用于测井岩性预测的机器学习模型训练方法与流程

1.本发明涉及地球物理测井领域中的岩性识别技术领域，特别是涉及到一种用于测井岩性预测的机器学习模型训练方法。


背景技术：

2.不同的测井曲线记录着不同的地球物理参数，利用测井曲线可以获取更丰富的地质信息，从而更全面地了解地层性质，对地质勘探工作有指导意义。近年来，基于大数据理论，利用测井曲线进行岩性识别和预测是最有前景的岩性识别方法之一。
3.在实际工作中，人工基于测井专家经验进行岩性分析是最常见的方法，即专家利用自身工作经验通过几种典型的测井曲线来识别岩性，这种方法识别准确率高，但是只能用较少曲线进行数学转换，且需要耗费大量人力计算，任务比较繁重。
4.随着现代测井技术的发展，大数据处理、机器学习等技术被用于代替人力参与到测井曲线岩性识别领域，大大提高了岩性识别的速度和范围。但是在实际勘探中受到复杂地质结构和成本控制等各种因素的影响，使得各个地区的测井曲线的测量并不全面，而机器学习等技术非常依赖于原始数据的真实性，导致预测准确率不高。
5.在申请号：cn202110426395.1的中国专利申请中，涉及到一种岩性识别方法，特别是涉及一种基于储层元目标的不变特征描述的岩性识别方法。该方法通过对测井曲线不变特征的提取以及描述，在实现元目标自动分层的同时，将元目标的不变特征嵌入到岩性识别的机器学习模型中，最终在未知井机器模型应用中实现了岩性预测，在保留局部储层个性的同时，大大增强了储层描述的泛化能力，不仅解决了目前利用测井曲线进行岩性识别时跨井可推广能力制约机器学习方法引入的瓶颈问题，还提升了储层描述精度和可靠性。
6.在申请号：cn201910078669.5的中国专利申请中，涉及到一种基于测井数据的多井复杂岩性智能识别方法及系统，该方法首先确定目标测井数据文件并进行格式转换以及归一化预处理，然后根据全区关键取芯井在取芯井段的已知岩性对测井曲线数据进行特征筛选和/或特征组合扩展获得对岩性敏感的测井曲线数据，再给对岩性响应敏感的测井曲线数据进行打标签标定组成样本数据库同时将全区未打标签的测井曲线数据组成待测数据库，进而利用样本数据库的数据并结合若干机器学习算法进行机器学习训练后自动建立若干岩性识别模型，通过分类性能评价法则选出最优的模型，并利用最优的模型对待测数据库中的数据进行岩性预测以实现全区多井复杂岩性智能识别，高效方便、全区适用且自动智能预测结果非常精准。
7.在申请号：cn202110747549.7的中国专利申请中，涉及到一种复杂储层岩性识别方法、装置、设备及存储介质，该方法包括：建立适用于实际工区的岩石物理模型；通过岩石物理模型生成岩性标签和多元属性参数；根据生成的岩性标签和多元属性参数，利用随机森林算法和交会分析方法筛选出对岩性敏感的敏感性特征；将筛选出的敏感性特征和岩性标签作为训练样本，利用随机森林算法训练生成岩性识别器；运用岩性识别器进行岩性识别。这样通过岩石物理模型将多元属性纳入到岩性识别的问题中，利用岩石物理模型制作
的岩性标签和随机森林算法，训练生成岩性识别器，既能提高实际生产中岩性识别的准确率，也能增强机器学习算法的泛化性。
8.以上现有技术均与本发明有较大区别，未能解决我们想要解决的技术问题，为此我们发明了一种新的用于测井岩性预测的机器学习模型训练方法。


技术实现要素：

9.本发明的目的是提供一种提高测井曲线岩性预测准确率，结合专家经验和机器学习结果进行测井曲线岩性预测模型训练的用于测井岩性预测的机器学习模型训练方法。
10.本发明的目的可通过如下技术措施来实现：用于测井岩性预测的机器学习模型训练方法，该用于测井岩性预测的机器学习模型训练方法包括：
11.步骤1：基于专家经验选择测井数据特征曲线；
12.步骤2：基于专家经验衍生测井数据特征曲线；
13.步骤3：基于专家经验对标签进行检查和合并；
14.步骤4：进行数据常规处理；
15.步骤5：进行数据划分；
16.步骤6：进行模型的选择；
17.步骤7：进行模型的训练、调优与保存。
18.本发明的目的还可通过如下技术措施来实现：
19.在步骤1中，在进行特征曲线选择之前，首先进行数据对齐，统计特征曲线种类、值的分布情况和空值分布情况，根据所统计的数据情况作为对当前数据特征的把握。
20.步骤1包括：
21.s11：获取目标井的数据，按照深度对齐，获取相同深度段下的特征曲线数据，统计特征曲线的种类、值分布和空值分布；
22.s12：根据获取到的特征曲线信息，选择数据空值较少且对岩性预测比较重要的特征曲线。
23.在步骤s12中，在岩性预测时，选取与岩性相关性较大的曲线，包括自然电位(sp)、感应电导率(cond)、2.5米底部梯度电极系(r25)、4米底部梯度电极系(r4)和声波时差(ac)。
24.在步骤2中，根据统计出来的特征曲线信息，利用专家经验构造新的特征曲线或者原数据集中缺少的特征曲线，选择构造曲线的名称、构造曲线所使用的曲线或变量，构造曲线的方式。
25.在步骤2中，在岩性预测中，泥质含量sh是一个关键特征，用已知特征测井曲线sp构建sh，构建方式为：
[0026][0027]
式中，sh—自然伽马相对值；
[0028]vsp
—自然电位sp的测井曲线值；
[0029][0030]
式中，v
sh
—泥质含量sh的测井曲线值；
[0031]
gcur—与地层年代有关系的经验系数，新地层取3.7，老地层取2。
[0032]
在步骤3中，根据统计的样本岩性类别分布，对于岩性标签有误的数据，进行改正；对于岩性标签划分过于细致的类别，根据专家经验进行合并；对于岩性分布不均影响模型学习结果的问题，选择数据量差不多的类别进入训练集。
[0033]
步骤3还包括，进行岩性标签改正和合并之前，首先给出统计岩性类别、值分布情况和空值分布情况，根据所统计的数据情况作为对当前标签的把握。
[0034]
步骤3包括：
[0035]
s31：统计岩性类别种类、值分布情况和空值分布情况；
[0036]
s32：根据统计的岩性信息，依据专家经验，判断岩性标签是否有误，如果有误可以修改；
[0037]
s33：根据岩性类别统计和专家经验，将相近的岩性进行类别合并；
[0038]
s34：依据值分布情况和专家经验，选择进入数据集的岩性类别。
[0039]
在步骤4中，对于有缺失值的特征曲线，进行均值填充或删除空值操作；对数据进行归一化，消除不同单位导致数据差值太大的影响。
[0040]
步骤4包括：
[0041]
s41：根据特征工程中对特征和岩性标签的处理，选取训练数据集；
[0042]
s42：对数据集进行空值处理，删除空值或者进行均值填充；
[0043]
s43：进行标签化、归一化处理。
[0044]
在步骤5中，依据专家经验选择数据集划分比例，将训练数据集按照所给比例划分为训练数据集和测试数据集。
[0045]
在步骤6中，从knn、决策树和dbn中选择一个作为训练模型。
[0046]
在步骤6中，当选择knn作为训练模型时，进行k值的选择。
[0047]
在步骤7中，将所有参数选择完毕后，进入模型训练阶段；根据训练结果，重新调整训练数据集和模型参数，继续训练；直到结果满足期望，保存模型。
[0048]
在步骤7中，当预测准确率达到50％远远未达到预期效果时，重新调整特征曲线数量，重新进行训练，直到训练准确率达到预期。
[0049]
本发明中的用于测井岩性预测的机器学习模型训练方法，涉及用测井曲线进行岩性预测的方法，是一种基于机器学习算法的岩性预测模型训练方法。在模型训练数据预处理方面，一方面增加专家经验加入到测井数据特征曲线的选取，减少冗余特征曲线对岩性识别结果的影响；另一方面增加特征曲线衍生功能，利用专家经验将关键特征或缺失特征进行构造，使得特征曲线数据更完整。
[0050]
在模型训练可视化方面，本发明弥补机器学习过程中专家不能干预这一缺陷，实现人机交互，实现数据的可视化、可操作化，一方面可以增加专家经验对结果的优化，另一方面可以继续发挥机器学习的强数据处理优势和自动化技术，增强模型预测和处理数据的计算速度，最终实现测井曲线预测岩性准确率的提高。
附图说明
[0051]
图1为本发明的用于测井岩性预测的机器学习模型训练方法的一具体实施例的流程图。
具体实施方式
[0052]
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
[0053]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作和/或它们的组合。
[0054]
如图1所示，图1为本发明的用于测井岩性预测的机器学习模型训练方法的流程图。该用于测井岩性预测的机器学习模型训练方法包括了以下步骤：
[0055]
s10：基于专家经验选择测井数据特征曲线。
[0056]
s20：基于专家经验衍生测井数据特征曲线。
[0057]
s30：基于专家经验对标签进行检查和合并。
[0058]
s40：数据常规处理。
[0059]
s50：数据划分。
[0060]
s60：模型选择。
[0061]
s70：模型训练、调优与保存。
[0062]
本发明通过基于专家经验的数据预处理，增加原始数据的可用性，结合专家经验和机器学习结果进行模型训练和调优，实现测井曲线岩性预测模型准确率的提高。主要由以下方面体现：一方面通过基于专家经验的数据预处理，减少原数据中的冗余、缺失等，弥补了单一使用人工经验和机器学习进行岩性预测上的缺点，对机器学习增加人工经验的补充，对人工经验利用机器学习的自动化优势，二者互补长短，相辅相成；另一方面，本发明进行人机交互，实现训练数据的可视化、可操作化，训练过程透明化，训练结果可优化等效果；最后，通过实践证明，本发明结合人工经验和机器学习的模型训练方法确实可以有效提高岩性预测准确率。
[0063]
以下为应用本发明的几个具体实施例。
[0064]
实施例1
[0065]
在应用本发明的一具体实施例1中，本发明的用于测井岩性预测的机器学习模型训练方法，具体实施步骤如下：
[0066]
s10：基于专家经验选择测井数据特征曲线：实际测量的测井数据作为训练样本时，容易出现样本分布不均、样本中特征曲线冗余等问题，导致训练的模型预测准确率不高。为了弱化样本数据质量不佳的影响，本发明提供人工选择训练样本特征的功能。
[0067]
在提供特征曲线选择功能之前，首先进行数据对齐，统计特征曲线种类、值的分布情况和空值分布情况，可根据所统计的数据情况作为对当前数据特征的把握。
[0068]
s20：基于专家经验衍生测井数据特征曲线：实际的测井数据中易出现关键特征数
据缺失等问题，本发明提供特征构造方法，可根据当前特征曲线信息，利用专家经验进行特征构造，实现特征衍生功能。
[0069]
s30：基于专家经验对标签进行检查和合并：根据统计的样本岩性类别分布，对于岩性标签有误的数据，可以进行改正；对于岩性标签划分过于细致的类别，可以根据专家经验进行合并；对于岩性分布不均影响模型学习结果的问题，可以选择数据量差不多的类别进入训练集。
[0070]
在提供岩性标签更正和合并功能之前，首先给出统计岩性类别、值分布情况和空值分布情况，可根据所统计的数据情况作为对当前标签的把握。
[0071]
s40：数据常规处理：对于有缺失值的特征曲线，可以进行均值填充或删除空值操作；对数据进行归一化，消除不同单位导致数据差值太大的影响。
[0072]
s50：数据划分：为了更好的比较训练结果，将训练数据划分为训练数据集合测试数据集，划分比例可根据专家经验进行选择。
[0073]
s60：模型选择：本发明提供机器学习模型，包括knn(k-nearest neighbor)、决策树(decision tree)和dbn(deep neural network)算法模型以及部分相关参数的选择。当选择knn模型时可同时选择k值作为参数。
[0074]
s70：模型训练、调优与保存：将所有参数选择完毕后，可进入模型训练阶段；根据训练结果，可重新调整训练数据集和模型参数，继续训练；直到结果满足期望，保存模型。
[0075]
实施例2
[0076]
在应用本发明的一具体实施例2中，本发明的用于测井岩性预测的机器学习模型训练方法，包括了以下步骤：
[0077]
s10：基于专家经验选择测井数据特征曲线，具体包括：
[0078]
s11：获取目标井的数据，按照深度对齐，获取相同深度段下的特征曲线数据，统计特征曲线的种类、值分布和空值分布；
[0079]
s12：根据获取到的特征曲线信息，选择数据空值较少且对岩性预测比较重要的特征曲线。
[0080]
步骤s20，根据统计出来的特征曲线信息，根据专家经验构造新的特征曲线或者原数据集中缺少的特征曲线，可选择构造曲线的名称、构造曲线所使用的曲线或变量，构造曲线的方式。
[0081]
在岩性预测中，泥质含量sh也是一个关键特征，用已知特征曲线sp构建sh，构建方式为：
[0082][0083]
式中，sh—自然伽马相对值；
[0084]vsp
—自然电位sp的测井曲线值；
[0085][0086]
式中，v
sh
—泥质含量sh的测井曲线值；
[0087]
gcur—与地层年代有关系的经验系数，新地层取3.7，老地层取2。
[0088]
步骤s30中，基于专家经验对标签进行检查和合并，具体实施步骤如下：
[0089]
s31：统计岩性类别种类、值分布情况和空值分布情况；
[0090]
s32：根据统计的岩性信息，依据专家经验，判断岩性标签是否有误，如果有误可以修改；
[0091]
s33：根据岩性类别统计和专家经验，将相近的岩性进行类别合并；
[0092]
s34：依据值分布情况和专家经验，选择进入数据集的岩性类别。
[0093]
步骤s40中，数据常规处理，具体实施步骤为：
[0094]
s41：根据特征工程中对特征和岩性标签的处理，选取训练数据集:；
[0095]
s42：对数据集进行空值处理(可以是删除空值或者均值填充)；
[0096]
s43：进行标签化、归一化处理。
[0097]
步骤s50中，依据专家经验选择数据集划分比例，将训练数据集按照所给比例划分为训练数据集和测试数据集。
[0098]
步骤s60中，从knn、决策树和dbn中选择一个作为训练模型。
[0099]
步骤s70中，模型训练、调优与保存，具体实施步骤如下：
[0100]
s71：用训练数据集进行训练，模型返回模型训练准确率和预测结果；
[0101]
s72：用测试数据集进行训练，模型返回模型训练准确率和预测结果；
[0102]
s73：根据两次训练结果，判断结果是否符合预期，不符合可重新选择参数进行训练，符合预期可保存模型。
[0103]
实施例3
[0104]
在应用本发明的一具体实施例3中，本发明的用于测井岩性预测的机器学习模型训练方法包括了以下步骤：
[0105]
s10：基于专家经验选择测井数据特征曲线，具体包括：
[0106]
s11：获取目标井的数据，按照深度对齐，获取相同深度段下的特征曲线数据，统计特征曲线的种类、值分布和空值分布；
[0107]
假设某区块包含n口井的测井资料，将这n口井数据按照深度对齐，得到同等深度下包含所有曲线的数据表；统计表中所有特征曲线的名称、特征曲线的值分布情况，以及各个特征曲线的空值分布情况。
[0108]
s12：根据获取到的特征曲线信息，选择数据空值较少且对岩性预测比较重要的特征曲线。
[0109]
在岩性预测中，选取与岩性相关性较大的曲线，如自然电位(sp)、感应电导率(cond)、2.5米底部梯度电极系(r25)、4米底部梯度电极系(r4)和声波时差(ac)等。
[0110]
步骤s20中，根据统计出来的特征曲线信息，根据专家经验构造新的特征曲线或者原数据集中缺少的特征曲线，可选择构造曲线的名称、构造曲线所使用的曲线或变量，构造曲线的方式。
[0111]
在岩性预测中，泥质含量sh也是一个关键特征，用已知特征曲线sp构建sh，构建方式为：
[0112][0113]
式中，sh—自然伽马相对值；
[0114]vsp
—自然电位sp的测井曲线值；
[0115][0116]
式中，v
sh
—泥质含量sh的测井曲线值。
[0117]
gcur—与地层年代有关系的经验系数，新地层取3.7，老地层取2。
[0118]
步骤s30中，基于专家经验对标签进行检查和合并，具体实施步骤如下：
[0119]
s31：统计岩性类别种类、值分布情况和空值分布情况；
[0120]
s32：根据统计的岩性信息，依据专家经验，判断岩性标签是否有误，如果有误可以修改；
[0121]
在泥岩中砾状泥岩应该改为砂状泥岩。
[0122]
s33：根据岩性类别统计和专家经验，将相近的岩性进行类别合并；
[0123]
粗砾岩、细砾岩可以合并为砾岩，粗砂岩、细砂岩可以合并为砂岩。
[0124]
s34：依据值分布情况和专家经验，选择进入数据集的岩性类别。
[0125]
步骤s40中，数据常规处理，具体实施步骤为：
[0126]
s41：根据特征工程中对特征和岩性标签的处理，选取训练数据集:；
[0127]
s42：对数据集进行空值处理(可以是删除空值或者均值填充)；
[0128]
s43：进行标签化、归一化处理。
[0129]
步骤s50中，依据专家经验选择数据集划分比例，将训练数据集按照所给比例划分为训练数据集和测试数据集。
[0130]
选择比例为0.7，那么训练集就占原数据集的70％，剩下的30％作为测试集。
[0131]
步骤s60中，从knn、决策树和dbn中选择一个作为训练模型，如果是knn可以选择k值。
[0132]
步骤s70中，模型训练、调优与保存，当预测准确率达到50％远远未达到预期效果时，可以重新调整特征曲线数量，重新进行训练，直到训练准确率达到预期。
[0133]
本发明的用于测井岩性预测的机器学习模型训练方法，基于专家经验调整特征曲线的数量，构造新的关键曲线，优化标签信息，提升训练数据集质量。模型训练和优化过程中，实现数据可见、可控。这种方法能够有效改善实际工作中测井曲线数据值分布不均的问题，并对模型学习过程提供质量较好的数据，是一种有助于模型训练达到高准确率的方法。
[0134]
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域技术人员来说，其依然可以对前述实施例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
[0135]
除说明书所述的技术特征外，均为本专业技术人员的已知技术。

技术特征：
1.用于测井岩性预测的机器学习模型训练方法，其特征在于，该用于测井岩性预测的机器学习模型训练方法包括：步骤1：基于专家经验选择测井数据特征曲线；步骤2：基于专家经验衍生测井数据特征曲线；步骤3：基于专家经验对标签进行检查和合并；步骤4：进行数据常规处理；步骤5：进行数据划分；步骤6：进行模型的选择；步骤7：进行模型的训练、调优与保存。2.根据权利要求1所述的用于测井岩性预测的机器学习模型训练方法，其特征在于，在步骤1中，在进行特征曲线选择之前，首先进行数据对齐，统计特征曲线种类、值的分布情况和空值分布情况，根据所统计的数据情况作为对当前数据特征的把握。3.根据权利要求1所述的用于测井岩性预测的机器学习模型训练方法，其特征在于，步骤1包括：s11：获取目标井的数据，按照深度对齐，获取相同深度段下的特征曲线数据，统计特征曲线的种类、值分布和空值分布；s12：根据获取到的特征曲线信息，选择数据空值较少且对岩性预测比较重要的特征曲线。4.根据权利要求3所述的用于测井岩性预测的机器学习模型训练方法，其特征在于，在步骤s12中，在岩性预测时，选取与岩性相关性较大的曲线，包括自然电位sp、感应电导率cond、2.5米底部梯度电极系r25、4米底部梯度电极系r4和声波时差ac。5.根据权利要求1所述的用于测井岩性预测的机器学习模型训练方法，其特征在于，在步骤2中，根据统计出来的特征曲线信息，根据专家经验构造新的特征曲线或者原数据集中缺少的特征曲线，选择构造曲线的名称、构造曲线所使用的曲线或变量，构造曲线的方式。6.根据权利要求5所述的用于测井岩性预测的机器学习模型训练方法，其特征在于，在步骤2中，在岩性预测中，泥质含量sh是一个关键特征，用已知特征测井曲线sp构建sh，构建方式为：式中，sh—自然伽马相对值；v
sp
—自然电位sp的测井曲线值；式中，v
sh
—泥质含量sh的测井曲线值；gcur—与地层年代有关系的经验系数，新地层取3.7，老地层取2。7.根据权利要求1所述的用于测井岩性预测的机器学习模型训练方法，其特征在于，在步骤3中，根据统计的样本岩性类别分布，对于岩性标签有误的数据，进行改正；对于岩性标签划分过于细致的类别，根据专家经验进行合并；对于岩性分布不均影响模型学习结果的
问题，选择数据量差不多的类别进入训练集。8.根据权利要求7所述的用于测井岩性预测的机器学习模型训练方法，其特征在于，步骤3还包括，进行岩性标签改正和合并之前，首先给出统计岩性类别、值分布情况和空值分布情况，根据所统计的数据情况作为对当前标签的把握。9.根据权利要求1所述的用于测井岩性预测的机器学习模型训练方法，其特征在于，步骤3包括：s31：统计岩性类别种类、值分布情况和空值分布情况；s32：根据统计的岩性信息，依据专家经验，判断岩性标签是否有误，如果有误可以修改；s33：根据岩性类别统计和专家经验，将相近的岩性进行类别合并；s34：依据值分布情况和专家经验，选择进入数据集的岩性类别。10.根据权利要求1所述的用于测井岩性预测的机器学习模型训练方法，其特征在于，在步骤4中，对于有缺失值的特征曲线，进行均值填充或删除空值操作；对数据进行归一化，消除不同单位导致数据差值太大的影响。11.根据权利要求1所述的用于测井岩性预测的机器学习模型训练方法，其特征在于，步骤4包括：s41：根据特征工程中对特征和岩性标签的处理，选取训练数据集；s42：对数据集进行空值处理，删除空值或者进行均值填充；s43：进行标签化、归一化处理。12.根据权利要求1所述的用于测井岩性预测的机器学习模型训练方法，其特征在于，在步骤5中，依据专家经验选择数据集划分比例，将训练数据集按照所给比例划分为训练数据集和测试数据集。13.根据权利要求1所述的用于测井岩性预测的机器学习模型训练方法，其特征在于，在步骤6中，从knn、决策树和dbn中选择一个作为训练模型。14.根据权利要求13所述的用于测井岩性预测的机器学习模型训练方法，其特征在于，在步骤6中，当选择knn作为训练模型时，进行k值的选择。15.根据权利要求1所述的用于测井岩性预测的机器学习模型训练方法，其特征在于，在步骤7中，将所有参数选择完毕后，进入模型训练阶段；根据训练结果，重新调整训练数据集和模型参数，继续训练；直到结果满足期望，保存模型。16.根据权利要求1所述的用于测井岩性预测的机器学习模型训练方法，其特征在于，在步骤7中，当预测准确率达到50％远远未达到预期效果时，重新调整特征曲线数量，重新进行训练，直到训练准确率达到预期。

技术总结
本发明提供一种用于测井岩性预测的机器学习模型训练方法，该用于测井岩性预测的机器学习模型训练方法包括：步骤1：基于专家经验选择测井数据特征曲线；步骤2：基于专家经验衍生测井数据特征曲线；步骤3：基于专家经验对标签进行检查和合并；步骤4：进行数据常规处理；步骤5：进行数据划分；步骤6：进行模型的选择；步骤7：进行模型的训练、调优与保存。该用于测井岩性预测的机器学习模型训练方法通过基于专家经验的数据预处理方法，增加原始数据的可用性，结合专家经验和机器学习结果进行模型训练和调优，实现测井曲线岩性预测模型准确率的提高。高。高。


技术研发人员：梁党卫 赫俊民 邓娟 张益政 徐晓冰 闫庆超 冯德永 刘海宁 隋国华
受保护的技术使用者：中国石油化工股份有限公司胜利油田分公司物探研究院
技术研发日：2022.01.21
技术公布日：2023/8/5