CN116726788A - 一种压裂用交联剂的制备方法 - Google Patents
一种压裂用交联剂的制备方法 Download PDFInfo
- Publication number
- CN116726788A CN116726788A CN202311002696.7A CN202311002696A CN116726788A CN 116726788 A CN116726788 A CN 116726788A CN 202311002696 A CN202311002696 A CN 202311002696A CN 116726788 A CN116726788 A CN 116726788A
- Authority
- CN
- China
- Prior art keywords
- stirring speed
- feature vector
- state
- interaction
- feature
- 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.)
- Granted
Links
- 239000003431 cross linking reagent Substances 0.000 title claims abstract description 72
- 238000002360 preparation method Methods 0.000 title claims abstract description 56
- 238000003756 stirring Methods 0.000 claims abstract description 190
- 239000011259 mixed solution Substances 0.000 claims abstract description 53
- 238000002156 mixing Methods 0.000 claims abstract description 19
- 238000010992 reflux Methods 0.000 claims abstract description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 12
- 238000009833 condensation Methods 0.000 claims abstract description 11
- 230000005494 condensation Effects 0.000 claims abstract description 11
- 238000010438 heat treatment Methods 0.000 claims abstract description 8
- 150000005846 sugar alcohols Polymers 0.000 claims abstract description 7
- AZDRQVAHHNSJOQ-UHFFFAOYSA-N alumane Chemical class [AlH3] AZDRQVAHHNSJOQ-UHFFFAOYSA-N 0.000 claims abstract description 5
- 239000007809 chemical reaction catalyst Substances 0.000 claims abstract description 5
- 239000008367 deionised water Substances 0.000 claims abstract description 5
- 229910021641 deionized water Inorganic materials 0.000 claims abstract description 5
- 239000006185 dispersion Substances 0.000 claims abstract description 5
- 238000006460 hydrolysis reaction Methods 0.000 claims abstract description 5
- 150000007524 organic acids Chemical class 0.000 claims abstract description 5
- CMOAHYOGLLEOGO-UHFFFAOYSA-N oxozirconium;dihydrochloride Chemical compound Cl.Cl.[Zr]=O CMOAHYOGLLEOGO-UHFFFAOYSA-N 0.000 claims abstract description 5
- 239000003381 stabilizer Substances 0.000 claims abstract description 5
- 150000003609 titanium compounds Chemical class 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 172
- 230000003993 interaction Effects 0.000 claims description 79
- 239000007788 liquid Substances 0.000 claims description 63
- 238000000034 method Methods 0.000 claims description 38
- 238000006243 chemical reaction Methods 0.000 claims description 33
- 238000012544 monitoring process Methods 0.000 claims description 26
- 230000003247 decreasing effect Effects 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 10
- 239000011541 reaction mixture Substances 0.000 claims description 9
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 7
- 238000013019 agitation Methods 0.000 claims 3
- 239000003795 chemical substances by application Substances 0.000 claims 1
- 238000004132 cross linking Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 3
- HEMHJVSKTPXQMS-UHFFFAOYSA-M Sodium hydroxide Chemical compound [OH-].[Na+] HEMHJVSKTPXQMS-UHFFFAOYSA-M 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- 239000004971 Cross linker Substances 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000012295 chemical reaction liquid Substances 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 229920005862 polyol Polymers 0.000 description 2
- 150000003077 polyols Chemical class 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- AEQDJSLRWYMAQI-UHFFFAOYSA-N 2,3,9,10-tetramethoxy-6,8,13,13a-tetrahydro-5H-isoquinolino[2,1-b]isoquinoline Chemical compound C1CN2CC(C(=C(OC)C=C3)OC)=C3CC2C2=C1C=C(OC)C(OC)=C2 AEQDJSLRWYMAQI-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 229910021538 borax Inorganic materials 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 230000003197 catalytic effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- UQGFMSUEHSUPRD-UHFFFAOYSA-N disodium;3,7-dioxido-2,4,6,8,9-pentaoxa-1,3,5,7-tetraborabicyclo[3.3.1]nonane Chemical compound [Na+].[Na+].O1B([O-])OB2OB([O-])OB1O2 UQGFMSUEHSUPRD-UHFFFAOYSA-N 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000000176 sodium gluconate Substances 0.000 description 1
- 229940005574 sodium gluconate Drugs 0.000 description 1
- 235000012207 sodium gluconate Nutrition 0.000 description 1
- 235000010339 sodium tetraborate Nutrition 0.000 description 1
- 239000004328 sodium tetraborate Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
- B01F35/00—Accessories for mixers; Auxiliary operations or auxiliary devices; Parts or details of general application
- B01F35/20—Measuring; Control or regulation
- B01F35/22—Control or regulation
- B01F35/2201—Control or regulation characterised by the type of control technique used
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
- B01F35/00—Accessories for mixers; Auxiliary operations or auxiliary devices; Parts or details of general application
- B01F35/20—Measuring; Control or regulation
- B01F35/22—Control or regulation
- B01F35/221—Control or regulation of operational parameters, e.g. level of material in the mixer, temperature or pressure
- B01F35/2214—Speed during the operation
- B01F35/22142—Speed of the mixing device during the operation
- B01F35/221422—Speed of rotation of the mixing axis, stirrer or receptacle during the operation
-
- 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
- C09K8/60—Compositions for stimulating production by acting on the underground formation
- C09K8/62—Compositions for forming crevices or fractures
- C09K8/66—Compositions based on water or polar solvents
- C09K8/665—Compositions based on water or polar solvents containing inorganic compounds
-
- 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
- C09K8/60—Compositions for stimulating production by acting on the underground formation
- C09K8/62—Compositions for forming crevices or fractures
- C09K8/66—Compositions based on water or polar solvents
- C09K8/68—Compositions based on water or polar solvents containing organic compounds
- C09K8/685—Compositions based on water or polar solvents containing organic compounds containing cross-linking agents
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Organic Chemistry (AREA)
- Materials Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
公开了一种压裂用交联剂的制备方法。其首先将氧氯化锆、钛合物、铝盐和去离子水加入到四口烧瓶中，并通过水浴锅对所述四口烧瓶进行加热处理后，在所述四口烧瓶内安装冷凝管并进行回流处理以得到第一混合溶液，接着，将多元醇加入所述第一混合溶液中，并进行混合搅拌处理以得到第二混合溶液，然后，将水解反应催化剂加入所述第二混合溶液中搅拌混匀以得到第三混合溶液，接着，将有机酸加入所述第三混合溶液中，并进行冷凝回流处理以得到第四混合溶液，最后，将延迟调节剂和分散稳定剂加入所述第四混合溶液中，并进行冷凝回流处理以得到压裂用交联剂。这样，可以提高交联剂的制备质量。
Description
技术领域
本公开涉及智能制备领域，且更为具体地，涉及一种压裂用交联剂的制备方法。
背景技术
压裂是一种常用的油气开采技术，通过将高压液体注入岩石层，使其裂开并形成通道，以便油气能够流出并被采集。在压裂过程中，交联剂是一种重要的添加剂，它可以增加液体的黏度，提高液体在岩石层中的扩散能力，从而增加油气的采集效率。
在压裂用交联剂的制备方案中，通常需要将原料混合均匀以保证交联剂的制备效率和质量。因此，在搅拌过程中，搅拌速度对于交联剂的制备效果具有重要影响，过高或过低的搅拌速度都可能导致交联剂性能下降。然而，传统的压裂用交联剂制备方案通常依靠专业技术人员的经验和试错等方式来进确定搅拌速度，缺乏实时监测和反馈控制机制，从而导致交联剂在制备过程中的不确定性和效果不稳定性。并且，现有的方案只是将搅拌速度进行固定控制，并没有关注到与反应液混合的状态适配性，导致制备效果的不可控性，增加了制备过程的时间和成本。
因此，期望一种优化的压裂用交联剂制备方案。
发明内容
有鉴于此，本公开提出了一种压裂用交联剂的制备方法，其可以避免专业技术人员介入引起的低效率和低精准度的问题，从而优化搅拌速度的控制效果，节省制备过程的时间和成本，以提高交联剂的制备质量。
根据本公开的一方面，提供了一种压裂用交联剂的制备方法，其包括：将氧氯化锆、钛合物、铝盐和去离子水加入到四口烧瓶中，并通过水浴锅对所述四口烧瓶进行加热处理后，在所述四口烧瓶内安装冷凝管并进行回流处理以得到第一混合溶液；将多元醇加入所述第一混合溶液中，并进行混合搅拌处理以得到第二混合溶液；将水解反应催化剂加入所述第二混合溶液中搅拌混匀以得到第三混合溶液；将有机酸加入所述第三混合溶液中，并进行冷凝回流处理以得到第四混合溶液；以及将延迟调节剂和分散稳定剂加入所述第四混合溶液中，并进行冷凝回流处理以得到压裂用交联剂；在上述压裂用交联剂的制备方法中，将多元醇加入所述第一混合溶液中，并进行混合搅拌处理以得到第二混合溶液，包括：获取预定时间段内多个预定时间点的搅拌速度值；通过摄像头采集所述多个预定时间点的反应混合液的状态监控图像；对所述多个预定时间点的搅拌速度值和所述多个预定时间点的反应混合液的状态监控图像进行特征交互关联分析以得到状态-搅拌速度交互特征；以及基于所述状态-搅拌速度交互特征，确定当前时间点的搅拌速度值应增大或应减小；在上述压裂用交联剂的制备方法中，对所述多个预定时间点的搅拌速度值和所述多个预定时间点的反应混合液的状态监控图像进行特征交互关联分析以得到状态-搅拌速度交互特征，包括：对所述多个预定时间点的搅拌速度值进行时序特征提取以得到搅拌速度时序特征向量；对所述多个预定时间点的反应混合液的状态监控图像进行图像特征提取以得到混合液表面状态上下文特征向量；以及对所述搅拌速度时序特征向量和所述混合液表面状态上下文特征向量进行特征交互以得到状态-搅拌速度交互特征向量作为所述状态-搅拌速度交互特征。
在上述压裂用交联剂的制备方法中，对所述多个预定时间点的搅拌速度值进行时序特征提取以得到搅拌速度时序特征向量，包括：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基于一维卷积层的时序特征提取器以得到所述搅拌速度时序特征向量。在上述压裂用交联剂的制备方法中，对所述多个预定时间点的反应混合液的状态监控图像进行图像特征提取以得到混合液表面状态上下文特征向量，包括：将所述多个预定时间点的反应混合液的状态监控图像分别通过基于卷积神经网络模型的混合液表面状态特征提取器以得到多个混合液表面状态向量；以及将所述多个混合液表面状态向量通过基于转换器模块的混合液状态时序上下文编码器以得到所述混合液表面状态上下文特征向量。
在上述压裂用交联剂的制备方法中，对所述搅拌速度时序特征向量和所述混合液表面状态上下文特征向量进行特征交互以得到状态-搅拌速度交互特征向量作为所述状态-搅拌速度交互特征，包括：使用特征间注意力层来对所述混合液表面状态上下文特征向量和所述搅拌速度时序特征向量进行基于注意力机制的特征交互以得到所述状态-搅拌速度交互特征向量。在上述压裂用交联剂的制备方法中，基于所述状态-搅拌速度交互特征，确定当前时间点的搅拌速度值应增大或应减小，包括：对所述状态-搅拌速度交互特征向量进行特征分布优化以得到优化状态-搅拌速度交互特征向量；以及将所述优化状态-搅拌速度交互特征向量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。
在上述压裂用交联剂的制备方法中，对所述状态-搅拌速度交互特征向量进行特征分布优化以得到优化状态-搅拌速度交互特征向量，包括：对所述混合液表面状态上下文特征向量和所述搅拌速度时序特征向量进行希尔伯特空间启发式序列跟踪均衡化以得到融合特征向量；以及融合所述融合特征向量和所述状态-搅拌速度交互特征向量以得到所述优化状态-搅拌速度交互特征向量。
在上述压裂用交联剂的制备方法中，对所述混合液表面状态上下文特征向量和所述搅拌速度时序特征向量进行希尔伯特空间启发式序列跟踪均衡化以得到融合特征向量，包括：以如下优化公式对所述混合液表面状态上下文特征向量和所述搅拌速度时序特征向量进行希尔伯特空间启发式序列跟踪均衡化以得到所述融合特征向量；其中，所述优化公式为：其中，/>表示所述混合液表面状态上下文特征向量，/>表示所述搅拌速度时序特征向量，且特征向量/>和/>均为行向量，/>表示转置操作，/>表示特征向量/>和/>的级联向量的二范数，表示所述混合液表面状态上下文特征向量中所有位置的特征值的集合，/>表示所述搅拌速度时序特征向量中所有位置的特征值的集合，/>表示特征向量/>和/>的所有特征值构成的并集集合的均值，/>表示按位置点乘，/>表示向量加法，/>表示所述融合特征向量。
与现有技术相比，本公开提出了一种压裂用交联剂的制备方法，其可以避免专业技术人员介入引起的低效率和低精准度的问题，从而优化搅拌速度的控制效果，节省制备过程的时间和成本，以提高交联剂的制备质量。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出根据本公开的实施例的压裂用交联剂的制备方法的流程图。
图2示出根据本公开的实施例的压裂用交联剂的制备方法的子步骤S120的流程图。
图3示出根据本公开的实施例的压裂用交联剂的制备方法的子步骤S120的架构示意图。
图4示出根据本公开的实施例的压裂用交联剂的制备方法的子步骤S123的流程图。
图5示出根据本公开的实施例的压裂用交联剂的制备方法的子步骤S1232的流程图。
图6示出根据本公开的实施例的压裂用交联剂的制备方法的子步骤S124的流程图。
图7示出根据本公开的实施例的压裂用交联剂的制备方法的子步骤S1241的流程图。
图8示出根据本公开的实施例的压裂用交联剂的制备系统的框图。
图9示出根据本公开的实施例的压裂用交联剂的制备方法的应用场景图。
具体实施方式
下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本公开的部分实施例，而不是全部的实施例。基于本公开实施例，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，也属于本公开保护的范围。
如本公开和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
具体地，在本公开的技术方案中，提出了一种压裂用交联剂的制备方法，图1示出根据本公开的实施例的压裂用交联剂的制备方法的流程图。如图1所示，根据本公开实施例的压裂用交联剂的制备方法，包括步骤：S110，将氧氯化锆、钛合物、铝盐和去离子水加入到四口烧瓶中，并通过水浴锅对所述四口烧瓶进行加热处理后，在所述四口烧瓶内安装冷凝管并进行回流处理以得到第一混合溶液；S120，将多元醇加入所述第一混合溶液中，并进行混合搅拌处理以得到第二混合溶液；S130，将水解反应催化剂加入所述第二混合溶液中搅拌混匀以得到第三混合溶液；S140，将有机酸加入所述第三混合溶液中，并进行冷凝回流处理以得到第四混合溶液；以及，S150，将延迟调节剂和分散稳定剂加入所述第四混合溶液中，并进行冷凝回流处理以得到压裂用交联剂。
相应地，考虑到在将多元醇加入所述第一混合溶液中，并进行混合搅拌处理以得到第二混合溶液的过程中，搅拌速度不仅会影响反应混合液的混合度，而且还会影响反应混合液的散热状态，而这也就影响着催化剂的催化效果。因此，为了能够优化搅拌速度的控制效果，使得交联剂在制备过程中的效率和质量稳定，本公开的技术构思为基于反应混合液的反应状态来自适应地调整搅拌速度以使得两者之间能够协同。通过这样的方式，能够避免专业技术人员介入引起的低效率和低精准度的问题，从而优化搅拌速度的控制效果，节省制备过程的时间和成本，以提高交联剂的制备质量。
图2示出根据本公开的实施例的压裂用交联剂的制备方法的子步骤S120的流程图。图3示出根据本公开的实施例的压裂用交联剂的制备方法的子步骤S120的架构示意图。如图2和图3所示，根据本公开实施例的压裂用交联剂的制备方法，将多元醇加入所述第一混合溶液中，并进行混合搅拌处理以得到第二混合溶液，包括：S121，获取预定时间段内多个预定时间点的搅拌速度值；S122，通过摄像头采集所述多个预定时间点的反应混合液的状态监控图像；S123，对所述多个预定时间点的搅拌速度值和所述多个预定时间点的反应混合液的状态监控图像进行特征交互关联分析以得到状态-搅拌速度交互特征；以及，S124，基于所述状态-搅拌速度交互特征，确定当前时间点的搅拌速度值应增大或应减小。
具体地，在本公开的技术方案中，首先，获取预定时间段内多个预定时间点的搅拌速度值，并通过摄像头采集所述多个预定时间点的反应混合液的状态监控图像。接着，使用在图像的隐含特征提取方面具有优异表现性能的基于卷积神经网络模型的混合液表面状态特征提取器来分别进行所述多个预定时间点的反应混合液的状态监控图像的特征挖掘，以分别提取出所述多个预定时间点的反应混合液的状态监控图像中有关于所述反应混合液状态的隐含特征分布信息，从而得到多个混合液表面状态向量。
进一步地，还考虑到由于所述反应混合液的状态在时间维度上是不断变化的，也就是说，多个预定时间点的反应混合液的状态特征在时间维度上具有着时序的关联关系，因此，为了能够对于所述反应混合液的状态时序变化情况进行有效且充分地捕捉，在本公开的技术方案中，进一步将所述多个混合液表面状态向量通过基于转换器模块的混合液状态时序上下文编码器中进行特征挖掘，以提取出所述多个预定时间点的反应混合液的状态特征基于时序全局的上下文关联特征信息，从而得到混合液表面状态上下文特征向量。
然后，对于所述多个预定时间点的搅拌速度值来说，由于所述搅拌速度值在时间维度上也具有着时序的动态变化规律，其在时间维度上还与所述反应混合液的状态具有着相对应的时序协同关联特性。因此，在本公开的技术方案中，需要进一步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基于一维卷积层的时序特征提取器中进行特征挖掘，以提取出所述搅拌速度值在时间维度上的时序关联特征信息，从而得到搅拌速度时序特征向量。
进一步地，使用特征间注意力层来对所述混合液表面状态上下文特征向量和所述搅拌速度时序特征向量进行基于注意力机制的特征交互以得到状态-搅拌速度交互特征向量，以此来捕捉所述反应混合液的表面状态时序变化特征和所述搅拌速度值的时序变化特征之间的关联和相互影响。应可以理解，由于传统的注意力机制的目标是学习一个注意力权重矩阵，将较大的权重赋予重要的特征，较小的权重赋予次要的特征，从而选择出对当前任务目标更关键的信息。这种方式更侧重于对各个特征的重要性进行加权，而忽略了特征之间的依赖关系。而所述特征间注意力层能够通过基于注意力机制的特征交互，可以捕捉到所述反应混合液的表面状态时序变化特征和所述搅拌速度值的时序变化特征之间的相关性和相互影响，可以学习到不同特征之间的依赖关系，并根据这些依赖关系对特征进行交互和整合，从而得到状态-搅拌速度交互特征向量。
相应地，如图4所示，对所述多个预定时间点的搅拌速度值和所述多个预定时间点的反应混合液的状态监控图像进行特征交互关联分析以得到状态-搅拌速度交互特征，包括：S1231，对所述多个预定时间点的搅拌速度值进行时序特征提取以得到搅拌速度时序特征向量；S1232，对所述多个预定时间点的反应混合液的状态监控图像进行图像特征提取以得到混合液表面状态上下文特征向量；以及，S1233，对所述搅拌速度时序特征向量和所述混合液表面状态上下文特征向量进行特征交互以得到状态-搅拌速度交互特征向量作为所述状态-搅拌速度交互特征。
更具体地，在步骤S1231中，对所述多个预定时间点的搅拌速度值进行时序特征提取以得到搅拌速度时序特征向量，包括：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基于一维卷积层的时序特征提取器以得到所述搅拌速度时序特征向量。值得一提的是，一维卷积层是深度学习中常用的一种神经网络层，用于处理具有时序结构的数据。一维卷积层通过滑动一个卷积核（一个小的权重矩阵）在输入序列上进行卷积运算，从而提取出输入序列中的局部特征。卷积核在滑动过程中对输入序列的每个位置进行加权求和，生成一个新的特征值。这个过程可以捕捉到输入序列中的局部模式和关联信息。一维卷积层在时序数据处理中的应用主要有两个方面的作用：1.特征提取：通过卷积操作，一维卷积层可以提取出输入序列中的局部特征，对于搅拌速度时序数据，一维卷积层可以识别不同时间点上的速度变化模式，如上升、下降、平稳等，这些特征可以帮助模型理解和表示输入序列的结构和特性；2.维度减少：一维卷积层的卷积操作可以将输入序列的长度减小，从而减少后续层的计算复杂度，通过调整卷积核的大小和步长，可以控制输出特征的长度，这对于处理长序列数据是非常有用的，可以在保留重要信息的同时减少计算负担。换言之，一维卷积层在时序数据处理中具有提取特征和减少维度的作用，可以帮助模型更好地理解和分析搅拌速度时序数据。
更具体地，在步骤S1232中，如图5所示，对所述多个预定时间点的反应混合液的状态监控图像进行图像特征提取以得到混合液表面状态上下文特征向量，包括：S12321，将所述多个预定时间点的反应混合液的状态监控图像分别通过基于卷积神经网络模型的混合液表面状态特征提取器以得到多个混合液表面状态向量；以及，S12322，将所述多个混合液表面状态向量通过基于转换器模块的混合液状态时序上下文编码器以得到所述混合液表面状态上下文特征向量。值得一提的是，卷积神经网络（Convolutional Neural Network，CNN）是一种常用于图像处理和计算机视觉任务的深度学习模型。它在图像特征提取和模式识别方面表现出色。卷积神经网络通过在输入图像上应用一系列的卷积操作和非线性激活函数，从而提取出图像中的局部特征。卷积操作可以捕捉到图像中的空间结构和局部模式，而非线性激活函数则引入非线性变换，增强网络的表达能力。卷积神经网络的主要特点和用途如下：1.局部感知性：卷积操作通过滑动一个卷积核在输入图像上提取局部特征，这种局部感知性使得卷积神经网络能够有效地捕捉到图像中的局部模式，如边缘、纹理等；2.参数共享：卷积神经网络中的卷积核在整个图像上共享参数，这意味着网络可以通过学习一组共享的权重来处理不同位置的特征，这种参数共享减少了网络的参数量，提高了模型的效率和泛化能力；3.池化操作：卷积神经网络通常会在卷积层之间插入池化层，池化操作可以减小特征图的尺寸，同时保留重要的特征信息，它能够提高模型的鲁棒性和计算效率；4.图像分类和目标检测：卷积神经网络在图像分类和目标检测任务中取得了巨大成功，通过在网络的最后添加全连接层和softmax激活函数，可以将卷积神经网络应用于图像分类，而在目标检测任务中，可以通过在网络中引入额外的回归层和分类层，实现对图像中目标位置和类别的同时预测。即，卷积神经网络是一种用于图像处理和计算机视觉任务的深度学习模型，通过卷积操作和非线性激活函数提取图像中的局部特征，具有局部感知性、参数共享和池化操作等特点，适用于图像特征提取和模式识别。在混合液表面状态特征提取中，卷积神经网络可以帮助提取出混合液表面状态的局部特征，从而为后续的上下文编码提供有用的信息。
值得一提的是，转换器（Transformer）是一种用于处理序列数据的深度学习模型，最初被提出用于自然语言处理任务，如机器翻译和语言建模。它引入了自注意力机制（self-attention）来建模序列中的依赖关系，具有优秀的建模能力和并行计算性能。转换器模型的主要特点和用途如下：1.自注意力机制：转换器通过自注意力机制来计算序列中每个位置的表示，不同于传统的循环神经网络（RNN）或卷积神经网络（CNN）需要按顺序处理序列，自注意力机制能够捕捉序列中不同位置之间的依赖关系，允许模型在计算每个位置表示时考虑到整个序列的上下文信息；2.并行计算：由于自注意力机制的并行性质，转换器模型可以高效地进行并行计算，而不需要按顺序处理序列，这使得转换器在处理长序列数据时具有较好的计算性能，相比于RNN等模型更具优势；3.上下文编码：转换器模型通过多层自注意力和前馈神经网络层堆叠，逐步编码输入序列的上下文信息，这使得模型能够对序列中的每个位置进行全局建模，从而更好地理解序列的结构和语义。换言之，转换器是一种用于处理序列数据的深度学习模型，通过自注意力机制和并行计算优势，能够高效地捕捉序列中的依赖关系和上下文信息。
更具体地，在步骤S1233中，对所述搅拌速度时序特征向量和所述混合液表面状态上下文特征向量进行特征交互以得到状态-搅拌速度交互特征向量作为所述状态-搅拌速度交互特征，包括：使用特征间注意力层来对所述混合液表面状态上下文特征向量和所述搅拌速度时序特征向量进行基于注意力机制的特征交互以得到所述状态-搅拌速度交互特征向量。
进一步地，再将所述状态-搅拌速度交互特征向量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。也就是说，以所述反应液的搅拌速度时序变化特征和所述搅拌速度值的时序变化特征之间的交互关联特征来进行分类处理，以此来对于当前时间点的搅拌速度值进行自适应控制。这样，能够优化搅拌速度的控制效果，节省制备过程的时间和成本。
相应地，如图6所示，基于所述状态-搅拌速度交互特征，确定当前时间点的搅拌速度值应增大或应减小，包括：S1241，对所述状态-搅拌速度交互特征向量进行特征分布优化以得到优化状态-搅拌速度交互特征向量；以及，S1242，将所述优化状态-搅拌速度交互特征向量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。
更具体地，在步骤S1241中，如图7所示，对所述状态-搅拌速度交互特征向量进行特征分布优化以得到优化状态-搅拌速度交互特征向量，包括：S12411，对所述混合液表面状态上下文特征向量和所述搅拌速度时序特征向量进行希尔伯特空间启发式序列跟踪均衡化以得到融合特征向量；以及，S12412，融合所述融合特征向量和所述状态-搅拌速度交互特征向量以得到所述优化状态-搅拌速度交互特征向量。
特别地，在本公开的技术方案中，在使用特征间注意力层来对所述混合液表面状态上下文特征向量和所述搅拌速度时序特征向量进行基于注意力机制的特征交互得到所述状态-搅拌速度交互特征向量的情况下，所述特征间注意力层会对所述混合液表面状态上下文特征向量和所述搅拌速度时序特征向量进行依赖关系特征的提取，由此，如果可以进一步增强所述状态-搅拌速度交互特征向量对于所述混合液表面状态上下文特征向量和所述搅拌速度时序特征向量本身的反应混合液的状态监控图像的时序上下文关联的图像语义特征和搅拌速度值的一维时序局部关联特征的表示，则可以提升所述状态-搅拌速度交互特征向量的表达效果。
这里，本公开的申请人考虑到所述混合液表面状态上下文特征向量表达反应混合液的状态监控图像的图像语义特征的时序上下文关联特征，而所述搅拌速度时序特征向量表达所述搅拌速度值的一维时序局部关联特征，其在时序方向上会存在分布不均衡，而由于所述混合液表面状态上下文特征向量和所述搅拌速度时序特征向量都在时序方向上基于与预定时间点对应的局部时域的序列化排列，也就是，在整体时域空间内遵循基于序列的空间分布，因此，对所述混合液表面状态上下文特征向量，例如记为，以及所述搅拌速度时序特征向量，例如记为/>，来进行希尔伯特空间启发式序列跟踪均衡化，以得到融合特征向量，例如记为/>。
相应地，在一个具体示例中，对所述混合液表面状态上下文特征向量和所述搅拌速度时序特征向量进行希尔伯特空间启发式序列跟踪均衡化以得到融合特征向量，包括：以如下优化公式对所述混合液表面状态上下文特征向量和所述搅拌速度时序特征向量进行希尔伯特空间启发式序列跟踪均衡化以得到所述融合特征向量；其中，所述优化公式为：其中，/>表示所述混合液表面状态上下文特征向量，/>表示所述搅拌速度时序特征向量，且特征向量/>和/>均为行向量，/>表示转置操作，/>表示特征向量/>和/>的级联向量的二范数，/>表示所述混合液表面状态上下文特征向量中所有位置的特征值的集合，/>表示所述搅拌速度时序特征向量中所有位置的特征值的集合，/>表示特征向量/>和/>的所有特征值构成的并集集合的均值，/>表示按位置点乘，/>表示向量加法，/>表示所述融合特征向量。
根据本公开的另一方面，提供了一种压裂用交联剂，其中，所述压裂用交联剂由前述的压裂用交联剂的制备方法制得。
这里，利用具有内积的希尔伯特空间的完备内积空间特性，来通过所述混合液表面状态上下文特征向量和所述搅拌速度时序特征向量/>的序列聚合的集合性均值（collective average），探索所述混合液表面状态上下文特征向量/>和所述搅拌速度时序特征向量/>经由时序融合的特征空间内的基于序列的空间分布启发式（heuristics），从而将所述混合液表面状态上下文特征向量/>和所述搅拌速度时序特征向量/>的各个局部特征分布转化为融合空间内的序列跟踪实例（tracked instance），以实现序列的特征空间分布的跟踪小片段认知的（tracklet-aware）分布均衡化，这样，再将所述融合特征向量进一步与所述状态-搅拌速度交互特征向量融合，就可以增强所述状态-搅拌速度交互特征向量对于所述混合液表面状态上下文特征向量和所述搅拌速度时序特征向量本身的反应混合液的状态监控图像的时序上下文关联的图像语义特征和搅拌速度值的一维时序局部关联特征的表示，从而提升所述状态-搅拌速度交互特征向量的表达效果。这样，能够基于实际的反应混合液的反应状态变化情况来实时进行搅拌速度值的自适应控制，以此来优化搅拌速度的控制效果，节省制备过程的时间和成本，从而提高交联剂的制备质量。
更具体地，在步骤S1242中，将所述优化状态-搅拌速度交互特征向量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，包括：使用所述分类器的全连接层对所述优化状态-搅拌速度交互特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
也就是，在本公开的技术方案中，所述分类器的标签包括当前时间点的搅拌速度值应增大(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优化状态-搅拌速度交互特征向量属于哪个分类标签。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1。因此，当前时间点的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，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、支持向量机（SVM）等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或支持向量机，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。
综上，基于本公开实施例的压裂用交联剂的制备方法，其可以避免专业技术人员介入引起的低效率和低精准度的问题，从而优化搅拌速度的控制效果，节省制备过程的时间和成本，以提高交联剂的制备质量。
图8示出根据本公开的实施例的压裂用交联剂的制备系统100的框图。如图8所示，根据本公开实施例的压裂用交联剂的制备系统100，包括：第一混合模块110，用于将氧氯化锆、钛合物、铝盐和去离子水加入到四口烧瓶中，并通过水浴锅对所述四口烧瓶进行加热处理后，在所述四口烧瓶内安装冷凝管并进行回流处理以得到第一混合溶液；第二混合模块120，用于将多元醇加入所述第一混合溶液中，并进行混合搅拌处理以得到第二混合溶液；第三混合模块130，用于将水解反应催化剂加入所述第二混合溶液中搅拌混匀以得到第三混合溶液；第四混合模块140，用于将有机酸加入所述第三混合溶液中，并进行冷凝回流处理以得到第四混合溶液；以及，冷凝回流处理模块150，用于将延迟调节剂和分散稳定剂加入所述第四混合溶液中，并进行冷凝回流处理以得到压裂用交联剂。
这里，本领域技术人员可以理解，上述压裂用交联剂的制备系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图7的压裂用交联剂的制备方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本公开实施例的压裂用交联剂的制备系统100可以实现在各种无线终端中，例如具有压裂用交联剂的制备算法的服务器等。在一种可能的实现方式中，根据本公开实施例的压裂用交联剂的制备系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该压裂用交联剂的制备系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该压裂用交联剂的制备系统100同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该压裂用交联剂的制备系统100与该无线终端也可以是分立的设备，并且该压裂用交联剂的制备系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
图9示出根据本公开的实施例的压裂用交联剂的制备方法的应用场景图。如图9所示，在该应用场景中，首先，获取预定时间段内多个预定时间点的搅拌速度值（例如，图9中所示意的D1），以及，通过摄像头采集所述多个预定时间点的反应混合液的状态监控图像（例如，图9中所示意的D2），然后，将所述多个预定时间点的搅拌速度值和所述多个预定时间点的反应混合液的状态监控图像输入至部署有压裂用交联剂的制备算法的服务器中（例如，图9中所示意的S），其中，所述服务器能够使用所述压裂用交联剂的制备算法对所述多个预定时间点的搅拌速度值和所述多个预定时间点的反应混合液的状态监控图像进行处理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。
值得一提的是，在生产前应进行检查，包括：（1）打开厂房大门、窗户、风机，确保厂房生产环境通风良好；（2）检查反应釜放液阀是否关闭，检查液管是否在釜内；（3）检查齿轮泵进液管线和出液管线是否正确，是否有松动，齿轮泵能否自由转动；（4）检查锅炉以及加热管线是否运转正常；（5）检查反应釜是否清洗干净；（6）上述一切检查正常后，可以进入下步工序—生产。
在本公开的另一个实施例中，还提供一种生产工序，首先，按照产品配方准备配料；接着，先打开锅炉热循环，然后在反应釜中从下方抽药口先抽取单体，打开搅拌器，下方抽药口抽取丙三醇，搅拌15分钟后，在上方投料口中加入四硼酸钠、氢氧化钠，直至温度升至40℃并持续10分钟，在上方投料口加入葡萄糖酸钠及复合物并继续升温，直到温度达到反应温度82℃~85℃，保持恒温，在低速搅拌恒温的条件下反应5小时，然后，关掉锅炉加热，进行冷水循环，将加热的管线打到加热房去加热原料，水循环持续一段时间，至料口温度降低至30℃，关掉冷循环，并开始放料。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (7)
1.一种压裂用交联剂的制备方法，其特征在于，包括：将氧氯化锆、钛合物、铝盐和去离子水加入到四口烧瓶中，并通过水浴锅对所述四口烧瓶进行加热处理后，在所述四口烧瓶内安装冷凝管并进行回流处理以得到第一混合溶液；将多元醇加入所述第一混合溶液中，并进行混合搅拌处理以得到第二混合溶液；将水解反应催化剂加入所述第二混合溶液中搅拌混匀以得到第三混合溶液；将有机酸加入所述第三混合溶液中，并进行冷凝回流处理以得到第四混合溶液；以及将延迟调节剂和分散稳定剂加入所述第四混合溶液中，并进行冷凝回流处理以得到压裂用交联剂；其中，将多元醇加入所述第一混合溶液中，并进行混合搅拌处理以得到第二混合溶液，包括：获取预定时间段内多个预定时间点的搅拌速度值；通过摄像头采集所述多个预定时间点的反应混合液的状态监控图像；对所述多个预定时间点的搅拌速度值和所述多个预定时间点的反应混合液的状态监控图像进行特征交互关联分析以得到状态-搅拌速度交互特征；以及基于所述状态-搅拌速度交互特征，确定当前时间点的搅拌速度值应增大或应减小；其中，对所述多个预定时间点的搅拌速度值和所述多个预定时间点的反应混合液的状态监控图像进行特征交互关联分析以得到状态-搅拌速度交互特征，包括：对所述多个预定时间点的搅拌速度值进行时序特征提取以得到搅拌速度时序特征向量；对所述多个预定时间点的反应混合液的状态监控图像进行图像特征提取以得到混合液表面状态上下文特征向量；以及对所述搅拌速度时序特征向量和所述混合液表面状态上下文特征向量进行特征交互以得到状态-搅拌速度交互特征向量作为所述状态-搅拌速度交互特征。
2.根据权利要求1所述的压裂用交联剂的制备方法，其特征在于，对所述多个预定时间点的搅拌速度值进行时序特征提取以得到搅拌速度时序特征向量，包括：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基于一维卷积层的时序特征提取器以得到所述搅拌速度时序特征向量。
3.根据权利要求2所述的压裂用交联剂的制备方法，其特征在于，对所述多个预定时间点的反应混合液的状态监控图像进行图像特征提取以得到混合液表面状态上下文特征向量，包括：将所述多个预定时间点的反应混合液的状态监控图像分别通过基于卷积神经网络模型的混合液表面状态特征提取器以得到多个混合液表面状态向量；以及将所述多个混合液表面状态向量通过基于转换器模块的混合液状态时序上下文编码器以得到所述混合液表面状态上下文特征向量。
4.根据权利要求3所述的压裂用交联剂的制备方法，其特征在于，对所述搅拌速度时序特征向量和所述混合液表面状态上下文特征向量进行特征交互以得到状态-搅拌速度交互特征向量作为所述状态-搅拌速度交互特征，包括：使用特征间注意力层来对所述混合液表面状态上下文特征向量和所述搅拌速度时序特征向量进行基于注意力机制的特征交互以得到所述状态-搅拌速度交互特征向量。
5.根据权利要求4所述的压裂用交联剂的制备方法，其特征在于，基于所述状态-搅拌速度交互特征，确定当前时间点的搅拌速度值应增大或应减小，包括：对所述状态-搅拌速度交互特征向量进行特征分布优化以得到优化状态-搅拌速度交互特征向量；以及将所述优化状态-搅拌速度交互特征向量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。
6.根据权利要求5所述的压裂用交联剂的制备方法，其特征在于，对所述状态-搅拌速度交互特征向量进行特征分布优化以得到优化状态-搅拌速度交互特征向量，包括：对所述混合液表面状态上下文特征向量和所述搅拌速度时序特征向量进行希尔伯特空间启发式序列跟踪均衡化以得到融合特征向量；以及融合所述融合特征向量和所述状态-搅拌速度交互特征向量以得到所述优化状态-搅拌速度交互特征向量。
7.根据权利要求6所述的压裂用交联剂的制备方法，其特征在于，对所述混合液表面状态上下文特征向量和所述搅拌速度时序特征向量进行希尔伯特空间启发式序列跟踪均衡化以得到融合特征向量，包括：以如下优化公式对所述混合液表面状态上下文特征向量和所述搅拌速度时序特征向量进行希尔伯特空间启发式序列跟踪均衡化以得到所述融合特征向量；其中，所述优化公式为：其中，表示所述混合液表面状态上下文特征向量，/>表示所述搅拌速度时序特征向量，且特征向量/>和/>均为行向量，/>表示转置操作，/>表示特征向量/>和/>的级联向量的二范数，/>表示所述混合液表面状态上下文特征向量中所有位置的特征值的集合，/>表示所述搅拌速度时序特征向量中所有位置的特征值的集合，/>表示特征向量/>和/>的所有特征值构成的并集集合的均值，/>表示按位置点乘，/>表示向量加法，/>表示所述融合特征向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311002696.7A CN116726788B (zh) | 2023-08-10 | 2023-08-10 | 一种压裂用交联剂的制备方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311002696.7A CN116726788B (zh) | 2023-08-10 | 2023-08-10 | 一种压裂用交联剂的制备方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116726788A true CN116726788A (zh) | 2023-09-12 |
| CN116726788B CN116726788B (zh) | 2023-11-10 |
Family
ID=87906325
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311002696.7A Active CN116726788B (zh) | 2023-08-10 | 2023-08-10 | 一种压裂用交联剂的制备方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116726788B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116930401A (zh) * | 2023-09-19 | 2023-10-24 | 常州建昊建筑鉴定检测有限公司 | 建筑工程保温材料燃烧性能检测设备及方法 |
| CN116953859A (zh) * | 2023-09-18 | 2023-10-27 | 广东连捷精密技术有限公司 | 一种多通道高速光口连接器及光连接方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112126420A (zh) * | 2020-09-04 | 2020-12-25 | 四川省威沃敦化工有限公司 | 一种压裂用交联剂及其制备方法 |
| CN114742115A (zh) * | 2022-06-13 | 2022-07-12 | 西南交通大学 | 基于温振特征融合的滚动轴承故障诊断模型及诊断方法 |
| CN115909171A (zh) * | 2022-12-19 | 2023-04-04 | 浙江金汇华特种耐火材料有限公司 | 钢包透气砖生产方法及其系统 |
| CN116048031A (zh) * | 2023-03-31 | 2023-05-02 | 克拉玛依市蓝润环保科技有限责任公司 | 用于石油助剂生产的控制系统及其方法 |
| CN116127385A (zh) * | 2023-03-06 | 2023-05-16 | 高州市石生源生物科技发展有限公司 | 一种香蕉粉及其制备方法 |
| CN116189078A (zh) * | 2022-12-28 | 2023-05-30 | 温州金马文具用品制造有限公司 | 一种水基丙烯墨水的智能化制备方法及其系统 |
| CN116351278A (zh) * | 2023-04-06 | 2023-06-30 | 浙江久石工研建材科技有限公司 | 一种非水泥基贴片石粘结胶泥及其制备方法 |
| CN116434117A (zh) * | 2023-04-14 | 2023-07-14 | 河南正佳能源环保股份有限公司 | 一种复合聚丙烯酰胺驱油剂的制备方法 |
| CN116463079A (zh) * | 2023-05-10 | 2023-07-21 | 东莞市成铭胶粘剂有限公司 | 胶黏剂的智能化制备方法及其系统 |
-
2023
- 2023-08-10 CN CN202311002696.7A patent/CN116726788B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112126420A (zh) * | 2020-09-04 | 2020-12-25 | 四川省威沃敦化工有限公司 | 一种压裂用交联剂及其制备方法 |
| CN114742115A (zh) * | 2022-06-13 | 2022-07-12 | 西南交通大学 | 基于温振特征融合的滚动轴承故障诊断模型及诊断方法 |
| CN115909171A (zh) * | 2022-12-19 | 2023-04-04 | 浙江金汇华特种耐火材料有限公司 | 钢包透气砖生产方法及其系统 |
| CN116189078A (zh) * | 2022-12-28 | 2023-05-30 | 温州金马文具用品制造有限公司 | 一种水基丙烯墨水的智能化制备方法及其系统 |
| CN116127385A (zh) * | 2023-03-06 | 2023-05-16 | 高州市石生源生物科技发展有限公司 | 一种香蕉粉及其制备方法 |
| CN116048031A (zh) * | 2023-03-31 | 2023-05-02 | 克拉玛依市蓝润环保科技有限责任公司 | 用于石油助剂生产的控制系统及其方法 |
| CN116351278A (zh) * | 2023-04-06 | 2023-06-30 | 浙江久石工研建材科技有限公司 | 一种非水泥基贴片石粘结胶泥及其制备方法 |
| CN116434117A (zh) * | 2023-04-14 | 2023-07-14 | 河南正佳能源环保股份有限公司 | 一种复合聚丙烯酰胺驱油剂的制备方法 |
| CN116463079A (zh) * | 2023-05-10 | 2023-07-21 | 东莞市成铭胶粘剂有限公司 | 胶黏剂的智能化制备方法及其系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116953859A (zh) * | 2023-09-18 | 2023-10-27 | 广东连捷精密技术有限公司 | 一种多通道高速光口连接器及光连接方法 |
| CN116930401A (zh) * | 2023-09-19 | 2023-10-24 | 常州建昊建筑鉴定检测有限公司 | 建筑工程保温材料燃烧性能检测设备及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116726788B (zh) | 2023-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116726788B (zh) | 一种压裂用交联剂的制备方法 | |
| CN107392368B (zh) | 一种基于气象预报的办公建筑动态热负荷组合预测方法 | |
| CN116832588B (zh) | 酸再生烟气净化装置及其方法 | |
| Deng et al. | Integrating feature optimization using a dynamic convolutional neural network for chemical process supervised fault classification | |
| Deng et al. | Semi-supervised discriminative projective dictionary pair learning and its application to industrial process | |
| Jia et al. | Transfer learning for end-product quality prediction of batch processes using domain-adaption joint-Y PLS | |
| US11734388B2 (en) | Method and apparatus for predicting time-series data | |
| US20200217544A1 (en) | Electronic device and control method thereof | |
| CN113012169A (zh) | 一种基于非局部注意力机制的全自动抠图方法 | |
| CN116285481A (zh) | 涂料的生产加工方法及其系统 | |
| Liu et al. | A robust reliability prediction method using weighted least square support vector machine equipped with chaos modified particle swarm optimization and online correcting strategy | |
| WO2023114661A1 (en) | A concept for placing an execution of a computer program | |
| CN117308077A (zh) | 一种反应堆核电机组蒸发器给水控制系统 | |
| CN116624977B (zh) | 一种基于人工智能的楼宇自控系统及其方法 | |
| CN116562156B (zh) | 一种控制决策模型的训练方法、装置、设备及存储介质 | |
| CN111781840B (zh) | 基于深度强化学习无模型自适应混水温度控制系统及方法 | |
| CN116166072A (zh) | 电子级六氟丙烯裂解温度控制系统 | |
| CN115751441A (zh) | 基于二次侧流量的供热系统热力站热量调节方法及系统 | |
| CN111222708B (zh) | 一种基于迁移学习动态建模的发电厂燃烧炉温度预测方法 | |
| CN114943277A (zh) | 一种综合能源系统运行工况识别与运行性能预测方法 | |
| CN114528749A (zh) | 模型确定方法、装置、电子设备以及存储介质 | |
| CN111368408A (zh) | 基于seq2seq的数据中心能效优化连续决策方法 | |
| Zhang et al. | Active learning strategy for online prediction of particle size distribution in cobalt oxalate synthesis process | |
| CN113628695A (zh) | 一种玻璃黏度预测方法及系统 | |
| Wang et al. | Research on leak detection of water pipeline base on PSO-SVM |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |