数，对此本实施例不做限定。计算机设备将接收到的初始特征参数进行数据清洗，可以是，对收集到的初始特征参数进行自动校验，并根据实际业务规则针对不同的数据列孔隙度的范围，制作数据清理程序，可以包括清除初始特征参数中的异常点，如孔隙度大于100％、含水率小于0％的参数，对初始特征参数中的不一致或矛盾的数据点进行删除、平滑或修正，对能够通过数据插补的数据点进行插补等，从而得到中间特征参数。

S13、将所述中间特征参数进行劈分，得到所述训练特征参数和所述测试特征参数；其中，所述训练特征参数和所述测试特征参数，均包括静态参数和动态参数。

具体的，计算机设备将上述中间特征参数进行劈分，将一部分作为训练特征参数，一部分作为测试特征参数。需要说明的是，在中间特征参数劈分的过程中，可以是将中间特征参数中的动态数据进行劈分，同时将中间特征参数中的静态数据进行劈分，因此所得到的训练特征参数和所述测试特征参数，均包括动态参数和动态参数。

可选地，本步骤S13的一种可能的实现方式可以包括：按照预设的比例关系将所述中间特征参数进行劈分，得到与所述比例关系匹配的所述训练特征参数和所述测试特征参数。可选地，该比例关系可以为训练特征参数和测试特征参数的数据量分别为80％和20％，当然也可以为其他的比值，例如五比一等，该比例关系可以根据需要进行设置。通过按照预设的比例关系将中间特征参数进行劈分，得到与比例关系匹配的训练特征参数和测试特征参数，从而得到比例关系匹配的训练特征参数和测试特征参数，因此使得训练数据和测试数据得到合理的分配，进而使得所得到的油藏采收率预测模型更为精准。

可选地，在本步骤S13之前，还可以包括：判断所述初始特征参数的个数是否小于预设的参数个数阈值；若是，则将所述训练特征参数和所述测试特征参数的比例关系为1比0。例如，当初始特征参数的个数小于预设的参数个数阈值5的时候，则不再执行劈分的操作，即初始特征参数经过数据清洗，全部划归为训练特征参数，即将训练特征参数和所述测试特征参数的比例关系设置为1比0。可选地，此时，计算机设备可以从平台上下载其他的测试特征参数，也可以从训练特征参数中选择部分作为测试特征参数，对此本实施例不做限定。可选地，参数个数阈值还可以为8、10或者其他的数据。本实施例中，计算机设备通过在初始特征参数的个数小于预设的参数个数阈值的时候，将训练特征参数和所述测试特征参数的比例关系为1比0，从而确保了训练特征参数的样本数量，因此提高了所训练的模型的准确率。

上述图3所示的实施例中，计算机设备通过获取初始特征参数，并初始特征参数进行数据清洗，得到中间特征参数，从而删除了不合理的数据，提高了数据的有效性，进而提高了所训练模型的精确度；同时，计算机设备将中间特征参数进行劈分，得到训练特征参数和测试特征参数，因而能够将训练特征参数和测试特征参数分别用于对模型的训练和测试，进一步提高了油藏采收率预测模型的精确度。

可选地，在上述各个实施例的基础上，所述步骤S20之前，还可以如图4所示，包括：

S21、获取多个初始预测模型；所述初始预测子模型为基于不同数据类型的特征参数进行油藏采收率预测的模型。

S22、根据所述训练特征参数和所述测试特征参数的数据类型，从多个所述初始预测子模型筛选出多个所述待训练子模型。

具体的，计算机设备获取多个初始预测模型，这多个初始预测模型均能够对不同条件下的油藏进行采收率的预测，且这多个初始预测模型包括多种算法的模型，每个初始预测模型可能匹配不同类型的特征参数。计算机设备训练特征参数和所述测试特征参数的数据类型，用叶贝斯网络寻优的方式，从中自动过滤掉明显不合适的采收率预测的部分初始预测模型，从多个初始预测模型中筛选出与训练特征参数和所述测试特征参数的数据类型匹配的部分初始预测模型，并作为所述待训练子模型。因而能够自动过滤掉明显不合适的采收率预测的部分初始预测模型，进而避免了无效计算，大大提高了模型训练的效率，在后续预测采收率的时候，效率也大大提高。

可选地，在上述实施例的基础上，步骤S40的一种可能的实现方式还可以包括：将每个所述测试结果按照误差率高低进行排序；从所述误差率排序中筛选出预设数量的待验证子模型作为所述目标子模型。具体的，计算机设备而可以将所有的测试结果按照误差率高低进行排序，并筛选出预设数量的待验证子模型作为所述目标子模型，例如可以是按照误差率由低到高进行排序，将排在前三个的待验证子模型作为所述目标子模型，能够在准确率和鲁棒性之间实现良好的平衡。本实施例中，计算机设备通过将每个所述测试结果按照误差率高低进行排序；从所述误差率排序中筛选出预设数量的待验证子模型作为所述目标子模型，从而筛选得到最精准的待验证子模型作为目标子模型，极大地提高了模型的精确度，因此能够提高油藏采收率的预测精确度。

可选地，上述每个目标子模型预测的采收率的数据格式可以为单一值，油藏采收率预测结果的数据格式可以为数值范围。油藏采收率预测结果根据每个所述目标子模型预测的采收率进行确定，具体可以包括：

从每个所述目标子模型预测的采收率单一值中分别确定出最小值和最大值，将所述最小值和所述最大值之间的数值范围确定为所述油藏采收率的预测结果。例如上述目标子模型预测的采收率单一值包括A、B和C，其中，A最大，C最小，则将[C，A]的数值范围作为上述预测结果。

还可以包括：将每个所述目标子模型预测的采收率单一值的平均值，作为所述油藏采收率预测范围的中心值，将每个所述预测采收率单一值分别与所述中心值的均方差作为所述油藏采收率预测范围的浮动值，并将所述中心值增加和减少所述浮动值得到的数值范围确定为所述油藏采收率的预测结果。例如上述目标子模型预测的采收率单一值的平均值为D，每个采收率单一值对应的均方差为f，则将数值范围[D-f，D+f]作为上述预测结果。

可选地，上述每个目标子模型预测的采收率的数据格式可以为数值范围，油藏采收率预测结果的数据格式可以为数值范围。油藏采收率预测结果根据每个所述目标子模型预测的采收率进行确定，具体可以包括：

从每个所述目标子模型预测的采收率数值范围中分别确定出最小值和最大值，将所述最小值和所述最大值之间的数值范围确定为所述油藏采收率的预测结果。例如所述目标子模型预测的采收率数值范围分别为[G，H]、[I，J]和[K，L]，其中，最大值为J，最小值为G，则将数值范围[G，J]作为上述预测结果。

图5为一个实施例提供的油藏采收率预测方法的流程示意图。本实施例涉及的是计算机设备自动预测油藏采收率的具体过程。如图5所示，包括：

S51、获取待预测特征参数；其中，所述待预测特征参数包括表征所述油藏的固定特征的静态参数和表征所述油藏的变化特征的参数动态参数。

具体的，计算机设备获取待预测特征参数，该待预测特征参数为需要进行采收率预测的油藏的相关参数。需要说明的是，预测特征参数包括动态数据和静态数据，关于动态数据和静态数据的具体描述可以参见前文所述，此处不再赘述。

S52、采用如上述任一实施例所述的油藏采收率模型对所述待预测特征参数进行处理，输出油藏采收率预测结果；其中，所述油藏采收率模型包括多个目标子模型，所述油藏采收率预测结果根据每个所述目标子模型预测的采收率进行确定。

具体的，计算机设备将上述待预测特征参数输入所述油藏采收率模型中的多个目标子模型，每个目标子模型均输出对应的采收率，计算机设备根据每个目标子模型均输出对应的采收率确定油藏采收率预测结果。

计算机设备根据这多个目标子模型均输出对应的采收率的分布，确定所述油藏采收率预测结果。可选地，每个所述目标子模型预测的采收率的数据格式为单一值，所述油藏采收率预测结果的数据格式为数值范围，计算机设备从每个所述目标子模型预测的采收率单一值中分别确定出最小值和最大值，将所述最小值和所述最大值之间的数值范围确定为所述油藏采收率的预测结果；计算机设备还可以从每个所述目标子模型预测的采收率数值范围中分别确定出最小值和最大值，将所述最小值和所述最大值之间的数值范围确定为所述油藏采收率的预测结果。可选地，每个所述目标子模型预测的采收率的数据格式为数值范围，所述油藏采收率预测结果的数据格式为数值范围，计算机设备可以将每个所述目标子模型预测的采收率单一值的平均值，作为所述油藏采收率预测范围的中心值，将每个所述预测采收率单一值分别与所述中心值的均方差作为所述油藏采收率预测范围的浮动值，并将所述中心值增加和减少所述浮动值得到的数值范围确定为所述油藏采收率的预测结果。采用上述方法所得到的油藏采收率预测结果能够基于多个精准的目标子模型进行计算，相比传统的采收率的单一值，该油藏采收率预测结果为一个数值范围，因此与实际情况更为匹配，因而更为合理和准确。

本实施例中，计算机设备用过使用上述任一实施例中的油藏采收率模型中的多个目标子模型，分别对待预测特征参数进行处理，从而得到油藏采收率预测结果。由于该油藏采收率预测模型中所包括的多个目标子模型为通过筛选得到的具有最优测试结果，即精度更高的目标子模型，且油藏采收率预测结果根据每个所述目标子模型预测的采收率进行确定，因而可以避免传统方法中采用单一模型进行采收率预测导致的应用场景单一的技术问题，因此极大的丰富了该模型的应用场景，提高了该模型的鲁棒性。

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，提供了一种油藏采收率预测模型获取装置，包括：

获取模块100，用于获取训练特征参数和测试特征参数；其中，所述训练特征参数和所述测试特征参数，均包括表征所述油藏的固定特征的静态参数和表征所述油藏的变化特征的动态参数；

训练模块200，用于采用所述训练特征参数，分别对多个待训练子模型进行训练，得到多个待验证子模型；其中，多个所述待验证子模型为基于不同算法的模型，每个所述待训练子模型为与所述训练特征参数的类型匹配的子模型；

测试模块300，用于将所述测试特征参数分别输入每个所述待验证子模型，得到每个所述待验证子模型的测试结果；

处理模块400，用于根据每个所述待验证子模型的测试结果，按照预设的筛选要求，从多个所述待验证子模型中筛选得到多个目标子模型，作为所述油藏采收率预测模型；

其中，所述油藏采收率预测模型用于根据输入的待预测特征参数，输出油藏采收率预测结果，所述油藏采收率预测结果根据每个所述目标子模型预测的采收率进行确定。

在一个实施例中，获取模块100，具体用于获取初始特征参数；其中，所述初始特征参数包括静态参数和动态参数；将所述初始特征参数进行数据清洗，得到中间特征参数；将所述中间特征参数进行劈分，得到所述训练特征参数和所述测试特征参数；其中，所述训练特征参数和所述测试特征参数，均包括静态参数和动态参数。

在一个实施例中，所述预设的筛选要求为预设数量，处理模块400，用于将每个所述测试结果按照误差率高低进行排序，并从所述误差率排序中筛选出预设数量的待验证子模型作为所述目标子模型。

在一个实施例中，训练模块200，具体用于获取多个初始预测子模型；所述初始预测子模型为基于不同数据类型的特征参数进行油藏采收率预测的模型；根据所述训练特征参数和所述测试特征参数的数据类型，从多个所述初始预测子模型筛选出多个所述待训练子模型。

在一个实施例中，每个所述目标子模型预测的采收率的数据格式为单一值或数值范围，所述油藏采收率预测结果的数据格式为数值范围；

当每个所述目标子模型预测的采收率的数据格式为单一值时，处理模块400，还用于从每个所述目标子模型预测的采收率单一值中分别确定出最小值和最大值，将所述最小值和所述最大值之间的数值范围确定为所述油藏采收率的预测结果；

在一个实施例中，当每个所述目标子模型预测的采收率的数据格式为单一值时，所述油藏采收率预测结果根据每个所述目标子模型预测的采收率进行确定，包括：

处理模块400，还用于将每个所述目标子模型预测的采收率单一值的平均值，作为所述油藏采收率预测范围的中心值，将每个所述预测采收率单一值分别与所述中心值的均方差作为所述油藏采收率预测范围的浮动值，并将所述中心值增加和减少所述浮动值得到的数值范围确定为所述油藏采收率的预测结果；

在一个实施例中，当每个所述目标子模型预测的采收率的数据格式为数值范围时，处理模块400，还用于从每个所述目标子模型预测的采收率数值范围中分别确定出最小值和最大值，将所述最小值和所述最大值之间的数值范围确定为所述油藏采收率的预测结果。

在一个实施例中，如图7所示，提供了一种油藏采收率预测装置，包括：

获取模块500，用于获取待预测特征参数；其中，所述待预测特征参数包括表征所述油藏的固定特征的静态参数和表征所述油藏的变化特征的参数动态参数；

预测模块600，用于采用如上述任一实施例所述的油藏采收率模型中对所述待预测特征参数进行处理，输出油藏采收率预测结果；其中，所述油藏采收率模型包括多个目标子模型，所述油藏采收率预测结果根据每个所述目标子模型预测的采收率进行确定。

所述油藏采收率预测模型获取装置包括处理器和存储器，上述获取模块100、训练模块200、测试模块300、处理模块400等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。所述油藏采收率预测装置包括处理器和存储器，上述获取模块500、预测模块600等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来提高油藏采收率预测的准确性和合理性。

本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述油藏采收率预测模型获取方法。

本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述油藏采收率预测方法。

本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述油藏采收率预测模型获取方法。

本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述油藏采收率预测方法。

本发明实施例提供了一种设备，设备包括至少一个处理器、以及与处理器连接的至少一个存储器、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，以执行上述的油藏采收率预测模型获取方法。本文中的设备可以是服务器、PC、PAD、手机等。

本发明实施例提供了一种设备，设备包括至少一个处理器、以及与处理器连接的至少一个存储器、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，以执行上述的油藏采收率预测方法。本文中的设备可以是服务器、PC、PAD、手机等。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：

获取训练特征参数和测试特征参数；其中，所述训练特征参数和所述测试特征参数，均包括表征所述油藏的固定特征的静态参数和表征所述油藏的变化特征的动态参数；

采用所述训练特征参数，分别对多个待训练子模型进行训练，得到多个待验证子模型；其中，多个所述待验证子模型为基于不同算法的模型，每个所述待训练子模型为与所述训练特征参数的类型匹配的子模型；

将所述测试特征参数分别输入每个所述待验证子模型，得到每个所述待验证子模型的测试结果；

根据每个所述待验证子模型的测试结果，按照预设的筛选要求，从多个所述待验证子模型中筛选得到多个目标子模型，作为所述油藏采收率预测模型；其中，所述油藏采收率预测模型用于根据输入的待预测特征参数，输出油藏采收率预测结果，所述油藏采收率预测结果根据每个所述目标子模型预测的采收率进行确定。

在一个实施例中，当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序如下方法步骤的程序：

获取初始特征参数；其中，所述初始特征参数包括静态参数和动态参数；

将所述初始特征参数进行数据清洗，得到中间特征参数；

将所述中间特征参数进行劈分，得到所述训练特征参数和所述测试特征参数；其中，所述训练特征参数和所述测试特征参数，均包括静态参数和动态参数。

在一个实施例中，所述预设的筛选要求为预设数量，当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序如下方法步骤的程序：

将每个所述测试结果按照误差率高低进行排序；

从所述误差率排序中筛选出预设数量的待验证子模型作为所述目标子模型；

和/或，

所述采用所述训练特征参数，分别对多个待训练子模型进行训练，得到多个待验证子模型之前，包括：

获取多个初始预测子模型；所述初始预测子模型为基于不同数据类型的特征参数进行油藏采收率预测的模型；

根据所述训练特征参数和所述测试特征参数的数据类型，从多个所述初始预测子模型筛选出多个所述待训练子模型。

在一个实施例中，每个所述目标子模型预测的采收率的数据格式为单一值或数值范围，所述油藏采收率预测结果的数据格式为数值范围；当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序如下方法步骤的程序：

从每个所述目标子模型预测的采收率单一值中分别确定出最小值和最大值，将所述最小值和所述最大值之间的数值范围确定为所述油藏采收率的预测结果；

和/或，

将每个所述目标子模型预测的采收率单一值的平均值，作为所述油藏采收率预测范围的中心值，将每个所述预测采收率单一值分别与所述中心值的均方差作为所述油藏采收率预测范围的浮动值，并将所述中心值增加和减少所述浮动值得到的数值范围确定为所述油藏采收率的预测结果；

和/或，

从每个所述目标子模型预测的采收率数值范围中分别确定出最小值和最大值，将所述最小值和所述最大值之间的数值范围确定为所述油藏采收率的预测结果。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：

获取待预测特征参数；其中，所述待预测特征参数包括表征所述油藏的固定特征的静态参数和表征所述油藏的变化特征的参数动态参数；

采用如上述任一实施例所述的油藏采收率模型对所述待预测特征参数进行处理，输出油藏采收率预测结果；

其中，所述油藏采收率模型包括多个目标子模型，所述油藏采收率预测结果根据每个所述目标子模型预测的采收率进行确定。

在一个实施例中，每个所述目标子模型预测的采收率的数据格式为单一值或数值范围，所述油藏采收率预测结果的数据格式为数值范围，当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序如下方法步骤的程序：

当每个所述目标子模型预测的采收率的数据格式为单一值时，所述油藏采收率预测结果根据每个所述目标子模型预测的采收率进行确定，包括：

从每个所述目标子模型预测的采收率单一值中分别确定出最小值和最大值，将所述最小值和所述最大值之间的数值范围确定为所述油藏采收率的预测结果；

和/或，

当每个所述目标子模型预测的采收率的数据格式为数值范围时，所述油藏采收率预测结果根据每个所述目标子模型预测的采收率进行确定，包括：

从每个所述目标子模型预测的采收率数值范围中分别确定出最小值和最大值，将所述最小值和所述最大值之间的数值范围确定为所述油藏采收率的预测结果；

和/或，

当每个所述目标子模型预测的采收率的数据格式为数值范围时，所述油藏采收率预测结果根据每个所述目标子模型预测的采收率进行确定，包括：

将每个所述目标子模型预测的采收率单一值的平均值，作为所述油藏采收率预测范围的中心值，将每个所述预测采收率单一值分别与所述中心值的均方差作为所述油藏采收率预测范围的浮动值，并将所述中心值增加和减少所述浮动值得到的数值范围确定为所述油藏采收率的预测结果。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述任一实施例中的油藏采收率预测模型获取方法，具体包括步骤：

获取训练特征参数和测试特征参数；其中，所述训练特征参数和所述测试特征参数，均包括表征所述油藏的固定特征的静态参数和表征所述油藏的变化特征的动态参数；

采用所述训练特征参数，分别对多个待训练子模型进行训练，得到多个待验证子模型；其中，多个所述待验证子模型为基于不同算法的模型，每个所述待训练子模型为与所述训练特征参数的类型匹配的子模型；

将所述测试特征参数分别输入每个所述待验证子模型，得到每个所述待验证子模型的测试结果；

根据每个所述待验证子模型的测试结果，按照预设的筛选要求，从多个所述待验证子模型中筛选得到多个目标子模型，作为所述油藏采收率预测模型；其中，所述油藏采收率预测模型用于根据输入的待预测特征参数，输出油藏采收率预测结果，所述油藏采收率预测结果根据每个所述目标子模型预测的采收率进行确定。

应当清楚的是，本申请实施例中处理器执行计算机程序的过程，与上述方法中各个步骤的执行过程一致，具体可参见上文中的描述。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述任一实施例中的油藏采收率预测方法，具体包括：

获取待预测特征参数；其中，所述待预测特征参数包括表征所述油藏的固定特征的静态参数和表征所述油藏的变化特征的参数动态参数；

采用如上述任一实施例所述的油藏采收率模型对所述待预测特征参数进行处理，输出油藏采收率预测结果；

其中，所述油藏采收率模型包括多个目标子模型，所述油藏采收率预测结果根据每个所述目标子模型预测的采收率进行确定根据多个所述预测采收率单一值，确定所述油藏采收率预测范围。

应当清楚的是，本申请实施例中处理器执行计算机程序的过程，与上述方法中各个步骤的执行过程一致，具体可参见上文中的描述。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一实施例中的油藏采收率预测模型获取方法，具体包括：

获取训练特征参数和测试特征参数；其中，所述训练特征参数和所述测试特征参数，均包括表征所述油藏的固定特征的静态参数和表征所述油藏的变化特征的动态参数；

采用所述训练特征参数，分别对多个待训练子模型进行训练，得到多个待验证子模型；其中，多个所述待验证子模型为基于不同算法的模型，每个所述待训练子模型为与所述训练特征参数的类型匹配的子模型；

将所述测试特征参数分别输入每个所述待验证子模型，得到每个所述待验证子模型的测试结果；

根据每个所述待验证子模型的测试结果，按照预设的筛选要求，从多个所述待验证子模型中筛选得到多个目标子模型，作为所述油藏采收率预测模型；其中，所述油藏采收率预测模型用于根据输入的待预测特征参数，输出油藏采收率预测结果，所述油藏采收率预测结果根据每个所述目标子模型预测的采收率进行确定。

应当清楚的是，本申请实施例中处理器执行计算机程序的过程，与上述方法中各个步骤的执行过程一致，具体可参见上文中的描述。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一实施例中的油藏采收率预测方法，具体包括：

获取待预测特征参数；其中，所述待预测特征参数包括表征所述油藏的固定特征的静态参数和表征所述油藏的变化特征的动态参数；

采用如上述任一实施例所述的油藏采收率模型对所述待预测特征参数进行处理，输出油藏采收率预测结果；

其中，所述油藏采收率模型包括多个目标子模型，所述油藏采收率预测结果根据每个所述目标子模型预测的采收率进行确定。

应当清楚的是，本申请实施例中处理器执行计算机程序的过程，与上述方法中各个步骤的执行过程一致，具体可参见上文中的描述。

本申请是参照根据本申请实施例的方法、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。

在一个典型的配置中，设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。

计算机可读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。

还需要说明的是，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。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。