本发明属于石油类污染场地治理技术领域，特别涉及一种石油类污染场地中sve工艺参数的设计方法。
背景技术：
随着工业化的进程，石油的使用也随之增加。在长期使用中，石油的跑冒滴漏时有发生，而石油类污染也日益成为环境污染中重要的组成部分。因石油类有机污染物具有挥发性和流动性，其在渗透性较大的土层中，会发生迁移有的甚至渗透到地下水中，在水土相互作用下产生更大范围的污染，加重污染程度。
对石油污染物进行治理，需明晰石油类污染物在土壤中迁移转化过程。tough是非饱和地下水流及热流传输(transportofunsaturatedgroundwaterandheat)的英文缩写,是一个模拟一维、二维和三维孔隙或裂隙介质中多相流(multi2phase)、多组分(multi2component)及非等温(non2isothermal)的水流及热量运移的数值模拟程序。应用tough软件对石油类污染场地进行模拟，可准确的掌握石油类污染物的迁移转化过程。
在对石油类污染场地的治理技术中土壤气相抽提(soilvaporextraction，sve)是对土壤挥发性有机污染进行原位修复的一种方法，用来处理包气带中地层介质的污染问题。目前有关sve的研究大多停留在室内实验和现场试验上，其设计与运行大多根据经验公式或者在有限的场地实践开展，针对sve数值模拟方面的研究存在不足。对于sve修复中应用不同场地、不同污染物的影响因素以及影响比重没有针对性设计、对于sve技术参数与数学模型的联用没有相对设计，以及缺少对于不同场地的验证适用性的设计。
技术实现要素：
本发明提供了一种石油类污染场地中sve工艺参数的设计方法，用以解决石油类污染场地中不同影响因素对于sve修复率的影响、不同影响因素的筛选和数学模型的组合应用以及对于sve工艺参数方程模型的验证等技术问题。
为实现上述目的，本发明采用如下技术方案：
一种石油类污染场地中sve工艺参数的设计方法，具体步骤如下：
步骤一、根据场地实际踏勘、原位测试及土工试验结果，结合场地的地质资料，明确场地的地质类型、土壤类型和分布以及地下水分布等状况；并确定石油类污染的类型和位置；
步骤二、结合场地参数、污染参数和sve工艺参数，利用tough软件建立石油类污染场地的关于sve(土壤气相抽提)修复模型，并得出不同影响因子条件下sve修复率y；
其中，sve修复率反映了sve对场地中石油类污染的去除效果，sve修复率yk计算公式如下所示：
式中：mk为sve修复前模型中待去除污染物的总质量，kg；m′k为sve修复后模型中污染物总质量，kg；其中k＝1,2,3，...，w，w为场地数量；
步骤三、利用灰色关联度分析方法，进行不同场地类型下sve在不同影响因子修复率的关联度对比排名，通过排名前后筛选p个主控因子；
其中，不同场地的编号序列计为k(其中，k＝1,2,3，......，n)，设xi为sve修复率影响因子，xi(k)为因素xi在场地k的观测数据；则{xi(k)│k＝1,2,3，......，n}是sve效果行为序列，其中i＝1,2,3，...，m，m为影响因子的数量；设y(k)为场地k的sve修复率；
计算关联度ri如下所示：
式中，ζi(k)为关联度系数；
步骤四、利用灰色关联度分析筛选出与sve修复率相关的p个主控因子，建立因变量修复率y与自变量主控因子xi(i＝1，2，……，p)之间的多元线性回归方程；
y与p个主控因子xi之间的多元线性回归方程关系式如下所示：
y＝b0 b1x1 b2x2 … bpxp
式中，b0，b1，b2，……，bp，b0是一个常量和其他为p个主控因子的待定系数；由最小二乘法求得多元线性回归方程的b0和其他待定系数；
步骤五、基于多元线性回归方程的模拟结果，采用拟合优度的方式进行检验并判断其模拟的准确性；再通过显著性检验判定多元线性回归方程的模型显著性和参数的显著性；最后再对多元线性回归方程模型的误差进行精度对比，确定其精度是否复合设计要求；
步骤六、利用建立的多元线性回归方程，将掌握的新场地特征参数代入多元线性回归方程，通过设定sve修复率目标，筛选最佳的sve工艺参数组合，为污染场地sve修复技术参数设计提供技术参考。
进一步的，对于步骤一中场地的选择为具有代表性的典型地块或对同一地块根据地质进行区域划分，并对场地垂向的土质分层进行概化，概化土层包含石油类有机污染物迁移转化土层和sve施用土层。
进一步的，对于步骤二中，通过多个典型污染场地进行tough软件概化模拟，得出场地参数、污染参数和sve工艺参数中不同影响因子对于sve修复率的影响，并得出相应sve修复率，且对于同一影响因子的量级变化幅度同样进行对比模拟。
进一步的，对于步骤二中选取sve修复效率的影响因子包括场地参数中的入渗量、非饱和带厚度、孔隙度、渗透率、含氧量、温度和ph值；污染参数中包括污染物类型、深度、宽度和面积；sve工艺参数中包括抽提井内流量、影响半径、抽提井深度和抽提井数量。
进一步的，对于tough软件模拟过程根据污染物的不同选取不同的模块，模块包含t2voc模块和tmvoc模块；t2voc模块为三种组分三相流，包括水、空气及vocs数值模拟，tmvoc模块为水、土壤气体和多组分混合挥发性有机化合物在多层面、非均质、多孔介质中的三相非等温流数值模拟；tough软件模拟过程通过petrasim软件进行可视化操作。
进一步的，在tough软件模拟过程中对于不同的污染物，通过设置相同的泄露速率、泄漏点，泄露持续时间等初始参数，以及同一场地参数和sve工艺参数，并通过已有实验或现场数据校正模型，得出具有可对比性的sve修复率。
进一步的，对于步骤四中关联度ri的计算如下：
第1步，无量纲化如下所示
k＝1,2,…,n
第2步，求差序列如下所示
δi(k)＝|y(k)-x′i(k)|
i＝1,2,…,m；k＝1,2,…,n
第3步，求两级最大差与最小差如下所示
第4步，求关联系数如下所示
i＝1,2,…,m；k＝1,2,…,n
第5步，计算关联度如下所示
i＝1,2,…,m
进一步的，对于步骤五中，关于多元线性回归方程的模型拟合程度通过拟合优度检验；
拟合优度检验公式如下所示
式中：tss是总离差平方和，ess是回归平方和，rss是剩余平方和；r2越接近于1，多元线性回归方程的模型拟合度越好。
进一步的，对于步骤五中，多元线性回归方程的显著性检验f如下所示：
式中，n是样本数、p是选取的变量，若f≥fα(p，n-p-1)，回归模型显著成立；若f<fα(p，n-p-1)，回归模型无显著意义，即回归模型不显著；
参数的显著性检验t如下所示：
式中，bi代表为回归系数，s(bi)代表为回归系数bi的标准差，若
进一步的，对于步骤五中，多元线性回归方程的误差分析具体步骤如下：
①求原始数据均值
②求原始数据方差s1如下所示：
③求残差ε均值如下所示：
ε(k)＝y(k)-y＇(k)
④求残差方差如下所示：
⑤计算方差比c与小概率误差p如下所示：
当后验差比值c小于0.5时，认为模型精度合格，c越小模型精度越高；小误差概率p大于0.8时，认为模型精度合格，p越大模型精度越高。
本发明的有益效果体现在：
1)本发明通过多场地多因素的设计，并结合tough软件模拟不同场景下的污染状况，可明晰石油类污染物在场地中不同场景下的运移规律，确定污染范围，利于后期对于sve工艺的参数设计；
2)本发明基于灰色关联度方法，对典型场地的不同影响因素进行排列，找出主控因子，利于应对同种污染在同种地块上的sve工艺设计时的重点设计，提高施用效率；
3)本发明通过建立多元线性回归方程，将sve修复率相关的主控因子进一步排序和进行修正，使其对应类似的典型场地更具有适用性；
4)本发明通过拟合优度、显著性检验和误差检验等方法，进一步确保多元线性回归方程于实际应用中的准确性和可靠性；
此外，本发明可根据不同的场地和对应污染物进行单独的模拟和设计，也可根据以往和现有设计预先确定相关影响参数，而后进行关联度的筛选，可适用性强；本发明的其它特征和优点将在随后的说明书中阐述，并且部分地从说明书中变得显而易见，或者通过实施本发明而了解；本发明的主要目的和其它优点可通过在说明书中所特别指出的方案来实现和获得。
附图说明
图1是石油类污染物中btex污染场地sve工艺参数设计方法流程示意图；
图2是基于tough软件模拟btex污染场地petrasim软件可视化示意图；
图3是s1污染场地btex污染晕剖面示意图；
图4是s1污染场地btex污染应有抽提技术剖面示意图。
具体实施方式
石油类有机污染物中btex污染是具有代表性的一类。btex是石油中常见的苯(benzene)，甲苯(toluene)、乙基苯(ethylbenzene)、三种二甲基苯的异构体(o-xylene邻二甲苯，m-xylene间二甲苯，p-xylene对二甲苯)的合称，属于单环芳烃类质。btex主要存在于原油和石油产品中，作为化工原料，广泛应用于农药、塑料和合成纤维等制造业。btex在生产、储存和运输过程中，容易释放到环境内，造成环境污染，并对生态系统和人体健康构成危害。在btex污染处理中，因btex具有挥发性，在渗透性大的土壤中可通过sve去除。
以btex为实施例，如图1所示，btex污染场地sve工艺参数设计方法流程示意图，具体步骤如下：
步骤一、根据场地实际踏勘、原位测试及土工试验结果，结合场地的地质资料，明确场地的地质类型、土壤类型和分布以及地下水分布等状况；并确定石油类污染的类型和位置；
其中，对于步骤一中场地的选择为具有代表性的典型地块或对同一地块根据地质进行区域划分，并对场地垂向的土质分层进行概化，概化土层包含石油类有机污染物迁移转化土层和适应sve施用土层。
根据btex的密度、蒸气压和可溶性等物理和化学参数的不同，本实施例中以收集的来自全国的15个典型地区(用s1，s2，s3，......s15表示)的数据进行不同场地下btex污染的模拟设计，15个典型地区的场地参数如表1所示。
表1场地参数
步骤二、步骤二、结合场地参数、污染参数和sve工艺参数，利用tough软件建立石油类污染场地的关于sve(土壤气相抽提)修复模型，并得出不同影响因子条件下sve修复率y；
其中，sve修复率反映了sve对场地中石油类污染的去除效果，sve修复率yk计算公式如式(1)所示：
式中：mk为sve修复前模型中待去除btex的总质量，kg；mk为sve修复后模型中btex总质量，kg；其中k＝1,2,3，...，w，w为场地数量。
选取sve修复效率的影响因子包括场地参数中的入渗量、非饱和带厚度、孔隙度、渗透率、含氧量、温度和ph值；污染参数中包括污染物类型、深度、宽度和面积；sve工艺参数中包括抽提井内流量、影响半径、抽提井深度和抽提井数量。
选取tough软件进行过程模拟，根据btex选取tough软件中tmvoc子模块进行建立模型，并通过petrasim软件进行可视化操作。以s1场地为例，通过建立概念模型、基本的参数设置、边界条件和初始条件的设置、模型的运行和调试以及最后建立完整的模型，其中，模型建立界面如图2所示。对15个场地均进行btex泄露及迁移的模拟，设定btex以相同的速率及泄漏点，泄露持续时间1年。btex泄露及迁移后场地污染情况如表2所示，其中napl(non-aqueousphaseliquid)为非水相流体，为btex在场地中存在的一种相态。
表2btex泄露迁移后场地污染模拟值
以场地s1为例，模型抽提前btex污染分布如图3所示，抽提过程为图4所示；图中h代表深度，b代表宽度，w代表btex的质量分数，三角形处为地下水水位面；在图4中深度为0m处间隔分布的竖向线段为抽提井。由此，对应各场地模拟btex污染情况，设计个场地sve抽提参数如表3所示。
表3场地sve参数
根据sve模拟前后场地中btex的统计，计算sve修复率如表4所示。
表4场地sve去除率模拟值
步骤三、利用灰色关联度分析方法，进行不同场地类型下sve在不同影响因子修复率的关联度对比排名，通过排名前后筛选p个主控因子；
其中，不同场地的编号序列计为k(k＝1,2,3，......，n)，设xi为sve修复率影响因子，xi(k)为因素xi在场地k的观测数据；则{xi(k)│k＝1,2,3，......，n}是sve效果行为序列，其中i＝1,2,3，...，m，m为影响因子的数量；设y(k)为场地k的sve修复率；
第1步，无量纲化如式(2)所示
第2步，求差序列如式(3)所示
δi(k)＝|y(k)-x′i(k)|(3)
第3步，求两级最大差与最小差如式(4)所示
第4步，求关联系数如式(5)所示
第5步，计算关联度如式(6)所示
选择sve修复效率的影响因子共11个，包括场地参中的入渗量(x1)、非饱和带厚度(x2)、孔隙度(x3)、渗透率(x4)；污染参数中的污染深度(x5)、宽度(x6)、面积(x7)以及抽提参数中的井内流量(x8)、影响半径(x9)、抽提井深度(x10)、抽提井数量(x11)，各参数数值如表5所示。
表5灰色关联度计算结果
根据上表格给出的数据信息，利用灰色关联度法分析与sve修复率较高的主控因子。计算各个影响因子xi与sve去除率模拟值y之间的相关度ri关联度结果见表。
比较得知：x4>x7>x2>x8>x10>x11>x5>x1>x6>x3>x9
将关联度计算结果和场地数据获取的难易程度两个方面作为回归模型参数选取的依据。采用场地参数中非饱和带厚度x2、非饱和带渗透率x4，污染参数中污染面积x7，抽提参数中井内流量x8，抽提井深度x10，抽提井数量x11作为建立多元线性回归模型的6个因子。
步骤四、利用灰色关联度分析筛选出与sve修复率相关的p个主控因子，建立因变量sve修复率y与自变量主控因子xi(i＝1，2，……，p)之间的多元线性回归方程；
多元线性回归方程的建立如式(7)所示，将6个主控因子代入到下式中得：
y＇＝b0 b2x2 b4x4 b7x7 b8x8 b10x10 b11x11(7)
利用spss软件计算得出方程关系式，如式(8)所示：
y＇＝0.596 0.016x2-3.52×109×x4 0.001x7 3.71x8-0.096x10 0.034x11(8)
步骤五、基于多元线性回归方程的模拟结果，采用拟合优度的方式进行检验并判断模拟的拟合准确性；再通过显著性检验判定多元线性回归方程的模型显著性和参数的显著性；最后再对多元线性回归方程的模型的误差进行精度对比，确定其精度是否复合设计要求。
拟合优度检验公式如式(9)所示
式中：tss是总离差平方和，ess是回归平方和，rss是剩余平方和。r2为0.819接近于1，多元线性回归方程的模型拟合度好。
多元线性回归方程的显著性检验f如式(10)所示：
式中，n是样本数、p是选取变量，若f≥fα(p，n-p-1)，回归模型显著成立；若f<fα(p，n-p-1)，回归模型无显著意义，即回归模型不显著。
在spss软件建立好回归方程后自动提供的模型检验参数中，拟合优度检验参数f为6.047，变量(p)的数量为6；样本数(n)为15。从标准f统计表查得，当显着性α＝0.05时，f(6，8)＝3.581。可知6.047>3.581，方程的显著性很高，具有统计学意义。
2)参数的显著性检验t如式(11)所示：
式中，bi代表为回归系数，s(bi)代表为回归系数bi的标准差，若
表6t检验结果
表中常量和自变量x7、x10的显著性sig值小于0.05，则这两个变量的系数和常量十分显著，而其他4个参数并不显著。由于已经先通过灰色关联度计算出其他4个参数与sve修复效率密切相关，因此，这些参数被保留。
经过模型检验后，最终得到的回归方程关系式如式(12)所示：
y＇＝0.596 0.016x2-3.52×109×x4 0.001x7 3.71x8-0.096x10 0.034x11(12)
3)多元线性回归方程的误差分析具体步骤如下：
①求原始数据均值
②求原始数据方差s1如式(14)所示：
③求残差ε 均值如式(15)和(16)所示：
ε (k)＝y(k)-y＇(k)(15)
④求残差方差如式(17)所示：
⑤计算方差比c与小概率误差p，如式(18)和(19)所示：
当后验差比值c小于0.5时，认为模型精度合格，c越小模型精度越高。小误差概率p大于0.8时，认为模型精度合格，p越大模型精度越高。通过计算本次建立的方程的后验差比值c为0.43，该值小于0.5；方程的小误差概率p为0.93，该值大于0.8。因此，方程是合格的。
步骤六、利用建立的多元线性回归方程，将掌握的新场地特征参数代入多元线性回归方程，通过设定sve修复率目标，筛选最佳的sve工艺参数组合，为污染场地sve修复技术参数设计提供技术参考。
以中国南方某工厂为例，对sve修复率的多元线性回归模型进行验证。厂区位于中国华东地区，该厂区所在区域地表均为松散堆积物覆盖，根据场地实际踏勘、原位测试及土工试验结果，可知研究区为第四季地层所覆盖，第四纪地层可划分为下更新统(q1)、中更新统(q2)、上更新统(q3)及全新统(q4)，主要岩性为河湖相沉积的粘土、亚粘土夹粉细砂层。厂区内含水层主要由第四季上更新统粉土、粉砂、细砂组成，分布较连续、稳定。该区地下水主要为潜水，目前厂区地下水埋深3～4.5m。
参数赋值及sve修复率的计算，模型相关参数设置见表7和表8。
表7场地参数
表8抽提参数
经过tough软件的模拟后，计算sve修复率的结果为：67％。结合厂区场地的实际情况给出6个参数的数值分别为：x2为3m，x4为3.07e-12m2，x7为220m2，x8为0.00814m3/s，x10为3.5m，x11为5个，将其建立的多元线性回归方程计算得y的值为72％。评价结果对比，tough2的sve修复率模拟值为67％，建立的多元线性回归方程计算得y的值为72％。结论差距在5％以内，结论相符。
sve修复石油类污染场地是一个复杂的动力学过程，由于针对sve修复率的影响因素较多，不同的影响因素对sve修复率的贡献不同。尽管sve技术在许多实地研究中应用广泛，但是目前的理论研究特别是对sve过程中流体的运移机制、污染物传质机理和现场尺寸放大效应和综合数学模拟仍不充分。sve法修复污染场地工艺设计的精确度关系到修复效果好坏及修复成本的高低，因此科学、快速、准确地设定sve工艺参数，对于典型污染场地sve的准确设计、缩短修复时间和节约修复成本等工作具有重要指导性意义。
以上所述仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内所想到的变化或替换，都应涵盖在本发明的保护范围之内。
1.一种石油类污染场地中sve工艺参数的设计方法，其特征在于，具体步骤如下：
步骤一、根据场地实际踏勘、原位测试及土工试验结果，结合场地的地质资料，明确场地的地质类型、土壤类型和分布以及地下水分布等状况；并确定石油类污染的类型和位置；
步骤二、结合场地参数、污染参数和sve工艺参数，利用tough软件建立模拟石油类污染关于sve(土壤气相抽提)的修复模型，并得出不同影响因子条件下sve修复率y；
其中，sve修复率反映了sve对场地中石油类污染的去除效果，sve修复率yk计算公式如下所示：
式中：mk为sve修复前模型中待去除污染物的总质量，kg；m′k为sve修复后模型中污染物总质量，kg；其中k＝1,2,3，...，w，w为场地数量；
步骤三、利用灰色关联度分析方法，进行不同场地类型下sve在不同影响因子修复率的关联度对比排名，通过排名前后筛选p个主控因子；
其中，不同场地的编号序列计为k(其中，k＝1,2,3，......，n)，设xi为sve修复率影响因子，xi(k)为因素xi在场地k的观测数据；则{xi(k)│k＝1,2,3，......，n}是sve效果行为序列，其中i＝1,2,3，...，m，m为影响因子的数量；设y(k)为场地k的sve修复率；
计算关联度ri如下所示：
式中，ζi(k)为关联度系数；
步骤四、利用灰色关联度分析筛选出与sve修复率相关的p个主控因子，建立因变量修复率y与自变量主控因子xi(i＝1，2，……，p)之间的多元线性回归方程；
y与p个主控因子xi之间的多元线性回归方程关系式如下所示：
y＝b0 b1x1 b2x2 … bpxp
式中，b0，b1，b2，……，bp，b0是一个常量和其他为p个主控因子的待定系数；由最小二乘法求得多元线性回归方程的b0和其他待定系数；
步骤五、基于多元线性回归方程的模拟结果，采用拟合优度的方式进行检验并判断其模拟的准确性；再通过显著性检验判定多元线性回归方程的模型显著性和参数的显著性；最后再对多元线性回归方程模型的误差进行精度对比，确定其精度是否复合设计要求；
步骤六、利用建立的多元线性回归方程，将掌握的新场地特征参数代入多元线性回归方程，通过设定sve修复率目标，筛选最佳的sve工艺参数组合，为污染场地sve修复技术参数设计提供技术参考。
2.如权利要求1所述一种石油类污染场地中sve工艺参数的设计方法，其特征在于，对于步骤一中场地的选择为具有代表性的典型地块或对同一地块根据地质进行区域划分，并对场地垂向的土质分层进行概化，概化土层包含石油类有机污染物迁移转化土层和sve施用土层。
3.如权利要求1所述一种石油类污染场地中sve工艺参数的设计方法，其特征在于，对于步骤二中，通过多个典型污染场地进行tough软件概化模拟，得出场地参数、污染参数和sve工艺参数中不同影响因子对于sve修复率的影响，并得出相应sve修复率，且对于同一影响因子的量级变化幅度同样进行对比模拟。
4.如权利要求3所述一种石油类污染场地中sve工艺参数的设计方法，其特征在于，对于步骤二中选取sve修复效率的影响因子包括场地参数中的入渗量、非饱和带厚度、孔隙度、渗透率、含氧量、温度和ph值；污染参数中包括污染物类型、深度、宽度和面积；sve工艺参数中包括抽提井内流量、影响半径、抽提井深度和抽提井数量。
5.如权利要求3所述一种石油类污染场地中sve工艺参数的设计方法，其特征在于，对于tough软件模拟过程根据污染物的不同选取不同的模块，模块包含t2voc模块和tmvoc模块；t2voc模块为三种组分三相流，包括水、空气及vocs数值模拟，tmvoc模块为水、土壤气体和多组分混合挥发性有机化合物在多层面、非均质、多孔介质中的三相非等温流数值模拟；tough软件模拟过程通过petrasim软件进行可视化操作。
6.如权利要求5所述一种石油类污染场地中sve工艺参数的设计方法，其特征在于，在tough软件模拟过程中对于不同的污染物，通过设置相同的泄露速率、泄漏点，泄露持续时间等初始参数，以及同一场地参数和sve工艺参数，并通过已有实验或现场数据校正模型，得出具有可对比性的sve修复率。
7.如权利要求1所述一种石油类污染场地中sve工艺参数的设计方法，其特征在于，对于步骤四中关联度ri的计算如下：
第1步，无量纲化如下所示
第2步，求差序列如下所示
δi(k)＝|y(k)-x′i(k)|
i＝1,2,…,m；k＝1,2,…,n
第3步，求两级最大差与最小差如下所示
第4步，求关联系数如下所示
第5步，计算关联度如下所示
8.如权利要求1所述一种石油类污染场地中sve工艺参数的设计方法，其特征在于，对于步骤五中，关于多元线性回归方程的模型拟合程度通过拟合优度检验；
拟合优度检验公式如下所示
式中：tss是总离差平方和，ess是回归平方和，rss是剩余平方和；r2越接近于1，多元线性回归方程的模型拟合度越好。
9.如权利要求1所述一种石油类污染场地中sve工艺参数的设计方法，其特征在于，对于步骤五中，多元线性回归方程的显著性检验f如下所示：
式中，n是样本数、p是选取的变量，若f≥fα(p，n-p-1)，回归模型显著成立；若f<fα(p，n-p-1)，回归模型无显著意义，即回归模型不显著；
参数的显著性检验t如下所示：
式中，bi代表为回归系数，s(bi)代表为回归系数bi的标准差，若
10.如权利要求1所述一种石油类污染场地中sve工艺参数的设计方法，其特征在于，对于步骤五中，多元线性回归方程的误差分析具体步骤如下：
①求原始数据均值
②求原始数据方差s1如下所示：
③求残差ε均值如下所示：
ε(k)＝y(k)-y′(k)
④求残差方差如下所示：
⑤计算方差比c与小概率误差p如下所示：
当后验差比值c小于0.5时，认为模型精度合格，c越小模型精度越高；小误差概率p大于0.8时，认为模型精度合格，p越大模型精度越高。
技术总结