閆星宇 顧漢明*② 肖逸飛 任 浩 倪 俊

(①中國(guó)地質(zhì)大學(xué)(武漢)地球物理與空間信息學(xué)院，湖北武漢 430074；②地球內(nèi)部多尺度成像湖北省重點(diǎn)實(shí)驗(yàn)室，湖北武漢 430074)

0 引言

致密砂巖氣儲(chǔ)層作為一種非常規(guī)氣藏，在油氣勘探開發(fā)中受到了越來越多的關(guān)注[1]，準(zhǔn)確識(shí)別和評(píng)價(jià)致密砂巖氣儲(chǔ)層是成功開采氣藏的前提。測(cè)井作為重要的油氣勘探手段，信息量大且數(shù)據(jù)連續(xù)，能有效地識(shí)別各類儲(chǔ)層。但是，在致密氣藏的測(cè)井解釋中，通常面臨著低信噪比、低分辨率和非均質(zhì)、非線性等難點(diǎn)。常規(guī)的測(cè)井解釋[2-4]往往需要通過專業(yè)知識(shí)與地區(qū)經(jīng)驗(yàn)，盡量挖掘測(cè)井資料中的隱藏信息，計(jì)算孔隙度、滲透率等地質(zhì)參數(shù)，人工判定不同的測(cè)井解釋結(jié)論。這些工作往往效率極低且易出錯(cuò)，因此，尋求新的致密砂巖氣儲(chǔ)層測(cè)井解釋技術(shù)成為當(dāng)今致密砂巖氣藏勘探中急需解決的重點(diǎn)問題[5]。

近年來，機(jī)器學(xué)習(xí)作為一種高效的數(shù)據(jù)挖掘方法，越來越多地應(yīng)用于測(cè)井解釋之中： Rogers等[6]、Baldwin等[7]基于人工神經(jīng)網(wǎng)絡(luò)(ANNs)，使用測(cè)井?dāng)?shù)據(jù)進(jìn)行巖性識(shí)別與測(cè)井評(píng)價(jià)； 張向君等[8]、Anazi等[9]、Sebtosheikh等[10]使用支持向量機(jī)算法(SVM)進(jìn)行儲(chǔ)層預(yù)測(cè)； Shi等[11]、Li等[12]通過決策樹(DT)算法進(jìn)行氣層識(shí)別與測(cè)井解釋。實(shí)際測(cè)井?dāng)?shù)據(jù)特征往往具有不均衡性，數(shù)據(jù)集中某些類的樣本遠(yuǎn)多于其他類，單一模型的算法對(duì)于測(cè)井解釋具有一定的局限性，集成學(xué)習(xí)(Ensemble Learning)方法則可以很好地解決這一問題[13-14]。李詒靖等[14]將集成學(xué)習(xí)方法中的提升(boosting)算法應(yīng)用于儲(chǔ)層含油性識(shí)別； 宋建國(guó)等[15]、 Cracknell等[16]、 周雪晴等[17]分別將隨機(jī)森林(RF)分類與回歸方法用于儲(chǔ)層預(yù)測(cè)與巖相分類之中。極端梯度提升(XGBoost,eXtreme Gradient Boosting)算法是對(duì)提升算法的優(yōu)化[18]，具有更高的模型精度與泛化能力，并加入了防止過擬合的正則項(xiàng)，且支持并行計(jì)算，在金融、圖像識(shí)別、醫(yī)學(xué)等領(lǐng)域得到了廣泛應(yīng)用[19-20]，但在地球物理領(lǐng)域中應(yīng)用較少。

致密砂巖氣儲(chǔ)層的測(cè)井?dāng)?shù)據(jù)屬于典型的不均衡數(shù)據(jù)，非儲(chǔ)層的樣本數(shù)量遠(yuǎn)遠(yuǎn)大于儲(chǔ)層。基于A工區(qū)測(cè)井資料，通過XGBoost算法預(yù)測(cè)該區(qū)孔隙度與滲透率參數(shù)，進(jìn)一步對(duì)該區(qū)儲(chǔ)層進(jìn)行預(yù)測(cè)分類，并與同為集成學(xué)習(xí)方法的隨機(jī)森林方法和單一模型的支持向量機(jī)算法進(jìn)行比較，以最終分類結(jié)果的混淆矩陣和準(zhǔn)確率作為評(píng)價(jià)標(biāo)準(zhǔn)，研究XGBoost算法在致密砂巖氣儲(chǔ)層測(cè)井解釋方面的應(yīng)用。

1 XGBoost算法理論

集成學(xué)習(xí)方法是指將多個(gè)學(xué)習(xí)模型組合，以獲得更好的效果。提升算法屬于集成學(xué)習(xí)方法，其基本思想是將數(shù)以百計(jì)的低精度簡(jiǎn)單樹模型結(jié)合起來，在每次迭代后都會(huì)為模型生成一棵新樹，以建立更精確的模型。目前最有效的建立樹模型方法是由Friedman[21]提出的梯度提升樹，它利用梯度下降法生成基于所有先前樹的新樹，從而將目標(biāo)函數(shù)推向最小方向。

極端梯度提升算法是對(duì)梯度提升樹算法的優(yōu)化，可以應(yīng)用于回歸問題與分類問題，相較于梯度提升算法，該方法對(duì)目標(biāo)誤差函數(shù)以二階泰勒公式展開，并加入了正則項(xiàng)。

使用XGBoost算法建立測(cè)井解釋模型時(shí)，首先基于分類回歸樹(CART)作為基分類器定義目標(biāo)函數(shù)，它包含損失函數(shù)與正則項(xiàng)

(1)

(2)

之后輸入測(cè)井?dāng)?shù)據(jù)進(jìn)行累加訓(xùn)練，對(duì)于第t輪迭代，模型目標(biāo)函數(shù)可表示為

(3)

式中：ft(xi)表示加入的第t棵分類回歸樹； 常數(shù)C表示前t-1棵樹的復(fù)雜程度。

通過泰勒公式近似目標(biāo)函數(shù)，對(duì)式(3)以二階泰勒公式展開

(4)

(5)

目標(biāo)函數(shù)obj(t)對(duì)ωj求偏導(dǎo)，并令其等于0，可得到使該目標(biāo)函數(shù)值最小的最優(yōu)權(quán)重

(6)

將式(6)代入式(5)，得到目標(biāo)函數(shù)的最優(yōu)值

(7)

XGBoost算法在訓(xùn)練過程中借鑒了隨機(jī)森林[15]的思想，在迭代過程中沒有用到所有樣本特征，而是采用了隨機(jī)子空間方法。若輸入的特征變量由I種不同的測(cè)井參數(shù)Li組成，則每一個(gè)節(jié)點(diǎn)從中隨機(jī)選擇部分特征，并比較其中的最優(yōu)分割進(jìn)行節(jié)點(diǎn)分裂，可有效提高模型的泛化能力。為此，在選擇子樹分裂點(diǎn)時(shí)，定義增益

(8)

將輸入的測(cè)井參數(shù)特征Li排列后使用式(8)遍歷每一維特征的每一個(gè)分裂點(diǎn)，通過使增益Gain的值最大來判別最佳分裂點(diǎn)。

2 應(yīng)用實(shí)例

將XGBoost算法應(yīng)用于A工區(qū)致密氣藏的儲(chǔ)層類型識(shí)別。該區(qū)發(fā)育南北向展布的三角洲前緣砂體，儲(chǔ)集物性較好，有利于巖性圈閉氣藏的形成。該區(qū)油氣藏屬于典型的致密砂巖氣藏。樣本數(shù)據(jù)為A工區(qū)已完成測(cè)井解釋的31口井的測(cè)井資料，首先通過建立XGBoost回歸模型進(jìn)行孔隙度與滲透率參數(shù)的預(yù)測(cè)。然后將預(yù)測(cè)結(jié)果作為新的特征加入輸入變量，用于該工區(qū)致密砂巖氣儲(chǔ)層的識(shí)別。

在樣本數(shù)據(jù)中隨機(jī)抽取24口井(共計(jì)3414個(gè)樣本數(shù)據(jù))作為訓(xùn)練集，其中7口井(共計(jì)921個(gè)樣本數(shù)據(jù))作為測(cè)試集，以評(píng)估模型的預(yù)測(cè)效果。

2.1 測(cè)井響應(yīng)參數(shù)交會(huì)分析

經(jīng)統(tǒng)計(jì)，該區(qū)主要的測(cè)井解釋結(jié)論有差氣層、干層、含水氣層、煤層、氣層、氣水同層、水層7種。通過對(duì)測(cè)井曲線資料進(jìn)行分析，提取適合A工區(qū)判定儲(chǔ)層類型的測(cè)井響應(yīng)參數(shù)，其中選取聲波時(shí)差(AC)、體積密度(DEN)、補(bǔ)償中子(CNL)、自然伽馬(GR)與深感應(yīng)電阻率(RILD)等5類，根據(jù)人工實(shí)測(cè)測(cè)井解釋資料統(tǒng)計(jì)結(jié)果，對(duì)該區(qū)塊各類測(cè)井響應(yīng)參數(shù)做交會(huì)分析，分析各類測(cè)井響應(yīng)參數(shù)對(duì)于儲(chǔ)層的敏感性，結(jié)果如圖1所示。

圖1中各個(gè)窗格分別顯示了不同儲(chǔ)層與對(duì)應(yīng)橫、縱坐標(biāo)軸上兩個(gè)響應(yīng)參數(shù)之間的關(guān)系，從圖中可以看出，各類測(cè)井響應(yīng)參數(shù)對(duì)于大部分儲(chǔ)層的判別均比較敏感。

圖1 測(cè)井曲線響應(yīng)特征與測(cè)井解釋交會(huì)圖

2.2 孔隙度與滲透率預(yù)測(cè)

孔隙度與滲透率是評(píng)價(jià)儲(chǔ)層性質(zhì)的重要物性參數(shù)，通常是依據(jù)各類測(cè)井曲線，通過一定的數(shù)學(xué)公式及經(jīng)驗(yàn)公式、交會(huì)圖法等進(jìn)行計(jì)算[22]，或者利用一些地球物理反演方法[23-25]進(jìn)行預(yù)測(cè)。文中采用XGBoost算法，將測(cè)井響應(yīng)參數(shù)作為訓(xùn)練模型的輸入?yún)?shù)，分別建立預(yù)測(cè)該區(qū)域孔隙度與滲透率的XGBoost回歸預(yù)測(cè)模型。由于XGBoost算法基分類器采用樹模型，對(duì)參數(shù)特征的敏感度較低，因此無需對(duì)輸入數(shù)據(jù)歸一化。提取訓(xùn)練集24口井的AC、DEN、CNL、GR與RILD等5類測(cè)井響應(yīng)參數(shù)作為特征變量，孔隙度與滲透率數(shù)據(jù)作為預(yù)測(cè)結(jié)果，形成了3414組樣本數(shù)據(jù)。該區(qū)實(shí)測(cè)孔隙度的極大值為16.4%，極小值為0，均值為6.5%。實(shí)測(cè)滲透率極大值為8.95mD，極小值為0.01mD，均值為0.318mD。訓(xùn)練集部分樣本數(shù)據(jù)如表1所示。

表1 訓(xùn)練集部分樣本數(shù)據(jù)

通過XGBoost算法建立該區(qū)孔隙度與滲透率的回歸預(yù)測(cè)模型，按照孔隙度、滲透率預(yù)測(cè)值與實(shí)測(cè)值的均方根誤差公式計(jì)算訓(xùn)練誤差或測(cè)試誤差

(9)

通過XGBoost算法建立回歸預(yù)測(cè)模型，需要設(shè)置的參數(shù)主要有： 迭代次數(shù)，即加入的分類回歸樹個(gè)數(shù)t； 用于控制模型復(fù)雜度的分類回歸樹的最大深度(Dmax)和子節(jié)點(diǎn)中最小樣本權(quán)重和(Wmin)；正則項(xiàng)中的懲罰系數(shù)α、λ； 在使用隨機(jī)子空間時(shí)用于增加模型隨機(jī)性的參數(shù)隨機(jī)采樣訓(xùn)練樣本(Ss)、列采樣(Cs)； 以及判斷節(jié)點(diǎn)是否分裂的閾值，即所需的最小損失函數(shù)下降值γ。

在大致確定其他參數(shù)的情況下，統(tǒng)計(jì)回歸預(yù)測(cè)模型迭代次數(shù)從1～300時(shí)每次相應(yīng)的訓(xùn)練集和測(cè)試集的均方根誤差(RMSE)。迭代統(tǒng)計(jì)結(jié)果如圖2所示。統(tǒng)計(jì)結(jié)果表明，隨著迭代次數(shù)增加，XGBoost回歸預(yù)測(cè)模型的訓(xùn)練誤差和測(cè)試誤差均逐漸下降。當(dāng)?shù)揭欢ù螖?shù)時(shí)，均方根誤差值基本趨于穩(wěn)定。在孔隙度預(yù)測(cè)中，訓(xùn)練集的均方根誤差值最終在1.6左右輕微浮動(dòng)，測(cè)試集誤差在1.8左右浮動(dòng)；滲透率預(yù)測(cè)中，訓(xùn)練集的均方根誤差值最終在0.72左右浮動(dòng)，測(cè)試集的誤差在0.75左右浮動(dòng)。說明XGBoost回歸預(yù)測(cè)模型對(duì)于不同的訓(xùn)練樣本具有一定的穩(wěn)定性。但在進(jìn)行滲透率預(yù)測(cè)時(shí)，測(cè)試集最終的均方根誤差要明顯高于訓(xùn)練集，可見XGBoost回歸預(yù)測(cè)模型對(duì)于該區(qū)滲透率預(yù)測(cè)的泛化能力較弱，之后可以通過降低模型復(fù)雜程度與增加模型隨機(jī)性避免滲透率預(yù)測(cè)中的過擬合現(xiàn)象。迭代次數(shù)以精度不再發(fā)生明顯變化為原則，本區(qū)孔隙度預(yù)測(cè)一般可設(shè)置為200次迭代，滲透率預(yù)測(cè)一般可設(shè)置250次迭代。

圖2 孔隙度(a)與滲透率(b)預(yù)測(cè)結(jié)果均根方誤差隨迭代次數(shù)變化

在選定孔隙度、滲透率預(yù)測(cè)迭代次數(shù)分別為200與250次后，首先調(diào)節(jié)Dmax與Wmin。可以通過適當(dāng)降低Dmax及增大Wmin控制模型復(fù)雜度，避免模型過擬合。在訓(xùn)練集中，令Dmax與Wmin分別從1變化到7，并統(tǒng)計(jì)不同組合下的誤差結(jié)果?？紫抖扰c滲透率預(yù)測(cè)中的誤差結(jié)果分別如圖3a、圖3b所示。誤差值總體變化不大，且在Dmax=2、Wmin=2時(shí)孔隙度預(yù)測(cè)誤差最小；Dmax=2、Wmin=4時(shí)滲透率預(yù)測(cè)誤差最小。之后調(diào)節(jié)正則項(xiàng)中的懲罰系數(shù)α、λ，在訓(xùn)練集中，λ=1時(shí)α在不同取值情況下的誤差統(tǒng)計(jì)如圖3c、圖3d中的紅線所示，α=1時(shí)λ在不同取值下的誤差統(tǒng)計(jì)如圖3c、圖3d中的黑線所示。統(tǒng)計(jì)結(jié)果表明，在孔隙度預(yù)測(cè)中，α=35、λ=39時(shí)誤差最??；在滲透率預(yù)測(cè)中，α=0.9、λ=19時(shí)誤差最小。

確定以上參數(shù)后，調(diào)節(jié)Ss和Cs。Ss決定用于訓(xùn)練模型的子樣本占整個(gè)樣本集合的比例；Cs表示創(chuàng)建分類回歸樹時(shí)對(duì)特征(即測(cè)井參數(shù)的種類)采樣的比例。兩者可用于增加采樣隨機(jī)性，防止模型過擬合，但取值過小時(shí)容易導(dǎo)致欠擬合，取值范圍一般為0.5～1.0。在訓(xùn)練集中，令Ss與Cs分別從0.5變化到1.0，并統(tǒng)計(jì)不同組合下的均方根誤差值?？紫抖扰c滲透率預(yù)測(cè)誤差分別如圖4a、圖4b所示，孔隙度、滲透率預(yù)測(cè)均方根誤差均在Ss=0.9、Cs=0.8時(shí)最小。之后調(diào)節(jié)參數(shù)γ，γ設(shè)置為損失函數(shù)減小的最低閾值，如果分裂使損失函數(shù)減小的值大于γ值，則這個(gè)節(jié)點(diǎn)才分裂，孔隙度與滲透率預(yù)測(cè)中的誤差結(jié)果分別如圖4c、圖4d所示。根據(jù)統(tǒng)計(jì)結(jié)果，γ對(duì)于該區(qū)孔隙度與滲透率預(yù)測(cè)結(jié)果精度影響較小，最優(yōu)參數(shù)均取0.3即可。

圖3 部分參數(shù)對(duì)于均根方誤差影響統(tǒng)計(jì)圖

圖4 部分參數(shù)對(duì)于均根方誤差影響統(tǒng)計(jì)圖

從統(tǒng)計(jì)結(jié)果可以看出，雖然XGBoost算法參數(shù)較多，但相較于迭代次數(shù)，其他參數(shù)對(duì)于回歸預(yù)測(cè)精度影響較小。因此，利用XGBoost算法對(duì)孔隙度、滲透率預(yù)測(cè)，只需要保證迭代次數(shù)足夠大即可。根據(jù)均方根誤差統(tǒng)計(jì)結(jié)果優(yōu)化參數(shù)，最終建立適用于該區(qū)的孔隙度、滲透率回歸預(yù)測(cè)模型，并用于測(cè)試集7口井的預(yù)測(cè)。測(cè)試集中的KT-a井孔隙度、滲透率預(yù)測(cè)結(jié)果散點(diǎn)圖如圖5所示。

計(jì)算測(cè)試集數(shù)據(jù)中樣本預(yù)測(cè)值相對(duì)于實(shí)測(cè)值的平均相對(duì)誤差

(10)

圖5 KT-a井孔隙度(a)與滲透率(b)預(yù)測(cè)結(jié)果統(tǒng)計(jì)圖

在測(cè)試集中，孔隙度預(yù)測(cè)結(jié)果平均相對(duì)誤差為17.45%；滲透率預(yù)測(cè)結(jié)果平均相對(duì)誤差為33.90%，計(jì)算結(jié)果表明，通過XGBoost算法建立的回歸模型在該工區(qū)總體預(yù)測(cè)效果較好。

2.3 儲(chǔ)層分類預(yù)測(cè)

為研究XGBoost算法分類預(yù)測(cè)在該區(qū)儲(chǔ)層識(shí)別中的應(yīng)用，本文利用XGBoost算法建立分類模型對(duì)該區(qū)儲(chǔ)層類型進(jìn)行預(yù)測(cè)。將回歸預(yù)測(cè)計(jì)算出的孔隙度、滲透率參數(shù)融入特征變量，與AC、DEN、CNL、GR、RILD等5類測(cè)井響應(yīng)參數(shù)組成新的特征變量加入訓(xùn)練，并優(yōu)化模型參數(shù)，使分類預(yù)測(cè)模型達(dá)到最佳效果(訓(xùn)練樣本分類準(zhǔn)確率最高)。對(duì)測(cè)試集的7口井的儲(chǔ)層類型進(jìn)行分類預(yù)測(cè)，以研究模型預(yù)測(cè)效果。將輸出的分類結(jié)果以混淆矩陣的方式統(tǒng)計(jì)，如表2所示。

表2中每列代表樣本儲(chǔ)層類型的預(yù)測(cè)類別，每行代表樣本儲(chǔ)層的真實(shí)歸屬，對(duì)角線上數(shù)據(jù)為各個(gè)儲(chǔ)層類型正確分類的數(shù)量。儲(chǔ)層預(yù)測(cè)模型的準(zhǔn)確率表示模型正確預(yù)測(cè)的樣本個(gè)數(shù)與測(cè)試集中該類儲(chǔ)層樣本總和的比值(即對(duì)角線上數(shù)值與每行總和的比值)，精確率表示每類儲(chǔ)層被正確預(yù)測(cè)的個(gè)數(shù)與該儲(chǔ)層被預(yù)測(cè)出的總數(shù)比值(即對(duì)角線上數(shù)值與每列總和的比值)。

表2 XGBoost識(shí)別結(jié)果混淆矩陣

從表2中可以看出，XGBoost算法對(duì)于該區(qū)測(cè)井解釋的分類效果較好，準(zhǔn)確率為0.846。對(duì)于煤層、氣層的識(shí)別較為準(zhǔn)確，識(shí)別出了100%的煤層、65%的氣層和64%的含水氣層。

之后分別使用隨機(jī)森林模型和支持向量機(jī)模型對(duì)該區(qū)儲(chǔ)層類型進(jìn)行預(yù)測(cè)，分類結(jié)果統(tǒng)計(jì)如表3、表4所示。對(duì)比三種機(jī)器學(xué)習(xí)模型的預(yù)測(cè)效果，其中： XGBoost模型預(yù)測(cè)準(zhǔn)確率為0.846； 隨機(jī)森林模型預(yù)測(cè)準(zhǔn)確率為0.824； 支持向量機(jī)模型預(yù)測(cè)準(zhǔn)確率為0.810。從表中可以看出， XGBoost模型針對(duì)該區(qū)儲(chǔ)層類型的預(yù)測(cè)效果要優(yōu)于其他兩類機(jī)器學(xué)習(xí)模型，而隨機(jī)森林模型預(yù)測(cè)準(zhǔn)確率雖然低于XGBoost模型，但依舊高于支持向量機(jī)模型，這進(jìn)一步證明了集成學(xué)習(xí)方法在處理致密砂巖氣儲(chǔ)層測(cè)井?dāng)?shù)據(jù)中的優(yōu)勢(shì)。在測(cè)試集中選取KT-a、KT-b兩口井柱狀圖進(jìn)行比較，如圖6、圖7所示。

表3 隨機(jī)森林識(shí)別結(jié)果混淆矩陣

表4 支持向量機(jī)識(shí)別結(jié)果混淆矩陣

從圖6、圖7中可以進(jìn)一步看出，XGBoost模型對(duì)于各段儲(chǔ)層的識(shí)別準(zhǔn)確率高于隨機(jī)森林與支持向量機(jī)模型，尤其對(duì)于氣層的識(shí)別較為準(zhǔn)確，能識(shí)別出絕大部分的氣層。但對(duì)于部分差氣層與氣層的區(qū)分效果較差。總體而言XGBoost模型有著良好的泛化能力，在處理致密砂巖氣儲(chǔ)層測(cè)井?dāng)?shù)據(jù)時(shí)具有一定的優(yōu)勢(shì)。

圖6 不同機(jī)器學(xué)習(xí)模型關(guān)于KT-a井儲(chǔ)層預(yù)測(cè)結(jié)果對(duì)比

圖7 不同機(jī)器學(xué)習(xí)模型關(guān)于KT-b井儲(chǔ)層預(yù)測(cè)結(jié)果對(duì)比

3 結(jié)束語

針對(duì)致密砂巖氣儲(chǔ)層測(cè)井?dāng)?shù)據(jù)在應(yīng)用于測(cè)井解釋時(shí)存在的種種難點(diǎn)，文中基于A工區(qū)測(cè)井解釋資料，通過XGBoost算法建立回歸模型與分類模型，分別用于該區(qū)孔隙度、滲透率預(yù)測(cè)與儲(chǔ)層分類預(yù)測(cè)，討論不同參數(shù)對(duì)于模型預(yù)測(cè)精度的影響，并將分類預(yù)測(cè)模型與隨機(jī)森林模型、支持向量機(jī)模型進(jìn)行對(duì)比，得出以下結(jié)論。

(1)基于XGBoost算法建立的回歸預(yù)測(cè)模型在A工區(qū)致密砂巖氣儲(chǔ)層的孔隙度與滲透率預(yù)測(cè)中具有較高的準(zhǔn)確性。雖然XGBoost算法需要優(yōu)化的參數(shù)較多，但在迭代次數(shù)(即加入的分類回歸樹個(gè)數(shù))達(dá)到一定數(shù)量后，訓(xùn)練與測(cè)試樣本誤差便趨于穩(wěn)定。相較于孔隙度預(yù)測(cè)，回歸模型在該工區(qū)滲透率預(yù)測(cè)中泛化能力較弱，可以適當(dāng)降低模型復(fù)雜度或增加基分類器采樣隨機(jī)性避免過擬合現(xiàn)象。

(2)XGBoost分類預(yù)測(cè)模型在該工區(qū)致密砂巖氣藏的儲(chǔ)層預(yù)測(cè)中也收到了良好的效果，優(yōu)于傳統(tǒng)單一模型的支持向量機(jī)算法與集成方法中的隨機(jī)森林方法，可有效地應(yīng)用于致密砂巖氣儲(chǔ)層的儲(chǔ)層識(shí)別中。