CN109854230A - 井的测试方法及装置 - Google Patents

Abstract

本发明公开了一种井的测试方法及装置。其中，该方法包括：对预定井进行测试，得到预定井的深度与温度的分布式曲线；识别出分布式曲线的异常峰值；对识别出的异常峰值进行处理，得到用于对预定井进行测试的测试分析结果。本发明解决了相关技术中无法对分布式曲线中的异常尖峰进行处理的技术问题。

Description

井的测试方法及装置

技术领域

本发明涉及数据处理领域，具体而言，涉及一种井的测试方法及装置。

背景技术

在测井过程中，能够测得大量的曲线，其中，分布式曲线由多个均匀分布的测试点汇聚而成，每个测试点对应一个确定深度，每个点之间的距离相等，分布式曲线不是平滑曲线，其中，包含多个拐点、尖峰及凸起、凹陷，图1是根据本发明实施例的分布式测试曲线深度变化的示意图，具体如图1所示。图2是根据本发明实施例的异常峰值示意图，如图2所示，异常峰值经常会出现在分布式曲线中，经常会干扰正常的曲线数据分析，有少部分异常点导致数据分析偏高偏低或出错，很多行业的分布式测试都存在此类问题。其中，在图2中，1为普通幅值升高；2为异常峰值；3为上升沿中的异常峰值；4为普通波峰。然而，目前并没有一种行之有效的方式能够识别出干扰分布式曲线的异常峰值，并且进一步地，将其消除的方法。

针对上述相关技术中无法对分布式曲线中的异常尖峰进行处理的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种井的测试方法及装置，以至少解决相关技术中无法对分布式曲线中的异常尖峰进行处理的技术问题。

根据本发明实施例的一个方面，提供了一种井的测试方法，包括：对预定井进行测试，得到所述预定井的深度与温度的分布式曲线；识别出所述分布式曲线的异常峰值；对识别出的所述异常峰值进行处理，得到用于对所述预定井进行测试的测试分析结果；其中，识别出所述分布式曲线的异常峰值包括：确定所述分布式曲线中相邻两测试点形成的边的类型，其中，所述边的类型包括：正陡边、负陡边以及缓边，其中，所述正陡边为斜率大于预定斜率判别系数的边，所述负陡边为斜率小于所述预定斜率判别系数的相反数的边，所述缓边为斜率介于所述预定斜率判别系数的相反数与所述预定斜率判别系数之间的边；根据所述分布式曲线所包括的边的类型，识别出所述分布式曲线的异常峰值。

可选地，根据所述分布式曲线所包括的边的类型，识别出所述分布式曲线的异常峰值包括：从所述分布式曲线中的预定边向井的深度增加的方向搜索，当搜索过程中依次搜索到正陡边、负陡边、正陡边的情况下，确定从搜索到的所述正陡边到搜索到的最后一个负陡边的曲线区域为异常峰值；或者，从所述分布式曲线中的预定边向井的深度增加的方向搜索，当搜索过程中依次搜索到负陡边、正陡边、负陡边的情况下，确定从搜索到的所述负陡边到搜索到的最后一个正陡边的曲线区域为异常峰值。

可选地，对识别出的所述异常峰值进行处理，得到用于对所述预定井进行测试的所述测试分析结果包括：确定所述异常峰值所对应的曲线区域所包括的所述井的深度值；对所述曲线区域所包括的所述井的深度值对应的温度进行重新赋值，得到所述预定井的深度与温度的分布式曲线；基于所述异常峰值的参数确定用于对所述异常峰值进行处理的参考值，其中，所述异常峰值的参数包括：所述异常峰值的起点、所述异常峰值的终点、所述异常峰值对应的边的数量；根据所述参考值更新所述异常峰值，得到更新结果；根据所述更新结果得到用于对所述预定井进行测试的所述测试分析结果。

可选地，对所述曲线区域所包括的所述井的深度值对应的温度进行重新赋值包括：根据所述曲线区域的起点与所述曲线区域的终点，确定所述起点与所述终点连续的斜率，根据确定的所述斜率对所述曲线区域所包括的所述井的深度值对应的温度进行重新赋值；或者，根据所述曲线区域所包括边的斜率，确定用于缩小所述曲线区域的缩小倍率，根据确定的所述缩小倍率对所述曲线区域所包括的所述井的深度值对应的温度进行重新赋值。

根据本发明实施例的另外一个方面，还提供了一种井的测试装置，包括：测试单元，用于对预定井进行测试，得到所述预定井的深度与温度的分布式曲线；识别单元，用于识别出所述分布式曲线的异常峰值；处理单元，用于对识别出的所述异常峰值进行处理，得到用于对所述预定井进行测试的测试分析结果；其中，所述识别单元包括：第一确定子单元，用于确定所述分布式曲线中相邻两测试点形成的边的类型，其中，所述边的类型包括：正陡边、负陡边以及缓边，其中，所述正陡边为斜率大于预定斜率判别系数的边，所述负陡边为斜率小于所述预定斜率判别系数的相反数的边，所述缓边为斜率介于所述预定斜率判别系数的相反数与所述预定斜率判别系数之间的边；识别子单元，用于根据所述分布式曲线所包括的边的类型，识别出所述分布式曲线的异常峰值。

可选地，所述识别子单元包括：第一搜索模块，用于从所述分布式曲线中的预定边向井的深度增加的方向搜索，当搜索过程中依次搜索到正陡边、负陡边、正陡边的情况下，确定从搜索到的所述正陡边到搜索到的最后一个负陡边的曲线区域为异常峰值；或者，第二搜索模块，用于从所述分布式曲线中的预定边向井的深度增加的方向搜索，当搜索过程中依次搜索到负陡边、正陡边、负陡边的情况下，确定从搜索到的所述负陡边到搜索到的最后一个正陡边的曲线区域为异常峰值。

可选地，所述处理单元包括：第二确定子单元，用于确定所述异常峰值所对应的曲线区域所包括的所述井的深度值；赋值子单元，用于对所述曲线区域所包括的所述井的深度值对应的温度进行重新赋值，得到所述预定井的深度与温度的分布式曲线；第三确定子单元，用于基于所述异常峰值的参数确定用于对所述异常峰值进行处理的参考值，其中，所述异常峰值的参数包括：所述异常峰值的起点、所述异常峰值的终点、所述异常峰值对应的边的数量；第一获取子单元，用于根据所述参考值更新所述异常峰值，得到更新结果；第二获取子单元，用于根据所述更新结果得到用于对所述预定井进行测试的所述测试分析结果。

可选地，所述赋值子单元包括：第一赋值模块，用于根据所述曲线区域的起点与所述曲线区域的终点，确定所述起点与所述终点连续的斜率，根据确定的所述斜率对所述曲线区域所包括的所述井的深度值对应的温度进行重新赋值；或者，第二赋值模块，用于根据所述曲线区域所包括边的斜率，确定用于缩小所述曲线区域的缩小倍率，根据确定的所述缩小倍率对所述曲线区域所包括的所述井的深度值对应的温度进行重新赋值。

根据本发明实施例的另外一个方面，还提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序执行上述中任意一项所述的井的测试方法。

根据本发明实施例的另外一个方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的井的测试方法。

在本发明实施例中，对预定井进行测试，得到预定井的深度与温度的分布式曲线；识别出分布式曲线的异常峰值；对识别出的异常峰值进行处理，得到用于对预定井进行测试的测试分析结果。实现了有效识别干扰分布式曲线的异常峰值，并将其消除的目的，达到了可以不破坏原有波峰，保证原有分布式曲线不失真的技术效果，进而解决了相关技术中无法对分布式曲线中的异常尖峰进行处理的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的分布式测试曲线深度变化的示意图；

图2是根据本发明实施例的异常峰值的示意图；

图3是根据本发明实施例的井的测试方法的流程图；

图4是根据本发明实施例的预定井的深度与温度的分布式曲线的示意图；

图5a是根据本发明实施例的井的测试方法的优选流程图；

图5b是根据本发明实施例的又一井的测试方法的优选流程图；

图6是根据本发明实施例的井的测试方法的优选曲线图；

图7是根据本发明实施例的另一井的测试方法的优选曲线图；

图8是根据本发明实施例的井的测试装置的示意图；

图9是根据本发明实施例的井的测试装置中识别子单元833的示意图；

图10是根据本发明实施例的井的测试装置中处理单元85的示意图；以及

图11是根据本发明实施例的井的测试装置中处理单元85的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

根据本发明实施例，提供了一种井的测试方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图3是根据本发明实施例的井的测试方法的流程图，如图3所示，该井的测试方法包括如下步骤：

步骤S302，对预定井进行测试，得到预定井的深度与温度的分布式曲线。

其中，获取的预定井的深度与温度的分布式曲线中每个测试点之间的横轴距离相等，图4是根据本发明实施例的预定井的深度与温度的分布式曲线的示意图，如图4所示，从起点开始，到终点结束，每个点都有对应的横轴距离数值。

步骤S304，识别出分布式曲线的异常峰值。

步骤S306，对识别出的异常峰值进行处理，得到用于对预定井进行测试的测试分析结果。

通过上述步骤，在得到预定井的深度与温度的分布式曲线之后，识别出分布式曲线中的异常峰值，对识别出的分布式曲线的异常峰值进行处理后，得到用于对预定井进行测试的测试分析结果。从而可以有效减少在对分布式曲线进行分析时，异常峰值对分析结果的影响，实现了有效识别干扰分布式曲线的异常峰值，并将其消除的目的，达到了可以不破坏原有波峰，保证原有分布式曲线不失真的技术效果，进而解决了相关技术中无法对分布式曲线中的异常尖峰进行处理的技术问题。

在上述步骤S302至步骤S306中，对预定井进行测试，得到预定井的深度与温度的分布式曲线，识别出分布式曲线的异常峰值，对识别出的异常峰值进行处理，得到用于对预定井进行测试的测试分析结果。由于对分布式曲线中异常峰值进行处理，可以提高对预定井进行测试后，分析结果的正确性，为后期的工程活动提供安全保证。

其中，在上述实施例中，为了快捷有效地搜索到分布式曲线中的异常峰值，识别出分布式曲线的异常峰值可以包括：确定分布式曲线中相邻两测试点形成的边的类型，其中，边的类型包括：正陡边、负陡边以及缓边，其中，正陡边为斜率大于预定斜率判别系数的边，负陡边为斜率小于预定斜率判别系数的相反数的边，缓边为斜率介于预定斜率判别系数的相反数与预定斜率判别系数之间的边；根据分布式曲线所包括的边的类型，识别出分布式曲线的异常峰值。

另外，在确定分布式曲线中相邻两测试点形成的边的类型之前，首先需要确定出分布式曲线中每相邻两点x_n与x_n-1形成的所有边，确定每相邻两条边的斜率差，基于上述确定的斜率差得到斜率判别系数，具体地，定义从x_n到x_n-1两点的幅值差为|y_n-y_n-1|,然后计算分布式曲线中的所有测试点的幅值差之和的平均值为：(|y₂-y₁|+···+|y_n-y_n-1|)/(n-1)，也即是，Σ|y_n-y_n-1|/(n-1)；接下来，可以通过第一公式计算得到斜率判别系数a，其中，第一公式为：a＝Σ|y_n-y_n-1|/(n-1)，n为分布式曲线中所有边的条数。

其中，可以通过以下方式确定分布式曲线中相邻两测试点形成的边的类型：若斜率an>a，则定义该边为A,正陡边；若斜率an<-a，则定义该边为B,负陡边；若斜率an范围处于-a≤an≤a，则定义该边为C，缓边。这里的an为分布式曲线中相邻两测试点形成的第n条边。

由于异常峰值可以包括尖峰，也可以包括低谷，那么，根据分布式曲线所包括的边的类型，识别出分布式曲线的异常峰值可以包括：从分布式曲线中的预定边向井的深度增加的方向搜索，当搜索过程中依次搜索到正陡边、负陡边、正陡边的情况下，确定从搜索到的正陡边到搜索到的最后一个负陡边的曲线区域为异常峰值；或者，从分布式曲线中的预定边向井的深度增加的方向搜索，当搜索过程中依次搜索到负陡边、正陡边、负陡边的情况下，确定从搜索到的负陡边到搜索到的最后一个正陡边的曲线区域为异常峰值。

例如，图5a是根据本发明实施例的井的测试方法的优选流程图，如图5a所示，可以通过寻边法搜索分布式曲线中的异常峰值中的尖峰。定义分布式曲线中相邻两测试点之间形成一条边，测试点x₁与测试点x₂形成的边为w₁,x_n与x_n+1形成w_n，从第一条w₁开始依照如下步骤逐条向下进行判别：

(1)从整条分布式曲线的第一条边w₁开始，向井的深度增加的方向搜索A边，也即是，正陡边。

(2)当找到第一条A边时，继续向井的深度增加的方向搜索B边，也即是，负陡边。

(3)当找到B边后，再次向井的深度增加的方向搜索A边。

(4)当再次搜索到A边后，搜寻过程结束。

(5)定义Z为容忍值，Z为自然数，根据需要调整其大小。

(6)在上(1)-(4)步骤中，出现C(也即是，缓边)边若超过Z个时，搜寻过程结束，如果其中包含一个或者一个以上的B，定义从w₁到最后一个包含的B边为异常尖峰P₁，若不包含B，则直接进入第二条陡边w₂的搜索过程。

(7)当w₁搜寻过程结束后，应该从排序第二的w₂边开始继续搜索过程，依次类推直到全部曲线的斜率判别系数搜索完毕。具体搜索过程如图5b所示，图5b是根据本发明实施例的又一井的测试方法的优选流程图。

(8)m为有效系数，当异常尖峰P1的点数/曲线总点数<m％时，定义其为有效异常峰值，反之为无效异常峰值。

(9)若要识别尖谷，将其反向运算即可，A<0,B>0,以此类推,在这里不再赘述。

在本发明一个可选的实施例中，对识别出的异常峰值进行处理，得到用于对预定井进行测试的测试分析结果可以包括：确定异常峰值所对应的曲线区域所包括的井的深度值；对曲线区域所包括的井的深度值对应的温度进行重新赋值，得到预定井的深度与温度的分布式曲线；基于异常峰值的参数确定用于对异常峰值进行处理的参考值，其中，异常峰值的参数包括：异常峰值的起点、异常峰值的终点、异常峰值对应的边的数量；根据参考值更新异常峰值，得到更新结果；根据更新结果得到用于对预定井进行测试的测试分析结果。

例如，在找到异常峰值后，确定异常峰值的起点为x_始，终点为x_终，其中，y₁₁,y₁₂,y₁₃…y_nn是该异常峰值内包括的深度值对应的温度。然后，通过第二公式确定参考值M，其中，参考值M用于对曲线区域所包括的井的深度值对应的温度进行重新赋值，第二公式为：M＝(y_终-y_始)/r，其中，M表示第一参数，y_始表示异常峰值的起点x_始对应的温度，y_终表示异常峰值的终点对应的温度，r表示所述异常峰值包含的所述边的数量。

另外，对曲线区域所包括的井的深度值对应的温度进行重新赋值可以包括：根据曲线区域的起点与曲线区域的终点，确定起点与终点连续的斜率，根据确定的斜率对曲线区域所包括的井的深度值对应的温度进行重新赋值；或者，根据曲线区域所包括边的斜率，确定用于缩小曲线区域的缩小倍率，根据确定的缩小倍率对曲线区域所包括的井的深度值对应的温度进行重新赋值。

具体而言，一个方面，基于确定参考值对异常峰值所对应的曲线区域内包含的井的深度对应的温度进行重新赋值，具体地，可以通过y₁₁’＝y₁₁+M，y₁₂’＝y₁₂+2M…y_1n’＝y_1n+nM，对曲线区域所包含的井的深度值对应的温度进行重新赋值，图6是根据本发明实施例的井的测试方法的优选曲线图，具体如图6所示。另外一个方面，还可以通过第三公式确定用于缩小曲线区域的缩小倍率G，其中，第三公式为：G＝a/a_max，a为斜率判别系数，a_max为分布式曲线中所有边的斜率中的最大值；然后，通过第四公式对曲线区域所包括的井的深度值对应的温度进行重新赋值，其中，第四公式为y_1n’＝M+(y_1n-y_1n-1)，图7是根据本发明实施例的另一井的测试方法的优选曲线图，具体如图7所示，y₁₁’为y₁₁根据第四公式进行重新赋值后对应的数值，y₁₂’为y₁₂根据第四公式进行重新赋值后对应的数值。

根据本发明实施例的另外一个方面，还提供了一种井的测试装置，图8是根据本发明实施例的井的测试装置的示意图，如图8所示，该井的测试装置包括：测试单元81，识别单元83以及处理单元85。下面对该井的测试装置进行详细说明。

测试单元81，用于对预定井进行测试，得到预定井的深度与温度的分布式曲线。

识别单元83，与上述测试单元81连接，用于识别出分布式曲线的异常峰值。

处理单元85，与上述识别单元83连接，用于对识别出的异常峰值进行处理，得到用于对预定井进行测试的测试分析结果。

其中，上述识别单元83包括：第一确定子单元831以及识别子单元833。具体地，第一确定子单元831，用于确定分布式曲线中相邻两测试点形成的边的类型，其中，边的类型包括：正陡边、负陡边以及缓边，其中，正陡边为斜率大于预定斜率判别系数的边，负陡边为斜率小于预定斜率判别系数的相反数的边，缓边为斜率介于预定斜率判别系数的相反数与预定斜率判别系数之间的边。识别子单元833，与上述第一确定子单元831连接，用于根据分布式曲线所包括的边的类型，识别出分布式曲线的异常峰值。

通过本发明实施例提供的井的测试装置，可以测试单元81，用于对预定井进行测试，得到预定井的深度与温度的分布式曲线；识别单元83，与上述测试单元81连接，用于识别出分布式曲线的异常峰值；处理单元85，与上述识别单元83连接，用于对识别出的异常峰值进行处理，得到用于对预定井进行测试的测试分析结果。解决了相关技术中无法对分布式曲线中的异常尖峰进行处理的技术问题。

图9是根据本发明实施例的井的测试装置中识别子单元833的示意图，如图10所示，该识别子单元833包括：第一搜索模块91，用于从分布式曲线中的预定边向井的深度增加的方向搜索，当搜索过程中依次搜索到正陡边、负陡边、正陡边的情况下，确定从搜索到的正陡边到搜索到的最后一个负陡边的曲线区域为异常峰值；或者，第二搜索模块93，用于从分布式曲线中的预定边向井的深度增加的方向搜索，当搜索过程中依次搜索到负陡边、正陡边、负陡边的情况下，确定从搜索到的负陡边到搜索到的最后一个正陡边的曲线区域为异常峰值。

图10是根据本发明实施例的井的测试装置中处理单元85的示意图，如图10所示，该处理单元85包括：第二确定子单元101，赋值子单元103，第三确定子单元105，第一获取子单元107以及第二获取子单元109。下面对该处理单元85进行详细说明。

第二确定子单元101，用于确定异常峰值所对应的曲线区域所包括的井的深度值。

赋值子单元103，与上述第二确定子单元101连接，用于对曲线区域所包括的井的深度值对应的温度进行重新赋值，得到预定井的深度与温度的分布式曲线。

第三确定子单元105，与上述第二确定子单元103连接，用于基于异常峰值的参数确定用于对异常峰值进行处理的参考值，其中，异常峰值的参数包括：异常峰值的起点、异常峰值的终点、异常峰值对应的边的数量。

第一获取子单元107，与上述第三确定子单元105连接，用于根据参考值更新异常峰值，得到更新结果。

第二获取子单元109，与上述第二获取子单元107连接，用于根据更新结果得到用于对预定井进行测试的测试分析结果。

图11是根据本发明实施例的井的测试装置中处理单元85的示意图，如图11所示，该赋值子单元103包括：第一赋值模块1101，用于根据曲线区域的起点与曲线区域的终点，确定起点与终点连续的斜率，根据确定的斜率对曲线区域所包括的井的深度值对应的温度进行重新赋值；或者，第二赋值模块1103，用于根据曲线区域所包括边的斜率，确定用于缩小曲线区域的缩小倍率，根据确定的缩小倍率对曲线区域所包括的井的深度值对应的温度进行重新赋值。

根据本发明实施例的另外一个方面，还提供了一种存储介质，存储介质包括存储的程序，其中，上述程序执行上述中任意一项的井的测试方法。

根据本发明实施例的另外一个方面，还提供了一种处理器，处理器用于运行程序，其中，上述程序运行时执行上述中任意一项的井的测试方法。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种井的测试方法，其特征在于，包括：

对预定井进行测试，得到所述预定井的深度与温度的分布式曲线；

识别出所述分布式曲线的异常峰值；

对识别出的所述异常峰值进行处理，得到用于对所述预定井进行测试的测试分析结果；

其中，识别出所述分布式曲线的异常峰值包括：确定所述分布式曲线中相邻两测试点形成的边的类型，其中，所述边的类型包括：正陡边、负陡边以及缓边，其中，所述正陡边为斜率大于预定斜率判别系数的边，所述负陡边为斜率小于所述预定斜率判别系数的相反数的边，所述缓边为斜率介于所述预定斜率判别系数的相反数与所述预定斜率判别系数之间的边；根据所述分布式曲线所包括的边的类型，识别出所述分布式曲线的异常峰值。

2.根据权利要求1所述的方法，其特征在于，根据所述分布式曲线所包括的边的类型，识别出所述分布式曲线的异常峰值包括：

从所述分布式曲线中的预定边向井的深度增加的方向搜索，当搜索过程中依次搜索到正陡边、负陡边、正陡边的情况下，确定从搜索到的所述正陡边到搜索到的最后一个负陡边的曲线区域为异常峰值；

或者，

从所述分布式曲线中的预定边向井的深度增加的方向搜索，当搜索过程中依次搜索到负陡边、正陡边、负陡边的情况下，确定从搜索到的所述负陡边到搜索到的最后一个正陡边的曲线区域为异常峰值。

3.根据权利要求2所述的方法，其特征在于，对识别出的所述异常峰值进行处理，得到用于对所述预定井进行测试的所述测试分析结果包括：

确定所述异常峰值所对应的曲线区域所包括的所述井的深度值；

对所述曲线区域所包括的所述井的深度值对应的温度进行重新赋值，得到所述预定井的深度与温度的分布式曲线；

基于所述异常峰值的参数确定用于对所述异常峰值进行处理的参考值，其中，所述异常峰值的参数包括：所述异常峰值的起点、所述异常峰值的终点、所述异常峰值对应的边的数量；

根据所述参考值更新所述异常峰值，得到更新结果；

根据所述更新结果得到用于对所述预定井进行测试的所述测试分析结果。

4.根据权利要求3所述的方法，其特征在于，对所述曲线区域所包括的所述井的深度值对应的温度进行重新赋值包括：

根据所述曲线区域的起点与所述曲线区域的终点，确定所述起点与所述终点连续的斜率，根据确定的所述斜率对所述曲线区域所包括的所述井的深度值对应的温度进行重新赋值；

或者，

根据所述曲线区域所包括边的斜率，确定用于缩小所述曲线区域的缩小倍率，根据确定的所述缩小倍率对所述曲线区域所包括的所述井的深度值对应的温度进行重新赋值。

5.一种井的测试装置，其特征在于，包括：

测试单元，用于对预定井进行测试，得到所述预定井的深度与温度的分布式曲线；

识别单元，用于识别出所述分布式曲线的异常峰值；

处理单元，用于对识别出的所述异常峰值进行处理，得到用于对所述预定井进行测试的测试分析结果；

其中，所述识别单元包括：第一确定子单元，用于确定所述分布式曲线中相邻两测试点形成的边的类型，其中，所述边的类型包括：正陡边、负陡边以及缓边，其中，所述正陡边为斜率大于预定斜率判别系数的边，所述负陡边为斜率小于所述预定斜率判别系数的相反数的边，所述缓边为斜率介于所述预定斜率判别系数的相反数与所述预定斜率判别系数之间的边；识别子单元，用于根据所述分布式曲线所包括的边的类型，识别出所述分布式曲线的异常峰值。

6.根据权利要求5所述的装置，其特征在于，所述识别子单元包括：

第一搜索模块，用于从所述分布式曲线中的预定边向井的深度增加的方向搜索，当搜索过程中依次搜索到正陡边、负陡边、正陡边的情况下，确定从搜索到的所述正陡边到搜索到的最后一个负陡边的曲线区域为异常峰值；

或者，

第二搜索模块，用于从所述分布式曲线中的预定边向井的深度增加的方向搜索，当搜索过程中依次搜索到负陡边、正陡边、负陡边的情况下，确定从搜索到的所述负陡边到搜索到的最后一个正陡边的曲线区域为异常峰值。

7.根据权利要求6所述的装置，所述处理单元包括：

第二确定子单元，用于确定所述异常峰值所对应的曲线区域所包括的所述井的深度值；

赋值子单元，用于对所述曲线区域所包括的所述井的深度值对应的温度进行重新赋值，得到所述预定井的深度与温度的分布式曲线；

第三确定子单元，用于基于所述异常峰值的参数确定用于对所述异常峰值进行处理的参考值，其中，所述异常峰值的参数包括：所述异常峰值的起点、所述异常峰值的终点、所述异常峰值对应的边的数量；

第一获取子单元，用于根据所述参考值更新所述异常峰值，得到更新结果；

第二获取子单元，用于根据所述更新结果得到用于对所述预定井进行测试的所述测试分析结果。

8.根据权利要求7所述的装置，其特征在于，所述赋值子单元包括：

第一赋值模块，用于根据所述曲线区域的起点与所述曲线区域的终点，确定所述起点与所述终点连续的斜率，根据确定的所述斜率对所述曲线区域所包括的所述井的深度值对应的温度进行重新赋值；

或者，

第二赋值模块，用于根据所述曲线区域所包括边的斜率，确定用于缩小所述曲线区域的缩小倍率，根据确定的所述缩小倍率对所述曲线区域所包括的所述井的深度值对应的温度进行重新赋值。

9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序执行权利要求1至4中任意一项所述的井的测试方法。

10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至4中任意一项所述的井的测试方法。