CN116434117A - 一种复合聚丙烯酰胺驱油剂的制备方法 - Google Patents

一种复合聚丙烯酰胺驱油剂的制备方法 Download PDF

Info

Publication number
CN116434117A
CN116434117A CN202310410624.XA CN202310410624A CN116434117A CN 116434117 A CN116434117 A CN 116434117A CN 202310410624 A CN202310410624 A CN 202310410624A CN 116434117 A CN116434117 A CN 116434117A
Authority
CN
China
Prior art keywords
feature
stirring speed
training
time sequence
classification
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310410624.XA
Other languages
English (en)
Inventor
贾贝
时海涛
李玉亭
赵丹丹
刘森
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan Zhengjia Green Energy Co ltd
Original Assignee
Henan Zhengjia Green Energy Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Henan Zhengjia Green Energy Co ltd filed Critical Henan Zhengjia Green Energy Co ltd
Priority to CN202310410624.XA priority Critical patent/CN116434117A/zh
Publication of CN116434117A publication Critical patent/CN116434117A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • C—CHEMISTRY; METALLURGY
    • C09—DYES; PAINTS; POLISHES; NATURAL RESINS; ADHESIVES; COMPOSITIONS NOT OTHERWISE PROVIDED FOR; APPLICATIONS OF MATERIALS NOT OTHERWISE PROVIDED FOR
    • C09K—MATERIALS FOR MISCELLANEOUS APPLICATIONS, NOT PROVIDED FOR ELSEWHERE
    • C09K8/00—Compositions for drilling of boreholes or wells; Compositions for treating boreholes or wells, e.g. for completion or for remedial operations
    • C09K8/58—Compositions for enhanced recovery methods for obtaining hydrocarbons, i.e. for improving the mobility of the oil, e.g. displacing fluids
    • C09K8/588—Compositions for enhanced recovery methods for obtaining hydrocarbons, i.e. for improving the mobility of the oil, e.g. displacing fluids characterised by the use of specific polymers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Materials Engineering (AREA)
  • Organic Chemistry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及智能制备领域，其具体地公开了一种复合聚丙烯酰胺驱油剂的制备方法，其通过采用基于深度学习的神经网络模型挖掘出混合乳液的乳化状态和搅拌速度值在时间维度上的时序协同动态关联变化特征，进一步基于混合乳液的状态来对搅拌速度值进行自适应控制，以此来提高混合液的乳化情况和搅拌速度之间的适配性，进而确保搅拌的均匀性和乳化稳定性，提高制备出的复合聚丙烯酰胺驱油剂的品质。

Description

一种复合聚丙烯酰胺驱油剂的制备方法
技术领域
本申请涉及智能制备领域，且更为具体地，涉及一种复合聚丙烯酰胺驱油剂的制备方法。
背景技术
石油是一种不可再生的优质能源和基础化工原料，与我国的经济、人民生活、环境等密切相关。提高石油采收率同时降低采油成本，是保证能源安全的重要方式。目前油田开采主要采用聚合物驱油技术，聚丙烯酰胺(PAM)为市场上最常见的驱油产品，现如今已在我国大庆油田、胜利油田、辽河油田、新疆油田等大型油田大规模使用。
传统方法在进行聚丙烯酰胺驱油剂的制备过程中，需要针对不同的油藏条件选取适当的材料和步骤进行调配，以达到最佳的驱油效果。然而，在实际制备的过程中，往往使得制备出的聚丙烯酰胺驱油剂稳定性较差，易出现沉淀、分层等现象导致使用效果不佳，使得原油采出率较低。究其原因为：在进行混合液乳化的过程中，没有关注到搅拌速度和混合乳化状态之间的适配关系，从而导致存在搅拌不均匀造成的乳化不良的问题，使得乳液不稳定，影响复合聚丙烯酰胺驱油剂的品质。
因此，期望一种优化的复合聚丙烯酰胺驱油剂的制备方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种复合聚丙烯酰胺驱油剂的制备方法，其通过采用基于深度学习的神经网络模型挖掘出混合乳液的乳化状态和搅拌速度值在时间维度上的时序协同动态关联变化特征，进一步基于混合乳液的状态来对搅拌速度值进行自适应控制，以此来提高混合液的乳化情况和搅拌速度之间的适配性，进而确保搅拌的均匀性和乳化稳定性，提高制备出的复合聚丙烯酰胺驱油剂的品质。
根据本申请的一个方面，提供了一种复合聚丙烯酰胺驱油剂的制备方法，其包括：
获取由摄像头采集的预定时间段的混合乳液的状态监控视频，以及，所述预定时间段内多个预定时间点的搅拌速度值；
从所述状态监控视频提取多个状态监控关键帧；
将所述多个状态监控关键帧分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个乳液状态特征矩阵；
计算所述多个乳液状态特征矩阵中每两个乳液状态特征矩阵之间的转移矩阵以得到多个转移矩阵，并计算所述多个转移矩阵的全局均值以得到乳液状态时序特征向量；
将所述多个预定时间点的搅拌速度值按照时间维度排列为搅拌速度时序输入向量后通过多尺度邻域特征提取模块以得到搅拌速度时序特征向量；
计算所述乳液状态时序特征向量相对于所述搅拌速度时序特征向量的响应性估计以得到分类特征矩阵；以及
将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的搅拌速度值应增大或应减小。
在上述复合聚丙烯酰胺驱油剂的制备方法中，将所述多个状态监控关键帧分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个乳液状态特征矩阵，包括：从所述卷积神经网络模型的浅层提取浅层特征矩阵；从所述卷积神经网络模型的深层提取深层特征矩阵；以及，融合所述浅层特征矩阵和所述深层特征矩阵以得到所述乳液状态特征矩阵；其中，所述深层与所述浅层之间的比值大于等于5且小于等于10。
在上述复合聚丙烯酰胺驱油剂的制备方法中，计算所述多个乳液状态特征矩阵中每两个乳液状态特征矩阵之间的转移矩阵以得到多个转移矩阵，并计算所述多个转移矩阵的全局均值以得到乳液状态时序特征向量，包括：以如下公式计算所述多个乳液状态特征矩阵中每两个乳液状态特征矩阵之间的转移矩阵以得到多个转移矩阵；其中，所述公式为：
Figure BDA0004183033270000021
其中V1和V2分别表示所述多个乳液状态特征矩阵中任意两个乳液状态特征矩阵，M表示所述转移矩阵；以及，计算所述多个转移矩阵的全局均值以得到乳液状态时序特征向量。
在上述复合聚丙烯酰胺驱油剂的制备方法中，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。
在上述复合聚丙烯酰胺驱油剂的制备方法中，将所述多个预定时间点的搅拌速度值按照时间维度排列为搅拌速度时序输入向量后通过多尺度邻域特征提取模块以得到搅拌速度时序特征向量，包括：将所述搅拌速度时序输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度搅拌速度时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述搅拌速度时序输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度搅拌速度时序特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一邻域尺度搅拌速度时序特征向量和所述第二邻域尺度搅拌速度时序特征向量进行级联以得到所述搅拌速度时序特征向量。
在上述复合聚丙烯酰胺驱油剂的制备方法中，计算所述乳液状态时序特征向量相对于所述搅拌速度时序特征向量的响应性估计以得到分类特征矩阵，包括：构造所述乳液状态时序特征向量和所述搅拌速度时序特征向量的高斯密度图以得到乳液状态高斯密度图和搅拌速度高斯密度图；计算所述乳液状态高斯密度图相对于所述搅拌速度高斯密度图的响应性估计以得到响应性高斯密度图；以及，对所述响应性高斯密度图中各个位置的高斯分布进行高斯离散化以得到所述分类特征矩阵。
在上述复合聚丙烯酰胺驱油剂的制备方法中，还包括对所述包含深浅特征融合模块的卷积神经网络模型、所述多尺度邻域特征提取模块和所述分类器进行训练；其中，对所述包含深浅特征融合模块的卷积神经网络模型、所述多尺度邻域特征提取模块和所述分类器进行训练，包括：获取训练数据，所述训练数据包括预定时间段的混合乳液的训练状态监控视频，所述预定时间段内多个预定时间点的训练搅拌速度值，以及，所述当前时间点的搅拌速度值应增大或应减小的真实值；从所述训练状态监控视频提取多个训练状态监控关键帧；将所述多个训练状态监控关键帧分别通过所述包含深浅特征融合模块的卷积神经网络模型以得到多个训练乳液状态特征矩阵；计算所述多个训练乳液状态特征矩阵中每两个训练乳液状态特征矩阵之间的转移矩阵以得到多个训练转移矩阵，并计算所述多个训练转移矩阵的全局均值以得到训练乳液状态时序特征向量；将所述多个预定时间点的训练搅拌速度值按照时间维度排列为训练搅拌速度时序输入向量后通过所述多尺度邻域特征提取模块以得到训练搅拌速度时序特征向量；计算所述训练乳液状态时序特征向量相对于所述训练搅拌速度时序特征向量的响应性估计以得到训练分类特征矩阵对所述训练分类特征矩阵进行类傅里叶尺度域概率修正以得到优化训练分类特征矩阵；将所述优化训练分类特征矩阵通过所述分类器以得到分类损失函数值；以及，以所述分类损失函数值作为损失函数值并通过梯度下降的反向传播来对所述包含深浅特征融合模块的卷积神经网络模型、所述多尺度邻域特征提取模块和所述分类器进行训练。
在上述复合聚丙烯酰胺驱油剂的制备方法中，对所述训练分类特征矩阵进行类傅里叶尺度域概率修正以得到优化训练分类特征矩阵，包括：以如下优化公式对所述训练分类特征矩阵进行类傅里叶尺度域概率修正以得到所述优化训练分类特征矩阵；其中，所述优化公式为：
Figure BDA0004183033270000041
其中，mi,j是所述训练分类特征矩阵的第(i,j)位置的特征值，W和H分别是所述训练分类特征矩阵的高度和宽度，且α和β为用于尺度调节的超参数，exp(·)表示指数运算，m'i,j是所述优化训练分类特征矩阵的第(i,j)位置的特征值。
在上述复合聚丙烯酰胺驱油剂的制备方法中，将所述优化训练分类特征矩阵通过所述分类器以得到分类损失函数值，包括：使用所述分类器以如下公式对所述优化训练分类特征矩阵进行处理以获得分类结果，其中，所述公式为：O＝softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述优化训练分类特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置向量。
根据本申请的另一方面，提供了一种复合聚丙烯酰胺驱油剂的制备系统，其包括：
信息采集模块，用于获取由摄像头采集的预定时间段的混合乳液的状态监控视频，以及，所述预定时间段内多个预定时间点的搅拌速度值；
关键帧提取模块，用于从所述状态监控视频提取多个状态监控关键帧；
深浅特征提取模块，用于将所述多个状态监控关键帧分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个乳液状态特征矩阵；
乳液状态时序特征向量计算模块，用于计算所述多个乳液状态特征矩阵中每两个乳液状态特征矩阵之间的转移矩阵以得到多个转移矩阵，并计算所述多个转移矩阵的全局均值以得到乳液状态时序特征向量；
多尺度邻域特征提取模块，用于将所述多个预定时间点的搅拌速度值按照时间维度排列为搅拌速度时序输入向量后通过多尺度邻域特征提取模块以得到搅拌速度时序特征向量；
响应性估计模块，用于计算所述乳液状态时序特征向量相对于所述搅拌速度时序特征向量的响应性估计以得到分类特征矩阵；以及
分类结果生成模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的搅拌速度值应增大或应减小。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的复合聚丙烯酰胺驱油剂的制备方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的复合聚丙烯酰胺驱油剂的制备方法。
与现有技术相比，本申请提供的一种复合聚丙烯酰胺驱油剂的制备方法，其通过采用基于深度学习的神经网络模型挖掘出混合乳液的乳化状态和搅拌速度值在时间维度上的时序协同动态关联变化特征，进一步基于混合乳液的状态来对搅拌速度值进行自适应控制，以此来提高混合液的乳化情况和搅拌速度之间的适配性，进而确保搅拌的均匀性和乳化稳定性，提高制备出的复合聚丙烯酰胺驱油剂的品质。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的复合聚丙烯酰胺驱油剂的制备方法的场景示意图；
图2为根据本申请实施例的复合聚丙烯酰胺驱油剂的制备方法中推断阶段的流程图；
图3为根据本申请实施例的复合聚丙烯酰胺驱油剂的制备方法中训练阶段的流程图；
图4为根据本申请实施例的复合聚丙烯酰胺驱油剂的制备方法中推断阶段的架构示意图；
图5为根据本申请实施例的复合聚丙烯酰胺驱油剂的制备方法中训练阶段的架构示意图；
图6为根据本申请实施例的复合聚丙烯酰胺驱油剂的制备方法中卷积神经网络编码的流程图；
图7为根据本申请实施例的复合聚丙烯酰胺驱油剂的制备方法中多尺度邻域特征提取的流程图；
图8为根据本申请实施例的复合聚丙烯酰胺驱油剂的制备方法中响应性估计计算过程的流程图；
图9为根据本申请实施例的复合聚丙烯酰胺驱油剂的制备系统的框图；
图10为根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如前背景技术所言，传统方法在进行聚丙烯酰胺驱油剂的制备过程中，需要针对不同的油藏条件选取适当的材料和步骤进行调配，以达到最佳的驱油效果。然而，在实际制备的过程中，往往使得制备出的聚丙烯酰胺驱油剂稳定性较差，易出现沉淀、分层等现象导致使用效果不佳，使得原油采出率较低。究其原因为：在进行混合液乳化的过程中，没有关注到搅拌速度和混合乳化状态之间的适配关系，从而导致存在搅拌不均匀造成的乳化不良的问题，使得乳液不稳定，影响复合聚丙烯酰胺驱油剂的品质。因此，期望一种优化的复合聚丙烯酰胺驱油剂的制备方案。
具体地，在本申请的技术方案中，提出了一种复合聚丙烯酰胺驱油剂的制备方法，其包括材料：聚丙烯酰胺(PAM)、乙二胺四醋酸盐(EDTA)、线性烷基苯磺酸钠(LAS)和聚合物分散剂(例如甲基丙烯酸-丙烯酸甲酯共聚物)。还包括步骤：将所述PAM加入到去离子水中，并在室温下进行搅拌均匀以得到PAM水溶液；将适量的所述EDTA加入到去离子水中，并搅拌均匀溶解以得到EDTA水溶液；将所述LAS加入到所述EDTA水溶液中，并搅拌均匀以得到LAS水溶液；将所述LAS水溶液缓慢地滴加到所述PAM水溶液中，同时搅拌均匀，直至形成一个均匀的乳液；使用所述甲基丙烯酸-丙烯酸甲酯共聚物作为聚合物分散剂，并将所述乳液通过高速剪切和搅拌均匀混合，直至形成一个稳定的复合聚丙烯酰胺驱油剂。特别地，这里，制备好的复合聚丙烯酰胺驱油剂可以用于油田采油中的驱油过程，提高原油采出率。
相应地，在实际进行复合聚丙烯酰胺驱油剂的制备过程中，在将所述LAS水溶液缓慢地滴加到所述PAM水溶液中，同时搅拌均匀直至形成一个均匀的乳液时，会存在搅拌不均匀造成的乳化不良的问题。这是由于PAM和LAS在水中的亲疏性不同，容易发生相分离或团聚，导致乳液不稳定，会影响到制备好的复合聚丙烯酰胺驱油剂的品质。此外，如果加入LAS的速度过快、量过多，而搅拌速度较低时，也会影响复合驱油剂的乳化稳定性。
基于此，在本申请的技术方案中，期望基于混合乳液的乳化状态来进行搅拌速度值的自适应控制，以此来提高混合液的乳化情况和搅拌速度之间的适配性，进而确保搅拌的均匀性和乳化稳定性，提高制备出的复合聚丙烯酰胺驱油剂的品质。但是，由于混合乳液的乳化状态特征信息虽然存在于监控视频中，但是其为小尺度的隐含特征信息，难以进行捕捉提取，并且所述混合乳液的乳化状态和搅拌速度值在时间维度上具有着时序协同动态关联变化特征信息，这种变化特征为微弱的变化，这对于混合乳液的状态监测和搅拌速度值的自适应控制带来了困难。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述混合乳液的乳化状态时序变化特征和所述搅拌速度值的时序变化特征间的映射关系提供了新的解决思路和方案。本领域普通技术人员应知晓，基于深度学习的深度神经网络模型可以通过适当的训练策略，例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联，而这显然适合于模拟并建立所述混合乳液的乳化状态时序变化和所述搅拌速度值的时序变化之间的复杂映射关系。
具体地，在本申请的技术方案中，首先，通过摄像头采集预定时间段的混合乳液的状态监控视频，以及，所述预定时间段内多个预定时间点的搅拌速度值。接着，考虑到在所述状态监控视频中，关于所述混合乳液的乳化状态变化特征可以通过所述状态监控视频中相邻监控帧之间的差分来表示，也就是，通过相邻图像帧的图像表征来表示所述混合乳液的乳化状态变化情况。但是，考虑到所述状态监控视频中相邻帧的差异较小，存在大量数据冗余，因此，为了降低计算量，且避免数据冗余给检测带来的不良影响，以预定采样频率对所述状态监控视频进行关键帧采样，以从所述状态监控视频提取多个状态监控关键帧。这里，值得一提的是，所述采样频率可基于实际场景的应用需求做出调整，而不是默认值。
然后，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述多个状态监控关键帧的特征挖掘，特别地，考虑到在对于所述各个状态监控关键帧的隐藏特征进行提取时，关于所述混合乳液的乳化状态特征信息在所述混合乳液的浅层纹理、颜色等特征中有所呈现。因此，为了能够更准确地检测出所述混合乳液的乳化状态情况，应更加关注于所述混合乳液的颜色和纹理等浅层特征，这些所述浅层特征对于所述混合乳液的乳化状态检测具有重要意义。然而，卷积神经网络在编码时，随着其深度的加深，浅层特征会变得模糊甚至被噪声所淹没。因此，在本申请的技术方案中，使用包含深浅特征融合模块的卷积神经网络模型来对所述各个状态监控关键帧进行处理以得到多个乳液状态特征矩阵。应可以理解，相较于标准卷积神经网络模型，根据本申请的所述卷积神经网络模型能够保留所述混合乳液的浅层特征和深层特征，以不仅使得特征信息更为丰富，且不同深度的特征能得以保留，以提高对于所述混合乳液的乳化状态检测的精度。
接着，考虑到由于所述混合乳液的乳化状态在时间维度上具有着时序的动态变化特性，并且所述混合乳液的乳化状态时序动态变化特征信息在实际监测的过程中为小尺度的细微变化特征信息，难以通过传统的特征提取方式进行精准地捕捉提取。因此，在本申请的技术方案中，计算所述多个乳液状态特征矩阵中每两个乳液状态特征矩阵之间的转移矩阵以得到多个转移矩阵，以此来提取出每相邻两个所述状态监控关键帧下的关于所述混合乳液的乳化状态特征的差异性关联特征信息，即所述混合乳液的乳化状态特征在时间维度上的时序变化特征信息。接着，进一步再计算所述多个转移矩阵的全局均值，以此全局均值来刻画各个相邻监控关键帧下的关于混合乳液的乳化状态变化特征的全局表示，以便于后续进行所述混合乳液的乳化状态时序变化特征与搅拌速度的时序变化特征间的映射关联特征提取，从而得到乳液状态时序特征向量。
进一步地，对于所述搅拌速度值来说，由于所述搅拌速度值在时间维度上具有着时序的动态变化规律，并且其在所述预定时间段内的不同时间周期跨度下具有着不同的动态变化特性。因此，在本申请的技术方案中，将所述多个预定时间点的搅拌速度值按照时间维度排列为搅拌速度时序输入向量后通过多尺度邻域特征提取模块中进行特征挖掘，以提取出所述搅拌速度值在不同时间跨度下的动态多尺度邻域关联特征，从而得到搅拌速度时序特征向量。
然后，还考虑到由于所述混合乳液的乳化状态时序变化信息和所述搅拌速度值的时序动态变化信息在实际监测的过程中并不明显，因此，在得到所述乳液状态时序特征向量和所述搅拌速度时序特征向量后，期望对其进行特征表达强化。应可以理解，作为神经网络模型的学习目标，高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布，也就是，以特征分布作为先验分布，来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布，从而在更高维度上更准确地描述特征分布。因此，在本申请的技术方案中，可以通过所述混合乳液的乳化状态信息和所述搅拌速度值的先验分布，即高斯分布，来对于所述乳液状态时序特征向量和所述搅拌速度时序特征向量进行数据增强，也就是，基于高斯密度图对所述乳液状态时序特征向量和所述搅拌速度时序特征向量进行特征表达强化。具体地，分别构造所述乳液状态时序特征向量和所述搅拌速度时序特征向量的高斯密度图以得到乳液状态高斯密度图和搅拌速度高斯密度图。
接着，再计算所述乳液状态高斯密度图相对于所述搅拌速度高斯密度图的响应性估计，以表示所述混合乳液的乳化状态时序动态变化特征与所述搅拌速度值的时序多尺度动态关联特征的关联性特征分布信息，即所述乳化状态时序变化特征与所述搅拌速度时序变化特征之间的映射关联特征，从而得到响应性高斯密度图。然后，对所述响应性高斯密度图进行高斯离散化处理，以在数据特征增广时不产生信息损失，从而得到分类特征矩阵。然后，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的搅拌速度值应增大或应减小。
也就是，在本申请的技术方案中，所述分类器的标签包括当前时间点的反应温度值应增大(第一标签)，以及，当前时间点的搅拌速度值应减小(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“当前时间点的搅拌速度值应增大或应减小”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，搅拌速度值应增大或应减小的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“当前时间点的搅拌速度值应增大或应减小”的语言文本意义。应可以理解，在本申请的技术方案中，所述分类器的分类标签为所述当前时间点的搅拌速度值应增大或应减小的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述当前时间点的搅拌速度值增大或减小，以此来提高混合液的乳化情况和搅拌速度之间的适配性，进而确保搅拌的均匀性和乳化稳定性，提高制备出的复合聚丙烯酰胺驱油剂的品质。
特别地，在本申请的技术方案中，这里，在基于高斯密度图计算所述乳液状态时序特征向量相对于所述搅拌速度时序特征向量的响应性估计得到所述分类特征矩阵时，考虑到高斯离散化过程中尽管是基于响应性估计方差矩阵来进行采样以获得所述分类特征矩阵的垂直于所述乳液状态时序特征向量和所述搅拌速度时序特征向量的时序分布方向的概率密度分布，但在该方向上由于是基于概率密度进行采样仍然存在一定的随机性。因此，为了提升所述分类特征矩阵在与时序分布方向和概率密度分布方向的分布一致性，期望提升高斯密度图在计算响应性估计过程中在时序-概率密度交叉尺度空间内的特征学习关联度，从而提升所获得的分类特征矩阵的空间的不同维度上的分布一致性，以提升所述分类特征矩阵通过分类器得到的分类结果的准确性。
基于此，在训练过程中，对于所述分类特征矩阵M进行类傅里叶尺度域概率修正，具体表示为：
Figure BDA0004183033270000111
其中，mi,∈M是所述分类特征矩阵M的第(i,j)位置的特征值，W和H分别是所述分类特征矩阵.的高度和宽度，且α和β为用于尺度调节的超参数。
这里，所述类傅里叶尺度域概率修正考虑到高维特征分布与其所在的尺度域的同源性，可以通过尺度空间的类傅里叶稀疏低秩变换，来基于尺度空间的低秩约束捕获同源空间下的潜在分布关联，从而在所述高斯密度图的训练过程中，在获得特征值的时序-概率密度交叉维度上的特征表示的同时，实现具有特征整体的交叉维度相干性的联合特征学习，以通过提高高斯密度图在整体时序-概率密度维度下的学习关联度，来提升所获得的所述分类特征矩阵的不同维度上的分布一致性，以提升所述分类特征矩阵通过分类器得到的分类结果的准确性。这样，能够实时准确地基于实际混合乳液的乳化状态情况来进行搅拌速度值的自适应控制，以此来提高混合液的乳化情况和搅拌速度之间的适配性，进而确保搅拌的均匀性和乳化稳定性，提高制备出的复合聚丙烯酰胺驱油剂的品质。
基于此，本申请提出了一种复合聚丙烯酰胺驱油剂的制备方法，其包括：获取由摄像头采集的预定时间段的混合乳液的状态监控视频，以及，所述预定时间段内多个预定时间点的搅拌速度值；从所述状态监控视频提取多个状态监控关键帧；将所述多个状态监控关键帧分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个乳液状态特征矩阵；计算所述多个乳液状态特征矩阵中每两个乳液状态特征矩阵之间的转移矩阵以得到多个转移矩阵，并计算所述多个转移矩阵的全局均值以得到乳液状态时序特征向量；将所述多个预定时间点的搅拌速度值按照时间维度排列为搅拌速度时序输入向量后通过多尺度邻域特征提取模块以得到搅拌速度时序特征向量；计算所述乳液状态时序特征向量相对于所述搅拌速度时序特征向量的响应性估计以得到分类特征矩阵；以及，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的搅拌速度值应增大或应减小。
图1为根据本申请实施例的复合聚丙烯酰胺驱油剂的制备方法的场景示意图。如图1所示，在该应用场景中，首先，通过摄像头(例如，如图1中所示意的C)获取预定时间段的混合乳液的状态监控视频，以及，通过搅拌速度传感器(例如，如图1中所示意的V)获取所述预定时间段内多个预定时间点的搅拌速度值。然后，将上述信息输入至部署有用于复合聚丙烯酰胺驱油剂的制备算法的服务器中(例如，如图1中所示意的云服务器S)，其中，所述服务器能够以所述复合聚丙烯酰胺驱油剂的制备算法对上述输入的信息进行处理，以生成用于表示当前时间点的搅拌速度值应增大或应减小的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2为根据本申请实施例的复合聚丙烯酰胺驱油剂的制备方法中推断阶段的流程图。如图2所示，根据本申请实施例的复合聚丙烯酰胺驱油剂的制备方法，包括：推断阶段，包括：S110，获取由摄像头采集的预定时间段的混合乳液的状态监控视频，以及，所述预定时间段内多个预定时间点的搅拌速度值；S120，从所述状态监控视频提取多个状态监控关键帧；S130，将所述多个状态监控关键帧分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个乳液状态特征矩阵；S140，计算所述多个乳液状态特征矩阵中每两个乳液状态特征矩阵之间的转移矩阵以得到多个转移矩阵，并计算所述多个转移矩阵的全局均值以得到乳液状态时序特征向量；S150，将所述多个预定时间点的搅拌速度值按照时间维度排列为搅拌速度时序输入向量后通过多尺度邻域特征提取模块以得到搅拌速度时序特征向量；S160，计算所述乳液状态时序特征向量相对于所述搅拌速度时序特征向量的响应性估计以得到分类特征矩阵；以及，S170，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的搅拌速度值应增大或应减小。
图4为根据本申请实施例的复合聚丙烯酰胺驱油剂的制备方法中推断阶段的架构示意图。如图4所示，在推断阶段中，在该网络结构中，首先，获取由摄像头采集的预定时间段的混合乳液的状态监控视频，以及，所述预定时间段内多个预定时间点的搅拌速度值；接着，从所述状态监控视频提取多个状态监控关键帧；将所述多个状态监控关键帧分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个乳液状态特征矩阵；计算所述多个乳液状态特征矩阵中每两个乳液状态特征矩阵之间的转移矩阵以得到多个转移矩阵，并计算所述多个转移矩阵的全局均值以得到乳液状态时序特征向量；然后，将所述多个预定时间点的搅拌速度值按照时间维度排列为搅拌速度时序输入向量后通过多尺度邻域特征提取模块以得到搅拌速度时序特征向量；计算所述乳液状态时序特征向量相对于所述搅拌速度时序特征向量的响应性估计以得到分类特征矩阵；进而，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的搅拌速度值应增大或应减小
具体地，在步骤S110中，获取由摄像头采集的预定时间段的混合乳液的状态监控视频，以及，所述预定时间段内多个预定时间点的搅拌速度值。应可以理解，通过监控视频能够提取出混合乳液的乳化状态特征信息，但是其为小尺度的隐含特征信息，难以进行捕捉提取，考虑到混合乳液的乳化状态和搅拌速度值在时间维度上具有着时序协同动态关联变化特征信息，因此，在本申请的技术方案中，可通过基于混合乳液的乳化状态来进行搅拌速度值的自适应控制，以此来提高混合液的乳化情况和搅拌速度之间的适配性，进而确保搅拌的均匀性和乳化稳定性，提高制备出的复合聚丙烯酰胺驱油剂的品质。因此，在本申请的一个具体示例中，首先，可通过摄像头来获取预定时间段的混合乳液的状态监控视频，以及，通过搅拌速度传感器来获取所述预定时间段内多个预定时间点的搅拌速度值。
具体地，在步骤S120中，从所述状态监控视频提取多个状态监控关键帧。考虑到在所述状态监控视频中，关于所述混合乳液的乳化状态变化特征可以通过所述状态监控视频中相邻监控帧之间的差分来表示，也就是，通过相邻图像帧的图像表征来表示所述混合乳液的乳化状态变化情况。但是，考虑到所述状态监控视频中相邻帧的差异较小，存在大量数据冗余，因此，为了降低计算量，且避免数据冗余给检测带来的不良影响，以预定采样频率对所述状态监控视频进行关键帧采样，以从所述状态监控视频提取多个状态监控关键帧。这里，值得一提的是，所述采样频率可基于实际场景的应用需求做出调整，而不是默认值。
具体地，在步骤S130中，将所述多个状态监控关键帧分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个乳液状态特征矩阵。也就是，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述多个状态监控关键帧的特征挖掘，特别地，考虑到在对于所述各个状态监控关键帧的隐藏特征进行提取时，关于所述混合乳液的乳化状态特征信息在所述混合乳液的浅层纹理、颜色等特征中有所呈现。因此，为了能够更准确地检测出所述混合乳液的乳化状态情况，应更加关注于所述混合乳液的颜色和纹理等浅层特征，这些所述浅层特征对于所述混合乳液的乳化状态检测具有重要意义。然而，卷积神经网络在编码时，随着其深度的加深，浅层特征会变得模糊甚至被噪声所淹没。因此，在本申请的技术方案中，使用包含深浅特征融合模块的卷积神经网络模型来对所述各个状态监控关键帧进行处理以得到多个乳液状态特征矩阵。应可以理解，相较于标准卷积神经网络模型，根据本申请的所述卷积神经网络模型能够保留所述混合乳液的浅层特征和深层特征，以不仅使得特征信息更为丰富，且不同深度的特征能得以保留，以提高对于所述混合乳液的乳化状态检测的精度。在一个具体示例中，所述卷积神经网络包括相互级联的多个神经网络层，其中各个神经网络层包括卷积层、池化层和激活层。其中，在所述卷积神经网络的编码过程中，所述卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理，在本申请的技术方案中，所述卷积神经网络的最后一层的输出为多个乳液状态特征矩阵，所述卷积神经网络第一层的输入为多个状态监控关键帧。
图6为根据本申请实施例的复合聚丙烯酰胺驱油剂的制备方法中卷积神经网络编码的流程图。如图6所述，在所述卷积神经网络的编码过程中，包括：S210，从所述卷积神经网络模型的浅层提取浅层特征矩阵；S220，从所述卷积神经网络模型的深层提取深层特征矩阵；以及，S230，融合所述浅层特征矩阵和所述深层特征矩阵以得到所述乳液状态特征矩阵；其中，所述深层与所述浅层之间的比值大于等于5且小于等于10。
具体地，在步骤S140中，计算所述多个乳液状态特征矩阵中每两个乳液状态特征矩阵之间的转移矩阵以得到多个转移矩阵，并计算所述多个转移矩阵的全局均值以得到乳液状态时序特征向量。考虑到由于所述混合乳液的乳化状态在时间维度上具有着时序的动态变化特性，并且所述混合乳液的乳化状态时序动态变化特征信息在实际监测的过程中为小尺度的细微变化特征信息，难以通过传统的特征提取方式进行精准地捕捉提取。因此，在本申请的技术方案中，计算所述多个乳液状态特征矩阵中每两个乳液状态特征矩阵之间的转移矩阵以得到多个转移矩阵，以此来提取出每相邻两个所述状态监控关键帧下的关于所述混合乳液的乳化状态特征的差异性关联特征信息，即所述混合乳液的乳化状态特征在时间维度上的时序变化特征信息。接着，进一步再计算所述多个转移矩阵的全局均值，以此全局均值来刻画各个相邻监控关键帧下的关于混合乳液的乳化状态变化特征的全局表示，以便于后续进行所述混合乳液的乳化状态时序变化特征与搅拌速度的时序变化特征间的映射关联特征提取，从而得到乳液状态时序特征向量。在本申请的一个具体示例中，首先，以如下公式计算所述多个乳液状态特征矩阵中每两个乳液状态特征矩阵之间的转移矩阵以得到多个转移矩阵；其中，所述公式为：
Figure BDA0004183033270000151
其中V1和V2分别表示所述多个乳液状态特征矩阵中任意两个乳液状态特征矩阵，M表示所述转移矩阵；再计算所述多个转移矩阵的全局均值以得到乳液状态时序特征向量。
具体地，在步骤S150中，将所述多个预定时间点的搅拌速度值按照时间维度排列为搅拌速度时序输入向量后通过多尺度邻域特征提取模块以得到搅拌速度时序特征向量。应可以理解，所述搅拌速度值在时间维度上具有着时序的动态变化规律，并且其在所述预定时间段内的不同时间周期跨度下具有着不同的动态变化特性。因此，在本申请的技术方案中，将所述多个预定时间点的搅拌速度值按照时间维度排列为搅拌速度时序输入向量后通过多尺度邻域特征提取模块中进行特征挖掘，以提取出所述搅拌速度值在不同时间跨度下的动态多尺度邻域关联特征，从而得到搅拌速度时序特征向量。特别地，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。
图7为根据本申请实施例的复合聚丙烯酰胺驱油剂的制备方法中多尺度邻域特征提取的流程图。如图7所示，在所述多尺度邻域特征提取过程中，包括：S310，将所述搅拌速度时序输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度搅拌速度时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；S320，将所述搅拌速度时序输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度搅拌速度时序特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，S330，将所述第一邻域尺度搅拌速度时序特征向量和所述第二邻域尺度搅拌速度时序特征向量进行级联以得到所述搅拌速度时序特征向量。其中，所述S310，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下一维卷积公式对所述搅拌速度时序输入向量进行一维卷积编码以得到第一邻域尺度搅拌速度时序特征向量；其中，所述公式为：
Figure BDA0004183033270000161
其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述搅拌速度时序输入向量，Co1(X)表示对所述搅拌速度时序输入向量进行一维卷积编码；以及，所述S320，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下一维卷积公式对所述搅拌速度时序输入向量进行一维卷积编码以得到所述第二邻域尺度搅拌速度时序特征向量；其中，所述公式为：
Figure BDA0004183033270000162
其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述搅拌速度时序输入向量，Cov(X)表示对所述搅拌速度时序输入向量进行一维卷积编码。
具体地，在步骤S160中，计算所述乳液状态时序特征向量相对于所述搅拌速度时序特征向量的响应性估计以得到分类特征矩阵。考虑到由于所述混合乳液的乳化状态时序变化信息和所述搅拌速度值的时序动态变化信息在实际监测的过程中并不明显，因此，在得到所述乳液状态时序特征向量和所述搅拌速度时序特征向量后，期望对其进行特征表达强化。应可以理解，作为神经网络模型的学习目标，高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布，也就是，以特征分布作为先验分布，来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布，从而在更高维度上更准确地描述特征分布。因此，在本申请的技术方案中，可以通过所述混合乳液的乳化状态信息和所述搅拌速度值的先验分布，即高斯分布，来对于所述乳液状态时序特征向量和所述搅拌速度时序特征向量进行数据增强，也就是，基于高斯密度图对所述乳液状态时序特征向量和所述搅拌速度时序特征向量进行特征表达强化。具体地，分别构造所述乳液状态时序特征向量和所述搅拌速度时序特征向量的高斯密度图以得到乳液状态高斯密度图和搅拌速度高斯密度图。接着，再计算所述乳液状态高斯密度图相对于所述搅拌速度高斯密度图的响应性估计，以表示所述混合乳液的乳化状态时序动态变化特征与所述搅拌速度值的时序多尺度动态关联特征的关联性特征分布信息，即所述乳化状态时序变化特征与所述搅拌速度时序变化特征之间的映射关联特征，从而得到响应性高斯密度图。然后，对所述响应性高斯密度图进行高斯离散化处理，以在数据特征增广时不产生信息损失，从而得到分类特征矩阵。
图8为根据本申请实施例的复合聚丙烯酰胺驱油剂的制备方法中响应性估计计算过程的流程图。如图8所示，在所述响应性估计计算过程中，包括：S410，构造所述乳液状态时序特征向量和所述搅拌速度时序特征向量的高斯密度图以得到乳液状态高斯密度图和搅拌速度高斯密度图；S420，计算所述乳液状态高斯密度图相对于所述搅拌速度高斯密度图的响应性估计以得到响应性高斯密度图；以及，S430，对所述响应性高斯密度图中各个位置的高斯分布进行高斯离散化以得到所述分类特征矩阵。
具体地，在步骤S170中，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的搅拌速度值应增大或应减小。也就是，在得到所述分类特征矩阵后，进一步将所述分类特征矩阵通过分类器以得到用于表示当前时间点的搅拌速度值应增大或应减小的分类结果。具体地，使用所述分类器以如下公式对所述分类特征矩阵进行处理以获得分类结果，其中，所述公式为：
O＝softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置向量。具体地，所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的Softmax层。其中，在所述分类器的分类处理中，首先将所述分类特征矩阵投影为向量，例如，在一个具体的示例中，将所述分类特征矩阵沿着行向量或者列向量进行展开为分类特征向量；然后，使用所述分类器的多个全连接层对所述分类特征向量进行多次全连接编码以得到编码分类特征向量；进而，将所述编码分类特征向量输入所述分类器的Softmax层，即，使用所述Softmax分类函数对所述编码分类特征向量进行分类处理以得到分类标签。在本申请的技术方案中，所述分类器的标签包括当前时间点的反应温度值应增大(第一标签)，以及，当前时间点的搅拌速度值应减小(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“当前时间点的搅拌速度值应增大或应减小”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，搅拌速度值应增大或应减小的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“当前时间点的搅拌速度值应增大或应减小”的语言文本意义。应可以理解，在本申请的技术方案中，所述分类器的分类标签为所述当前时间点的搅拌速度值应增大或应减小的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述当前时间点的搅拌速度值增大或减小，以此来提高混合液的乳化情况和搅拌速度之间的适配性，进而确保搅拌的均匀性和乳化稳定性，提高制备出的复合聚丙烯酰胺驱油剂的品质。
应可以理解，在利用上述神经网络模型进行推断之前，需要对所述包含深浅特征融合模块的卷积神经网络模型、所述多尺度邻域特征提取模块和所述分类器进行训练。也就是说，在本申请的复合聚丙烯酰胺驱油剂的制备方法中，还包括训练模块，用于对所述包含深浅特征融合模块的卷积神经网络模型、所述多尺度邻域特征提取模块和所述分类器进行训练。
图3为根据本申请实施例的复合聚丙烯酰胺驱油剂的制备方法中训练阶段的流程图。如图3所示，根据本申请实施例的复合聚丙烯酰胺驱油剂的制备方法，还包括训练阶段，包括步骤：S1110，获取训练数据，所述训练数据包括预定时间段的混合乳液的训练状态监控视频，所述预定时间段内多个预定时间点的训练搅拌速度值，以及，所述当前时间点的搅拌速度值应增大或应减小的真实值；S1120，从所述训练状态监控视频提取多个训练状态监控关键帧；S1130，将所述多个训练状态监控关键帧分别通过所述包含深浅特征融合模块的卷积神经网络模型以得到多个训练乳液状态特征矩阵；S1140，计算所述多个训练乳液状态特征矩阵中每两个训练乳液状态特征矩阵之间的转移矩阵以得到多个训练转移矩阵，并计算所述多个训练转移矩阵的全局均值以得到训练乳液状态时序特征向量；S1150，将所述多个预定时间点的训练搅拌速度值按照时间维度排列为训练搅拌速度时序输入向量后通过所述多尺度邻域特征提取模块以得到训练搅拌速度时序特征向量；S1160，计算所述训练乳液状态时序特征向量相对于所述训练搅拌速度时序特征向量的响应性估计以得到训练分类特征矩阵；S1170，对所述训练分类特征矩阵进行类傅里叶尺度域概率修正以得到优化训练分类特征矩阵；S1180，将所述优化训练分类特征矩阵通过所述分类器以得到分类损失函数值；以及，S1190，以所述分类损失函数值作为损失函数值并通过梯度下降的反向传播来对所述包含深浅特征融合模块的卷积神经网络模型、所述多尺度邻域特征提取模块和所述分类器进行训练。
图5为根据本申请实施例的复合聚丙烯酰胺驱油剂的制备方法中训练阶段的架构示意图。如图5所示，在所述复合聚丙烯酰胺驱油剂的制备方法中，在训练过程中，首先，获取训练数据，所述训练数据包括预定时间段的混合乳液的训练状态监控视频，所述预定时间段内多个预定时间点的训练搅拌速度值，以及，所述当前时间点的搅拌速度值应增大或应减小的真实值；再从所述训练状态监控视频提取多个训练状态监控关键帧；接着，将所述多个训练状态监控关键帧分别通过所述包含深浅特征融合模块的卷积神经网络模型以得到多个训练乳液状态特征矩阵；计算所述多个训练乳液状态特征矩阵中每两个训练乳液状态特征矩阵之间的转移矩阵以得到多个训练转移矩阵，并计算所述多个训练转移矩阵的全局均值以得到训练乳液状态时序特征向量；然后，将所述多个预定时间点的训练搅拌速度值按照时间维度排列为训练搅拌速度时序输入向量后通过所述多尺度邻域特征提取模块以得到训练搅拌速度时序特征向量；计算所述训练乳液状态时序特征向量相对于所述训练搅拌速度时序特征向量的响应性估计以得到训练分类特征矩阵；对所述训练分类特征矩阵进行类傅里叶尺度域概率修正以得到优化训练分类特征矩阵；然后将所述优化训练分类特征矩阵通过所述分类器以得到分类损失函数值；进而，以所述分类损失函数值作为损失函数值并通过梯度下降的反向传播来对所述包含深浅特征融合模块的卷积神经网络模型、所述多尺度邻域特征提取模块和所述分类器进行训练。
特别地，在本申请的技术方案中，这里，在基于高斯密度图计算所述乳液状态时序特征向量相对于所述搅拌速度时序特征向量的响应性估计得到所述分类特征矩阵时，考虑到高斯离散化过程中尽管是基于响应性估计方差矩阵来进行采样以获得所述分类特征矩阵的垂直于所述乳液状态时序特征向量和所述搅拌速度时序特征向量的时序分布方向的概率密度分布，但在该方向上由于是基于概率密度进行采样仍然存在一定的随机性。因此，为了提升所述分类特征矩阵在与时序分布方向和概率密度分布方向的分布一致性，期望提升高斯密度图在计算响应性估计过程中在时序-概率密度交叉尺度空间内的特征学习关联度，从而提升所获得的分类特征矩阵的空间的不同维度上的分布一致性，以提升所述分类特征矩阵通过分类器得到的分类结果的准确性。基于此，在训练过程中，对于所述分类特征矩阵.进行类傅里叶尺度域概率修正，具体表示为：
Figure BDA0004183033270000201
其中，mi,是所述训练分类特征矩阵的第(i,j)位置的特征值，W和H分别是所述训练分类特征矩阵的高度和宽度，且α和β为用于尺度调节的超参数，exp(·)表示指数运算，m'i,j是所述优化训练分类特征矩阵的第(i,j)位置的特征值。这里，所述类傅里叶尺度域概率修正考虑到高维特征分布与其所在的尺度域的同源性，可以通过尺度空间的类傅里叶稀疏低秩变换，来基于尺度空间的低秩约束捕获同源空间下的潜在分布关联，从而在所述高斯密度图的训练过程中，在获得特征值的时序-概率密度交叉维度上的特征表示的同时，实现具有特征整体的交叉维度相干性的联合特征学习，以通过提高高斯密度图在整体时序-概率密度维度下的学习关联度，来提升所获得的所述分类特征矩阵的不同维度上的分布一致性，以提升所述分类特征矩阵通过分类器得到的分类结果的准确性。这样，能够实时准确地基于实际混合乳液的乳化状态情况来进行搅拌速度值的自适应控制，以此来提高混合液的乳化情况和搅拌速度之间的适配性，进而确保搅拌的均匀性和乳化稳定性，提高制备出的复合聚丙烯酰胺驱油剂的品质。
综上，根据本申请实施例的复合聚丙烯酰胺驱油剂的制备方法被阐明，其通过采用基于深度学习的神经网络模型挖掘出混合乳液的乳化状态和搅拌速度值在时间维度上的时序协同动态关联变化特征，进一步基于混合乳液的状态来对搅拌速度值进行自适应控制，以此来提高混合液的乳化情况和搅拌速度之间的适配性，进而确保搅拌的均匀性和乳化稳定性，提高制备出的复合聚丙烯酰胺驱油剂的品质。
示例性系统
图9为根据本申请实施例的复合聚丙烯酰胺驱油剂的制备系统的框图。如图9所示，根据本申请实施例的复合聚丙烯酰胺驱油剂的制备系统300，包括：信息采集模块310；关键帧提取模块320；深浅特征提取模块330；乳液状态时序特征向量计算模块340；多尺度邻域特征提取模块350；响应性估计模块360；以及，分类结果生成模块370。
其中，所述信息采集模块310，用于获取由摄像头采集的预定时间段的混合乳液的状态监控视频，以及，所述预定时间段内多个预定时间点的搅拌速度值；所述关键帧提取模块320，用于从所述状态监控视频提取多个状态监控关键帧；所述深浅特征提取模块330，用于将所述多个状态监控关键帧分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个乳液状态特征矩阵；所述乳液状态时序特征向量计算模块340，用于计算所述多个乳液状态特征矩阵中每两个乳液状态特征矩阵之间的转移矩阵以得到多个转移矩阵，并计算所述多个转移矩阵的全局均值以得到乳液状态时序特征向量；所述多尺度邻域特征提取模块350，用于将所述多个预定时间点的搅拌速度值按照时间维度排列为搅拌速度时序输入向量后通过多尺度邻域特征提取模块以得到搅拌速度时序特征向量；所述响应性估计模块360，用于计算所述乳液状态时序特征向量相对于所述搅拌速度时序特征向量的响应性估计以得到分类特征矩阵；以及，所述分类结果生成模块370，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的搅拌速度值应增大或应减小。
在一个示例中，在上述复合聚丙烯酰胺驱油剂的制备系统300中，所述深浅特征提取模块330，用于：从所述卷积神经网络模型的浅层提取浅层特征矩阵；从所述卷积神经网络模型的深层提取深层特征矩阵；以及，融合所述浅层特征矩阵和所述深层特征矩阵以得到所述乳液状态特征矩阵；其中，所述深层与所述浅层之间的比值大于等于5且小于等于10。
在一个示例中，在上述复合聚丙烯酰胺驱油剂的制备系统300中，所述乳液状态时序特征向量计算模块340，用于：以如下公式计算所述多个乳液状态特征矩阵中每两个乳液状态特征矩阵之间的转移矩阵以得到多个转移矩阵；其中，所述公式为：
Figure BDA0004183033270000221
其中V1和V2分别表示所述多个乳液状态特征矩阵中任意两个乳液状态特征矩阵，M表示所述转移矩阵；以及，计算所述多个转移矩阵的全局均值以得到乳液状态时序特征向量。
在一个示例中，在上述复合聚丙烯酰胺驱油剂的制备系统300中，所述多尺度邻域特征提取模块350，用于：将所述搅拌速度时序输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度搅拌速度时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述搅拌速度时序输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度搅拌速度时序特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一邻域尺度搅拌速度时序特征向量和所述第二邻域尺度搅拌速度时序特征向量进行级联以得到所述搅拌速度时序特征向量。其中，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。
在一个示例中，在上述复合聚丙烯酰胺驱油剂的制备系统300中，所述响应性估计模块360，用于：构造所述乳液状态时序特征向量和所述搅拌速度时序特征向量的高斯密度图以得到乳液状态高斯密度图和搅拌速度高斯密度图；计算所述乳液状态高斯密度图相对于所述搅拌速度高斯密度图的响应性估计以得到响应性高斯密度图；以及，对所述响应性高斯密度图中各个位置的高斯分布进行高斯离散化以得到所述分类特征矩阵。
综上，根据本申请实施例的复合聚丙烯酰胺驱油剂的制备系统300被阐明，其通过采用基于深度学习的神经网络模型挖掘出混合乳液的乳化状态和搅拌速度值在时间维度上的时序协同动态关联变化特征，进一步基于混合乳液的状态来对搅拌速度值进行自适应控制，以此来提高混合液的乳化情况和搅拌速度之间的适配性，进而确保搅拌的均匀性和乳化稳定性，提高制备出的复合聚丙烯酰胺驱油剂的品质。
如上所述，根据本申请实施例的复合聚丙烯酰胺驱油剂的制备系统可以实现在各种终端设备中。在一个示例中，根据本申请实施例的复合聚丙烯酰胺驱油剂的制备系统可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该复合聚丙烯酰胺驱油剂的制备系统可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该复合聚丙烯酰胺驱油剂的制备系统同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该复合聚丙烯酰胺驱油剂的制备系统与该终端设备也可以是分立的设备，并且该复合聚丙烯酰胺驱油剂的制备系统可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面，参考图10来描述根据本申请实施例的电子设备。
图10图示了根据本申请实施例的电子设备的框图。
如图10所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的复合聚丙烯酰胺驱油剂的制备方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如乳液状态特征矩阵等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图10中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的复合聚丙烯酰胺驱油剂的制备方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的复合聚丙烯酰胺驱油剂的制备方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (9)

1.一种复合聚丙烯酰胺驱油剂的制备方法，其特征在于，包括：
获取由摄像头采集的预定时间段的混合乳液的状态监控视频，以及，所述预定时间段内多个预定时间点的搅拌速度值；
从所述状态监控视频提取多个状态监控关键帧；
将所述多个状态监控关键帧分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个乳液状态特征矩阵；
计算所述多个乳液状态特征矩阵中每两个乳液状态特征矩阵之间的转移矩阵以得到多个转移矩阵，并计算所述多个转移矩阵的全局均值以得到乳液状态时序特征向量；
将所述多个预定时间点的搅拌速度值按照时间维度排列为搅拌速度时序输入向量后通过多尺度邻域特征提取模块以得到搅拌速度时序特征向量；
计算所述乳液状态时序特征向量相对于所述搅拌速度时序特征向量的响应性估计以得到分类特征矩阵；以及
将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的搅拌速度值应增大或应减小。
2.根据权利要求1所述的复合聚丙烯酰胺驱油剂的制备方法，其特征在于，将所述多个状态监控关键帧分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个乳液状态特征矩阵，包括：
从所述卷积神经网络模型的浅层提取浅层特征矩阵；
从所述卷积神经网络模型的深层提取深层特征矩阵；以及
融合所述浅层特征矩阵和所述深层特征矩阵以得到所述乳液状态特征矩阵；
其中，所述深层与所述浅层之间的比值大于等于5且小于等于10。
3.根据权利要求2所述的复合聚丙烯酰胺驱油剂的制备方法，其特征在于，计算所述多个乳液状态特征矩阵中每两个乳液状态特征矩阵之间的转移矩阵以得到多个转移矩阵，并计算所述多个转移矩阵的全局均值以得到乳液状态时序特征向量，包括：
以如下公式计算所述多个乳液状态特征矩阵中每两个乳液状态特征矩阵之间的转移矩阵以得到多个转移矩阵；
其中，所述公式为：
Figure FDA0004183033260000021
其中V1和V2分别表示所述多个乳液状态特征矩阵中任意两个乳液状态特征矩阵，M表示所述转移矩阵；以及
计算所述多个转移矩阵的全局均值以得到乳液状态时序特征向量。
4.根据权利要求3所述的复合聚丙烯酰胺驱油剂的制备方法，其特征在于，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。
5.根据权利要求4所述的复合聚丙烯酰胺驱油剂的制备方法，其特征在于，将所述多个预定时间点的搅拌速度值按照时间维度排列为搅拌速度时序输入向量后通过多尺度邻域特征提取模块以得到搅拌速度时序特征向量，包括：
将所述搅拌速度时序输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度搅拌速度时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；
将所述搅拌速度时序输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度搅拌速度时序特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及
将所述第一邻域尺度搅拌速度时序特征向量和所述第二邻域尺度搅拌速度时序特征向量进行级联以得到所述搅拌速度时序特征向量。
6.根据权利要求5所述的复合聚丙烯酰胺驱油剂的制备方法，其特征在于，计算所述乳液状态时序特征向量相对于所述搅拌速度时序特征向量的响应性估计以得到分类特征矩阵，包括：
构造所述乳液状态时序特征向量和所述搅拌速度时序特征向量的高斯密度图以得到乳液状态高斯密度图和搅拌速度高斯密度图；
计算所述乳液状态高斯密度图相对于所述搅拌速度高斯密度图的响应性估计以得到响应性高斯密度图；以及
对所述响应性高斯密度图中各个位置的高斯分布进行高斯离散化以得到所述分类特征矩阵。
7.根据权利要求6所述的复合聚丙烯酰胺驱油剂的制备方法，其特征在于，还包括对所述包含深浅特征融合模块的卷积神经网络模型、所述多尺度邻域特征提取模块和所述分类器进行训练；
其中，对所述包含深浅特征融合模块的卷积神经网络模型、所述多尺度邻域特征提取模块和所述分类器进行训练，包括：
获取训练数据，所述训练数据包括预定时间段的混合乳液的训练状态监控视频，所述预定时间段内多个预定时间点的训练搅拌速度值，以及，所述当前时间点的搅拌速度值应增大或应减小的真实值；
从所述训练状态监控视频提取多个训练状态监控关键帧；
将所述多个训练状态监控关键帧分别通过所述包含深浅特征融合模块的卷积神经网络模型以得到多个训练乳液状态特征矩阵；
计算所述多个训练乳液状态特征矩阵中每两个训练乳液状态特征矩阵之间的转移矩阵以得到多个训练转移矩阵，并计算所述多个训练转移矩阵的全局均值以得到训练乳液状态时序特征向量；
将所述多个预定时间点的训练搅拌速度值按照时间维度排列为训练搅拌速度时序输入向量后通过所述多尺度邻域特征提取模块以得到训练搅拌速度时序特征向量；
计算所述训练乳液状态时序特征向量相对于所述训练搅拌速度时序特征向量的响应性估计以得到训练分类特征矩阵；
对所述训练分类特征矩阵进行类傅里叶尺度域概率修正以得到优化训练分类特征矩阵；
将所述优化训练分类特征矩阵通过所述分类器以得到分类损失函数值；以及
以所述分类损失函数值作为损失函数值并通过梯度下降的反向传播来对所述包含深浅特征融合模块的卷积神经网络模型、所述多尺度邻域特征提取模块和所述分类器进行训练。
8.根据权利要求7所述的复合聚丙烯酰胺驱油剂的制备方法，其特征在于，对所述训练分类特征矩阵进行类傅里叶尺度域概率修正以得到优化训练分类特征矩阵，包括：
以如下优化公式对所述训练分类特征矩阵进行类傅里叶尺度域概率修正以得到所述优化训练分类特征矩阵；
其中，所述优化公式为：
Figure FDA0004183033260000041
其中，mi，j是所述训练分类特征矩阵的第(i，j)位置的特征值，W和R分别是所述训练分类特征矩阵的高度和宽度，且α和β为用于尺度调节的超参数，exp(·)表示指数运算，m′i，j是所述优化训练分类特征矩阵的第(i，j)位置的特征值。
9.根据权利要求8所述的复合聚丙烯酰胺驱油剂的制备方法，其特征在于，将所述优化训练分类特征矩阵通过所述分类器以得到分类损失函数值，包括：使用所述分类器以如下公式对所述优化训练分类特征矩阵进行处理以获得分类结果，其中，所述公式为：
O＝softmax{(Wn，Bn)：...：(W1，B1)|Project(F)}，其中Project(F)表示将所述优化训练分类特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置向量。
CN202310410624.XA 2023-04-14 2023-04-14 一种复合聚丙烯酰胺驱油剂的制备方法 Pending CN116434117A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310410624.XA CN116434117A (zh) 2023-04-14 2023-04-14 一种复合聚丙烯酰胺驱油剂的制备方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310410624.XA CN116434117A (zh) 2023-04-14 2023-04-14 一种复合聚丙烯酰胺驱油剂的制备方法

Publications (1)

Publication Number Publication Date
CN116434117A true CN116434117A (zh) 2023-07-14

Family

ID=87081172

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310410624.XA Pending CN116434117A (zh) 2023-04-14 2023-04-14 一种复合聚丙烯酰胺驱油剂的制备方法

Country Status (1)

Country Link
CN (1) CN116434117A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116680620A (zh) * 2023-07-28 2023-09-01 克拉玛依市紫光技术有限公司 一种压裂用防乳化剂的制备方法及其系统
CN116694129A (zh) * 2023-08-07 2023-09-05 济宁九德半导体科技有限公司 用于紫外固化型油墨制备的自动控制系统及其方法
CN116726788A (zh) * 2023-08-10 2023-09-12 克拉玛依市紫光技术有限公司 一种压裂用交联剂的制备方法
CN117942361A (zh) * 2024-03-19 2024-04-30 山东森杰清洁科技有限公司 一种医用消毒剂及其制备方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116680620A (zh) * 2023-07-28 2023-09-01 克拉玛依市紫光技术有限公司 一种压裂用防乳化剂的制备方法及其系统
CN116680620B (zh) * 2023-07-28 2023-10-27 克拉玛依市紫光技术有限公司 一种压裂用防乳化剂的制备方法及其系统
CN116694129A (zh) * 2023-08-07 2023-09-05 济宁九德半导体科技有限公司 用于紫外固化型油墨制备的自动控制系统及其方法
CN116694129B (zh) * 2023-08-07 2023-10-17 济宁九德半导体科技有限公司 用于紫外固化型油墨制备的自动控制系统及其方法
CN116726788A (zh) * 2023-08-10 2023-09-12 克拉玛依市紫光技术有限公司 一种压裂用交联剂的制备方法
CN116726788B (zh) * 2023-08-10 2023-11-10 克拉玛依市紫光技术有限公司 一种压裂用交联剂的制备方法
CN117942361A (zh) * 2024-03-19 2024-04-30 山东森杰清洁科技有限公司 一种医用消毒剂及其制备方法

Similar Documents

Publication Publication Date Title
CN116434117A (zh) 一种复合聚丙烯酰胺驱油剂的制备方法
Zhou et al. Context-reinforced semantic segmentation
Salehi et al. Generative adversarial networks (GANs): An overview of theoretical model, evaluation metrics, and recent developments
CN112016682B (zh) 视频表征学习、预训练方法及装置、电子设备、存储介质
CN116052050A (zh) 洗涤剂智能化生产系统及其方法
CN115896817A (zh) 氟氮混合气的生产方法及其系统
CN109146925B (zh) 一种动态场景下显著性目标检测方法
US11823490B2 (en) Non-linear latent to latent model for multi-attribute face editing
CN115936682A (zh) 印制线路板的废料回收系统及其方法
CN116015837A (zh) 用于计算机网络信息安全的入侵检测方法及系统
CN115775116B (zh) 基于bim的路桥工程管理方法及系统
CN116149280B (zh) 电子级氢氧化钾的智能生产系统
CN110111365A (zh) 基于深度学习的训练方法和装置以及目标跟踪方法和装置
US20230351566A1 (en) Exemplar-based object appearance transfer driven by correspondence
CN115983126A (zh) 异麦芽糖酐铁1000的智能化制备方法
Zhang et al. Unsupervised depth estimation from monocular videos with hybrid geometric-refined loss and contextual attention
Fu et al. Deep momentum uncertainty hashing
CN116434123A (zh) 一种用于玫瑰蒸馏加工的控制方法及系统
CN117935299A (zh) 基于多阶特征分支和局部注意力的行人重识别模型
Lin et al. Video person re-identification with global statistic pooling and self-attention distillation
CN115760869A (zh) 注意力引导的非线性扰动一致性半监督医学图像分割方法
Feng et al. CACNet: Salient object detection via context aggregation and contrast embedding
Zhu et al. LIGAA: Generative adversarial attack method based on low-frequency information
Yi et al. Priors-assisted dehazing network with attention supervision and detail preservation
Niu et al. Weakly supervised point cloud semantic segmentation with the fusion of heterogeneous network features

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination