基于目标检测的测井沉积微相划分方法及装置与流程

1.本发明涉及油气勘探技术领域，尤其涉及一种基于目标检测的测井沉积微相划分方法及装置。


背景技术：

2.本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
3.沉积相是指沉积环境及在该环境中形成的沉积岩(沉积物)特征的综合。沉积相在一定程度上控制地层的岩性分布和储层非均质性，因此，对沉积相进行研究是油气勘探开发工作的基础和重点。岩心资料可直接指示地层的沉积信息，是最好的研究沉积相的资料。由于岩心资料取芯成本高昂，且数量有限，资料丰富的测井资料被广泛用于沉积研究的相带识别和划分。通过岩心资料进行沉积相类型标定，可建立测井曲线形态和对应的沉积微相间的指示关系。目前，基于测井资料的沉积微相划分，主要是依靠人工根据测井曲线的形态来进行解释(如测井伽玛曲线中的箱型、钟型、漏斗型代表不同沉积环境和沉积旋回)。这种方式受人工经验知识和熟练程度的影响，不仅耗时耗力，而且解释结果也存在一定的主观性和不确定性。
4.在众多基于测井资料的地质信息检测中，有大量关于测井岩相自动划分的研究，例如，基于测井资料的岩相自动划分有基于监督和无监督机器学习方法。基于监督机器学习的岩相自动方法包括判别式分析、神经网络、贝叶斯等。基于无监督机器学习的岩相自动划分方法包括聚类分析。
5.然而，目前现有技术中尚未存在基于测井资料沉积微相自动划分的方法。


技术实现要素：

6.本发明实施例中提供了一种基于目标检测的测井沉积微相划分方法，用以解决现有技术中采用人工方式，根据测井资料划分沉积微相，存在耗时耗力且结果不准确的技术问题，该方法包括：采用多尺度滑窗方法，遍历待检测测井伽玛曲线，截取多个待检测框；提取每个待检测框的曲线特征信息；将每个待检测框的曲线特征信息，输入到预先训练好的沉积微相分类器中，输出每个待检测框对应不同沉积微相的概率；将概率最大的沉积微相，确定为每个待检测框所属的沉积微相，并统计不同沉积微相对应的待检测框位置信息；将同一沉积微相对应待检测框具有位置重叠关系的区域进行合并处理；将不同沉积微相对应待检测框具有位置重叠关系的区域确定为新检测框，提取新检测框的曲线特征信息，结合预先统计得到的不同沉积微相的垂向相关性信息，确定新检测框所属的沉积微相。
7.本发明实施例中还提供了一种基于目标检测的测井沉积微相划分装置，用以解决现有技术中采用人工方式，根据测井资料划分沉积微相，存在耗时耗力且结果不准确的技术问题，该装置包括：测井伽玛曲线切割模块，用于采用多尺度滑窗方法，遍历待检测测井伽玛曲线，截取多个待检测框；特征信息提取模块，用于提取每个待检测框的曲线特征信
息；沉积微相识别模块，用于将每个待检测框的曲线特征信息，输入到预先训练好的沉积微相分类器中，输出每个待检测框对应不同沉积微相的概率；沉积微相位置信息确定模块，用于将概率最大的沉积微相，确定为每个待检测框所属的沉积微相，并统计不同沉积微相对应的待检测框位置信息；同一沉积微相重叠区域处理模块，用于将同一沉积微相对应待检测框具有位置重叠关系的区域进行合并处理；不同沉积微相重叠区域处理模块，用于将不同沉积微相对应待检测框具有位置重叠关系的区域确定为新检测框，提取新检测框的曲线特征信息，结合预先统计得到的不同沉积微相的垂向相关性信息，确定新检测框所属的沉积微相。
8.本发明实施例中还提供了一种计算机设备，用以解决现有技术中采用人工方式，根据测井资料划分沉积微相，存在耗时耗力且结果不准确的技术问题，该计算机设备包括存储器、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，处理器执行计算机程序时实现上述基于目标检测的测井沉积微相划分方法。
9.本发明实施例中还提供了一种计算机可读存储介质，用以解决现有技术中采用人工方式，根据测井资料划分沉积微相，存在耗时耗力且结果不准确的技术问题，该计算机可读存储介质存储有执行上述基于目标检测的测井沉积微相划分方法的计算机程序。
10.本发明实施例中，采用多尺度滑窗方法，遍历待检测测井伽玛曲线，截取得到多个待检测框，进而提取每个待检测框的曲线特征信息，并基于预先训练好的沉积微相分类器，得到每个待检测框对应不同沉积微相的概率，将概率最大的沉积微相，确定为每个待检测框所属的沉积微相，并统计不同沉积微相对应的待检测框位置信息，最后将同一沉积微相对应待检测框具有位置重叠关系的区域进行合并处理，将不同沉积微相对应待检测框具有位置重叠关系的区域确定为新检测框，提取新检测框的曲线特征信息，结合预先统计得到的不同沉积微相的垂向相关性信息，确定新检测框所属的沉积微相，与现有技术中采用人工方式进行沉积微相解释的技术方案相比，本发明实施例，基于目标检测实现沉积微相的自动划分，能够极大地提高沉积微相划分的效率和准确度。
附图说明
11.为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
12.图1为本发明实施例中提供的一种基于目标检测的测井沉积微相划分方法流程图；
13.图2为现有技术提供的最小二乘法梯度计算方案与本发明实施例中提供的随机抽样一致算法与最小二乘法结合的梯度计算方法的比较示意图；
14.图3为本发明实施例中提供的原始伽玛曲线及其对应的随机模拟曲线示意图；
15.图4为本发明实施例中提供的一种测井沉积微相目标检测策略示意图；
16.图5为本发明实施例中提供的一种基于目标检测的测井沉积微相划分方法具体实现流程图；
17.图6为分别采用现有技术提供的沉积微相人工解释方案与本发明实施例中提供的
沉积微相自动划分方案得到的沉积微相划分结果示意图；
18.图7为本发明实施例中提供的一种基于目标检测的测井沉积微相划分装置示意图。
具体实施方式
19.为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
20.本发明实施例中提供了一种基于目标检测的测井沉积微相划分方法，图1为本发明实施例中提供的一种基于目标检测的测井沉积微相划分方法流程图，如图1所示，该方法包括如下步骤：
21.s101，采用多尺度滑窗方法，遍历待检测测井伽玛曲线，截取多个待检测框。
22.需要说明的是，多尺度滑窗方法是指采用多个预设尺寸的滑动窗口按照等距步长进行滑动形成大量窗口的方法。本发明实施例中，对于待检测曲线，应用多尺度滑窗方法获取大量的待检测框。例如，在采用长度为2m的窗口，按照0.5m的步长遍历待检测曲线，截取一系列待检测框；然后采用长度为2m的窗口，按照0.75m的步长遍历待检测曲线，获取一系列待检测框；继续采用长度为2m的窗口，按照1m的步长遍历曲线，直至步长取到定义的最大值。接着，增加窗口长度，采用长度为2.5m窗口进行类似遍历。继续增加窗口长度进行类似遍历，直至窗口长度取到定义的最大值。
23.s102，提取每个待检测框的曲线特征信息。
24.需要说明的是，本发明实施例中提取的曲线特征信息是指从测井伽玛曲线上提取的能够表征沉积信息的特征信息，以区分和描述不同的沉积微相，提取的曲线特征信息包括但不限于：均值、幅度、相对质心和梯度信息。
25.假设测井伽玛曲线序列为ai(i＝1,.....n)(ai代表测井伽玛曲线序列的第i个值,n为序列的总点数，即长度)。各个特征信息的提取方法如下：
26.①
均值：
[0027][0028]
②
幅度：
[0029][0030]
其中，median表示测井序列的中值。伽玛曲线的幅度特征反映了沉积环境能量的变化。
[0031]
③
相对质心：
[0032][0033]
相对质心可反映测井曲线的形状特征。通常，当f
rb
≥0.5时，曲线表现为钟型；当f
rb
≈0.5时，曲线表现为箱型；当f
rb
≤0.5时，曲线为漏斗型。
[0034]
④
梯度：
[0035]
测井曲线的整体梯度是识别曲线形态及划分沉积微相类型最重要特征。例如，当沉积相为河口坝时，对应的伽玛曲线为漏斗型，梯度大于90
°
；当沉积相为水下分流河道时，对应的伽玛曲线为箱型或钟型，梯度接近90
°
或小于90
°
。
[0036]
需要说明的是，本发明实施例中，应用随机抽样一致算法来精确计算测井曲线的整体梯度。通常在对测井曲线段进行梯度计算时，曲线的顶底数据容易作为离群点对梯度计算的精度产生影响。随机抽样一致算法能排除噪音数据的干扰，获取数据的主趋势，从而能准确的提取曲线的整体梯度。图2为现有技术提供的最小二乘法梯度计算方案与本发明实施例中提供的随机抽样一致算法与最小二乘法结合的梯度计算方法的比较示意图，如图2所示，图标201所示的线为应用最小二乘法对所有曲线点进行拟合的结果；图标202所示的线为先采用随机抽样一致算法抽取代表点后应用最小二乘法对所有代表点进行拟合的结果。图2中所示曲线上的“星”点为应用随机抽样一致算法后抽取得到的代表主趋势的点。可以看到，图标202所示的线比图标201所示的线，能够更准确地反映曲线段的整体梯度。
[0037]
s103，将每个待检测框的曲线特征信息，输入到预先训练好的沉积微相分类器中，输出每个待检测框对应不同沉积微相的概率。
[0038]
在具体实施时，本发明实施例中提供的基于目标检测的测井沉积微相划分方法，可以通过如下步骤来训练得到一个沉积微相分类器：获取对沉积微相分类器进行机器学习的训练样本数据；根据获取到的训练样本数据，通过机器学习训练得到沉积微相分类器。
[0039]
需要注意的是，各类型样本的数量基本相同，是取得良好机器学习效果的基础。然而，在同一沉积相带内，不同沉积微相的数量是不同的。因而，本发明实施例为取得较好的机器学习效果，在利用样本数据对沉积微相分类器进行机器学习之前，可对样本数量少的沉积微相进行数据拓展。
[0040]
因而，在执行上述s103之前，本发明实施例通过如下步骤生成对沉积微相分类器进行机器学习的训练样本数据：采集同一沉积相带内不同沉积微相对应的样本数据；对样本数量不足的沉积微相进行样本数据扩展，使得同一沉积相带内不同沉积微相对应的样本数据一致；根据扩展后的样本数据，生成对沉积微相分类器进行机器学习的训练样本数据。
[0041]
在具体实施时，通过如下步骤来对样本数据进行扩展：获取待扩展沉积微相的原始测井伽玛曲线；根据待扩展沉积微相的原始测井伽玛曲线，采用蒙特卡洛空间相关模拟方法产生出待扩展沉积微相的多个随机模拟曲线，其中，每个随机模拟曲线与原始测井伽玛曲线的长度一致。
[0042]
需要说明的是，应用蒙特卡洛空间相关模拟方法对数据进行拓展，可产生一系列随机模拟的伽玛曲线，如图3所示，针对原始测井伽玛曲线，产生了6个模拟曲线。
[0043]
具体步骤如下：
[0044]
①
对原始伽玛曲线进行平滑获得其深度域的趋势m，同时计算其和原伽玛曲线间的残差；
[0045]
②
建立残差的基于高斯模型的变差函数γ
(h)
(h＝0,1,2,3.....d
max
)，并计算相应的空间对称协方差矩阵c：
[0046][0047]
③
对c进行cholesky分解并获得下三角矩阵r：
[0048]
c＝rr
t
ꢀꢀꢀ
(5)
[0049]
④
产生一个随机向量u(u～n(0,1))，其长度与原始数据一致；
[0050]
⑤
根据公式v＝m ru进行随机模拟，可生成一系列随机模拟曲线，可以作为原样本数据的补充，参与后续的机器学习。
[0051]
s104，将概率最大的沉积微相，确定为每个待检测框所属的沉积微相，并统计不同沉积微相对应的待检测框位置信息。
[0052]
需要说明的是，在通过沉积微相分类器输出每个待检测框对应各个沉积微相的概率后，将概率最大的沉积微相确定为该待检测框所属的沉积微相，进而得到所有待检测框所属的沉积微相，通过统计可得到每种沉积微相对应的待检测框，由于待检测框在待检测测井伽马曲线上的位置信息是已知的，因而可得到每种沉积微相分布的位置信息，如图4中(a)所示三种沉积微相的待检测框位置信息。
[0053]
在一个实施例中，在得到不同沉积微相对应的待检测框位置信息后，还可以应用非极大值抑制方法对每种沉积微相分布的位置信息进行处理，以去除冗余的待检测框，例如，对图4中(a)所示的三种沉积微相的待检测框位置信息进行处理，得到图4中(b)所示的去除冗余后的三种沉积微相的待检测框位置信息。
[0054]
s105，将同一沉积微相对应待检测框具有位置重叠关系的区域进行合并处理。
[0055]
需要说明的是，对每一种沉积微相类型待检测框重叠的区域进行合并处理，即可得到每一种沉积微相类型的分布位置信息。如图4中(c)所示为对同一种沉积微相类型待检测框重叠的区域进行合并处理后的结果。
[0056]
s106，将不同沉积微相对应待检测框具有位置重叠关系的区域确定为新检测框，提取新检测框的曲线特征信息，结合预先统计得到的不同沉积微相的垂向相关性信息，确定新检测框所属的沉积微相。
[0057]
需要说明的是，对于不同沉积微相间重叠的区域，形成新的待检测框(即新检测框)，提取新检测框对应曲线的特征信息，结合沉积微相的垂向相关性信息，可确定不同新检测框所属的沉积微相类型。如图4中(d)所示为形成的新检测框；如图4中(e)所示为最终目标检测结果。
[0058]
在一个实施例中，本发明实施例中提供的基于目标检测的测井沉积微相划分方法还可以通过如下步骤来确定不同沉积微相的垂向相关性信息：统计不同沉积微相在垂向上的邻近概率；根据统计结果，确定不同沉积微相的垂向相关性信息。
[0059]
由于不同的沉积微相间在垂向上存在一定的邻近关系。因此，有必要统计不同沉积微相在垂向上的邻近概率。以目的层发育河口坝(mb)、水道间(ic)及水下分流河道(udc)为例，矩阵m为基于垂向相关性统计的条件概率密度矩阵。
[0060][0061]
其中，p(f|fk)表示存在第k种相类型fk时，出现沉积微相f的条件概率密度。沉积微相垂向相关性矩阵的加入，可以提高沉积微相机器学习的精度。
[0062]
由上可知，本发明实施例基于测井沉积微相形态特征，将人工解释沉积微相转换为目标检测的问题，综合应用机器学习、计算机视觉技术，实现了测井沉积微相的自动划分。基于沉积原理，本发明实施例中，优选四种属性作为描述沉积微相的特征。应用随机抽样一致算法来精确计算测井曲线的整体梯度，为后续机器学习提取准确的曲线特征。通过加入沉积微相垂向相关性来提高机器学习的识别精度。针对性的设计了沉积微相的目标检测策略。与现有技术中人工解释进行沉积微相划分的方案相比，本发明实施例中提供的基于目标检测的测井沉积微相划分方法，极大地提高了沉积微相划分的精度和效率。
[0063]
在具体实施时，本发明实施例可通过图5所示的流程来实现。如图5所示，在采集到不同沉积微相的样本数据(伽马曲线)后，样本数量少的沉积微相进行数据拓展，提取不同沉积微相对应伽马曲线的特征信息，通过机器学习训练得到沉积微相分类器，利用训练好的沉积微相分类器对待检测测井伽马曲线进行目标检测，得到待检测测井伽马曲线对应的沉积微相自动划分结果。
[0064]
一个实施例中，将本发明实施例中提供的基于目标检测的测井沉积微相划分方法，应用于鄂尔多斯盆地环县-合水某工区上三叠纪延长组长8段地层，基于测井伽玛曲线自动划分河口坝、河道间及水下分流河道3类沉积微相。本工区获取了9口井130余个岩心记录。通过应用蒙特卡洛空间相关模拟方法对数据进行拓展，形成200个样本，其中70％作为训练样本，30％作为测试样本。经过多机器学习方法测试，朴素贝叶斯分类器更适用于识别沉积微相，且该方法不需要大量的样本即可获得好的分类效果。
[0065]
对工区目的层三种沉积微相垂向关系进行了统计，建立垂向相关性矩阵：
[0066][0067]
其中，矩阵中mb、ic、udc分别代表河口坝、河道间及水下分流河道。例如，在本工区，河道间在河口坝上面发育的概率是57％，水下分流河道在河口坝上出现的概率是43％。
[0068]
结合已训练好的分类器、沉积微相垂向关系矩阵及目标检测方法，对井1、井2测井伽玛曲线目的层段进行沉积微相自动划分，结果如图6所示，微相1、微相2、微相3分别代表河口坝、河道间、水下分流河道。在井1中，长8段手工沉积微相解释结果和应用本发明实施例中自动划分结果高度相似。好的识别效果的原因是井1中目的层段不同沉积微相的伽玛曲线响应区分明显。在井2中，长8段手工沉积微相划分结果和应用本发明自动划分结果存在明显的差别。这是由于井2目的层部分井段伽玛曲线特征不显著，例如井2顶部伽玛曲线既可解释为河口坝，也可被解释为河道间。实际上，本发明如果基于好的机器学习训练结果及严谨的沉积微相垂向相关性统计，自动划分的边界比人工解释更合理和客观。在井2中底
部，本发明自动划分的河口坝边界比人工划分的更合理。相反，人工沉积微相解释并没有定量化标准来参考，因此存在一定的主观性，特别是面对曲线特征不典型的井段。
[0069]
基于同一发明构思，本发明实施例中还提供了一种基于目标检测的测井沉积微相划分装置，如下面的实施例所述。由于该装置解决问题的原理与基于目标检测的测井沉积微相划分方法相似，因此该装置的实施可以参见基于目标检测的测井沉积微相划分方法的实施，重复之处不再赘述。
[0070]
图7为本发明实施例中提供的一种基于目标检测的测井沉积微相划分装置示意图，如图7所示，该装置包括：测井伽玛曲线切割模块71、特征信息提取模块72、沉积微相识别模块73、沉积微相位置信息确定模块74、同一沉积微相重叠区域处理模块75和不同沉积微相重叠区域处理模块76。
[0071]
其中，测井伽玛曲线切割模块71，用于采用多尺度滑窗方法，遍历待检测测井伽玛曲线，截取多个待检测框；特征信息提取模块72，用于提取每个待检测框的曲线特征信息；沉积微相识别模块73，用于将每个待检测框的曲线特征信息，输入到预先训练好的沉积微相分类器中，输出每个待检测框对应不同沉积微相的概率；沉积微相位置信息确定模块74，用于将概率最大的沉积微相，确定为每个待检测框所属的沉积微相，并统计不同沉积微相对应的待检测框位置信息；同一沉积微相重叠区域处理模块75，用于将同一沉积微相对应待检测框具有位置重叠关系的区域进行合并处理；不同沉积微相重叠区域处理模块76，用于将不同沉积微相对应待检测框具有位置重叠关系的区域确定为新检测框，提取新检测框的曲线特征信息，结合预先统计得到的不同沉积微相的垂向相关性信息，确定新检测框所属的沉积微相。
[0072]
在一个实施例中，本发明实施例中提供的基于目标检测的测井沉积微相划分装置还可以包括：机器学习模块77，用于获取对沉积微相分类器进行机器学习的训练样本数据，并根据获取到的训练样本数据，通过机器学习训练得到沉积微相分类器。
[0073]
在一个实施例中，本发明实施例中提供的基于目标检测的测井沉积微相划分装置还可以包括：样本数据扩展模块78，用于采集同一沉积相带内不同沉积微相对应的样本数据，对样本数量不足的沉积微相进行样本数据扩展，使得同一沉积相带内不同沉积微相对应的样本数据一致，进而根据扩展后的样本数据，生成对沉积微相分类器进行机器学习的训练样本数据。
[0074]
可选地，上述样本数据扩展模块78还用于获取待扩展沉积微相的原始测井伽玛曲线；以及根据待扩展沉积微相的原始测井伽玛曲线，采用蒙特卡洛空间相关模拟方法产生出待扩展沉积微相的多个随机模拟曲线，其中，每个随机模拟曲线与原始测井伽玛曲线的长度一致。
[0075]
在一个实施例中，本发明实施例中提供的基于目标检测的测井沉积微相划分装置还可以包括：沉积微相垂向相关性分析模块79，用于统计不同沉积微相在垂向上的邻近概率；以及根据统计结果，确定不同沉积微相的垂向相关性信息。
[0076]
基于同一发明构思，本发明实施例中还提供了一种计算机设备，用以解决现有技术中采用人工方式，根据测井资料划分沉积微相，存在耗时耗力且结果不准确的技术问题，该计算机设备包括存储器、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，处理器执行计算机程序时实现上述基于目标检测的测井沉积微相划分方法。
[0077]
基于同一发明构思，本发明实施例中还提供了一种计算机可读存储介质，用以解决现有技术中采用人工方式，根据测井资料划分沉积微相，存在耗时耗力且结果不准确的技术问题，该计算机可读存储介质存储有执行上述基于目标检测的测井沉积微相划分方法的计算机程序。
[0078]
综上所述，本发明实施例中提供了一种基于目标检测的测井沉积微相划分方法、装置、计算机设备及计算机可读存储介质，采用多尺度滑窗方法，遍历待检测测井伽玛曲线，截取得到多个待检测框，进而提取每个待检测框的曲线特征信息，并基于预先训练好的沉积微相分类器，得到每个待检测框对应不同沉积微相的概率，将概率最大的沉积微相，确定为每个待检测框所属的沉积微相，并统计不同沉积微相对应的待检测框位置信息，最后将同一沉积微相对应待检测框具有位置重叠关系的区域进行合并处理，将不同沉积微相对应待检测框具有位置重叠关系的区域确定为新检测框，提取新检测框的曲线特征信息，结合预先统计得到的不同沉积微相的垂向相关性信息，确定新检测框所属的沉积微相，与现有技术中采用人工方式进行沉积微相解释的技术方案相比，本发明实施例，基于目标检测实现沉积微相的自动划分，能够极大地提高沉积微相划分的效率和准确度。
[0079]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
[0080]
本发明是参照根据本发明实施例的方法、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。
[0081]
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。
[0082]
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。
[0083]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。