CN117345161B - 乳化沥青封堵剂的自应式复配测定方法、系统和执行器 - Google Patents

乳化沥青封堵剂的自应式复配测定方法、系统和执行器 Download PDF

Info

Publication number
CN117345161B
CN117345161B CN202311616648.7A CN202311616648A CN117345161B CN 117345161 B CN117345161 B CN 117345161B CN 202311616648 A CN202311616648 A CN 202311616648A CN 117345161 B CN117345161 B CN 117345161B
Authority
CN
China
Prior art keywords
emulsified asphalt
self
plugging agent
vector
calcium carbonate
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.)
Active
Application number
CN202311616648.7A
Other languages
English (en)
Other versions
CN117345161A (zh
Inventor
张占山
黎楠
张虎
张楠
荣闯
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.)
Hebei Huayun Hongye Chemical Industry Co ltd
Original Assignee
Hebei Huayun Hongye Chemical Industry 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 Hebei Huayun Hongye Chemical Industry Co ltd filed Critical Hebei Huayun Hongye Chemical Industry Co ltd
Priority to CN202311616648.7A priority Critical patent/CN117345161B/zh
Publication of CN117345161A publication Critical patent/CN117345161A/zh
Application granted granted Critical
Publication of CN117345161B publication Critical patent/CN117345161B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • E—FIXED CONSTRUCTIONS
    • E21—EARTH DRILLING; MINING
    • E21B—EARTH DRILLING, e.g. DEEP DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B33/00—Sealing or packing boreholes or wells
    • E21B33/10—Sealing or packing boreholes or wells in the borehole
    • E21B33/13—Methods or devices for cementing, for plugging holes, crevices, or the like
    • E21B33/138—Plastering the borehole wall; Injecting into the formation
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH DRILLING; MINING
    • E21B—EARTH DRILLING, e.g. DEEP DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
    • G01F1/00—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/90—Programming languages; Computing architectures; Database systems; Data warehousing
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH DRILLING; MINING
    • E21B—EARTH DRILLING, e.g. DEEP DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B2200/00—Special features related to earth drilling for obtaining oil, gas or water
    • E21B2200/20—Computer models or simulations, e.g. for reservoirs under production, drill bits

Abstract

本发明公开了乳化沥青封堵剂的自应式复配测定方法、系统和执行器；每个元胞i作为一个Moore邻域Ni的中心元胞。Moore邻域Ni为：；Moore邻域Ni为以元胞i为中心的九个元胞的集合，包括元胞i自身以及其周围的八个相邻元胞。S102、执行转移：使用转移函数F，将基浆容量C作为变量，对每个Moore邻域Ni执行转移，并输出第一预测向量DV1。本发明所提供的技术允许根据实际条件和反馈信息自动调整乳化沥青封堵剂的复配，以实现最佳的封堵效果。不同井壁稳定问题可能需要不同的封堵剂组分，这种自适应性调整确保了在各种情况下都能够取得最佳封堵效果。

Description

乳化沥青封堵剂的自应式复配测定方法、系统和执行器
技术领域
本发明涉及钻井工程技术领域，特别涉及乳化沥青封堵剂的自应式复配测定方法、系统和执行器。
背景技术
井壁稳定问题是钻井工程中普遍存在且非常严重的挑战，乳化沥青防塌封堵剂在钻井工程中可以用来解决泥页岩井壁稳定问题。防塌钻井液技术一直是泥页岩井壁稳定的重要执行元素[1-3]。泥页岩井壁稳定问题主要涉及到井壁的坍塌和泥页岩的膨胀等问题，这可能导致井壁塌陷、井眼扩大以及其他严重的钻井问题。
防塌封堵剂在这一背景下发挥着关键作用，它们用于加强井壁的稳定性，减少泥页岩井壁的塌陷和膨胀[4]。
乳化沥青防塌封堵剂的原理在于[5-8]：防塌封堵剂通常包括乳化沥青等成分，乳化沥青等防塌封堵剂是粘稠的液体，可以进入泥页岩中的细小缝隙和裂缝；它们填充这些空隙，减少了泥页岩颗粒之间的间隙，从而提高了井壁的密实性；这防止了泥页岩颗粒的脱落和井壁的坍塌；而且防塌封堵剂具有粘结性，能够将泥页岩颗粒粘合在一起，形成一个更坚固的结构；这减少了井壁颗粒的分散，增加了其稳定性；
一般来说，现场应用中一般采用1~2种封堵剂执行[9]，通过填充和粘结作用，将其混合进矿井液中；通过这种作业模式，矿井液中的防塌封堵剂组分可以增强泥页岩井壁的强度；这有助于减少井壁的崩塌和坍塌风险，提高了井壁的稳定性；同时某些泥页岩具有在受水分影响时膨胀的倾向；防塌封堵剂可以降低泥页岩对水的吸收，从而减少了膨胀；这对维持井壁的稳定性至关重要，因为泥页岩的膨胀可能导致井壁崩塌和井眼扩大；
最新研究及其研究数据表明[10]，“3%超细碳酸钙粉（1000目）+2%乳化沥青+95%基浆”的复配标准下的封堵剂，其作用于矿井后的瞬时滤失小，总的滤失量小，10 min后滤失量几乎没有增幅，封堵效果最优。
然而在施工过程中，由于一些不可控因素，特别是基浆的流量难以在实际执行中精确控制（受限于流量波动、施工条件、环境因素等），导致无法达到实验条件下的理想效果。这意味着虽然实验条件下的最佳配比“看起来”有效，但在实际场景中并不能满足实验中的理想条件，导致实际效果无法复现实验效果，最终导致滤失量增加和封堵效果下降。
可以理解的是，合理的防塌封堵剂及复配有利于充分发挥各种封堵剂的作用，实现封堵性能的最优化。因此，为了进一步自适应于现有技术中的不可控因素，使得乳化沥青防塌封堵剂的复配更好的满足不同情况下的泥页岩井壁稳定问题，本申请旨在提供一种智能的预测式模型，结合最新研究及其研究数据[10]给定的标准，实现对乳化沥青防塌封堵剂组分的自适应复配调控。
为此，本发明提出乳化沥青封堵剂的自应式复配测定方法、系统和执行器。
本背景技术中的引证文献为：
［1］王森，陈乔，刘洪，等．页岩地层水基钻井液研究进展［J］．科学技术与工程，2013，13(16):4597-4602．
［2］岳前升，李玉光，何保生，等．涠洲12-1N油田硬脆性泥页岩研究及钻井液技术对策［J］．中国海上油气，2005，17(1):44-47．
［3］Liu X J，Luo P Y，Liu H，etal．Keeping Shale Formation Stability byOptimizing Drilling Fluids，in Yangta Oil Field，Western China［C］．ITPC 13313，2009．
［4］张勇，褚奇，陈勇，等．低荧光防塌封堵剂的研制及评价［J］．石油钻采工艺，2014，36(3):45-47．
［5］魏殿举，史沛谦，王自民．鄂尔多斯地区防塌钻井液技术［J］．钻井液与完井液，2014，31(4):89-91．
［6］陈志学，樊洪海，史东辉，等．巴喀地区防塌钻井液技术的研究与试验［J］．油田化学，2013，30(3):331-335．
［7］Taner S，Martin E C，Mukul M S．Minimizing Water Invation in ShaleUsing Nanoparticles［C］．SPE 124429，2009．
［8］龙大清，曾李，崔继明，等．“三强”防塌钻井液的研究与应用［J］．钻井液与完井液，2012，29(1):52-55．
［9］李云雁，胡传荣．试验设计与数据处理［M］．2版．北京:化学工业出版社，2008:124-150．
［10］曹成，蒲晓林，王贵，等．水基钻井液用防塌封堵剂封堵效果实验研究[J].应用化工，2015，44(2)：247-250；DOI:10.16581/j.cnki.issn1671-3206.2015.02.043；文章编号:1671－3206(2015)02-0247-03.
发明内容
有鉴于此，本发明实施例希望提供乳化沥青封堵剂的自应式复配测定方法、系统和执行器，旨在提供一种智能的预测式模型，实现对乳化沥青防塌封堵剂组分的自适应复配调控，并对此至少提供一种有益的选择；
本发明实施例的技术方案是这样实现的：
第一方面
乳化沥青封堵剂的自应式复配测定方法
（一）概述
乳化沥青封堵剂是钻井工程中用于解决泥页岩井壁稳定问题的关键组成部分。合理的复配和调控乳化沥青封堵剂对维持井壁稳定至关重要。本申请公开了一种能够自适应的复配测定方法，使用碳酸钙粉、乳化沥青和基浆的复配物，以实现对乳化沥青封堵剂的自适应性调节。
（二）技术内容
下面是该自适应复配测定方法的详细步骤：
S1、元胞自动机算法
S100、抽象：将封堵区域的总面积展开为一个二维平面，均匀划分为多个区域，将每个区域视为一个元胞 i，每个元胞具有碳酸钙粉属性 a 和乳化沥青属性 b。包括：
S1000、所述二维平面：定义所述封堵区域的总面积区域A，将其分为Nx行和Ny列的网格，形成二维平面：；
S1001、定义每个元胞i的所述碳酸钙粉属性a和所述乳化沥青属性b：
；
；
；
是碳酸钙粉属性向量，/>是乳化沥青属性向量。
S101、邻域：每个元胞 i 作为一个Moore邻域Ni的中心元胞。所述Moore邻域Ni为：
；
所述Moore邻域Ni为以所述元胞i为中心的九个元胞的集合，包括所述元胞i自身以及其周围的八个相邻元胞。
S102、执行转移：使用转移函数 F，将基浆容量C作为变量，对每个Moore邻域Ni执行转移，并输出第一预测向量 DV1。所述转移函数F包括：
；
；
其中，所述基浆容量C是一个[0,1]的区间值，表示基浆的容量大小；是所述元胞i的碳酸钙粉属性向量，k 是一个调整参数，表示基浆容量对碳酸钙粉属性的影响程度；/>是所述元胞i的乳化沥青属性向量，m是另一个调整参数，表示基浆容量对乳化沥青属性的影响程度。
S2、马尔科夫链算法
S200、初始： 将封堵区域的总面积作为状态空间 SP，通过概率向量 PV 设定初始状态概率 ISP。包括：
S2000、定义所述状态空间 SP：表示为封堵区域的总面积：SP = A；
其中，A 是封堵区域的总面积，单位为平方米；
S2001、定义所述概率向量 PV，其中包含了不同状态的初始概率：每个元素表示状态空间中状态i的初始概率，这些概率之和等于1：
；
S2003、定义所述初始状态概率ISP由所述概率向量 PV 给定：ISP = PV。
S201、引入马尔科夫性质： 通过随机数生成函数 RGF 引入随机性，基于马尔科夫性质演化在未来时间步 tn 中的乳化沥青封堵剂的复配偏差值 MV。包括：
S2010、设所述复配偏差值MV是一个随机变量X，表示乳化沥青封堵剂的复配偏差值：MV = X；
S2011、引入所述马尔科夫性质，表明未来时间步tn中的所述复配偏差值MV取决于当前时间步t中的所述随机变量X的随机性，而不受其余任意时间步中的任意要素的影响：
；
其中，表示在给定当前时间步t的所述复配偏差值MV的取值的情况下，在所述未来时间步tn中所述复配偏差值MV的取值x的条件概率；
S2012、通过所述随机数生成函数RGF引入随机性，以模拟所述未来时间步tn中的所述复配偏差值MV：
；
其中，表示使用随机数生成函数，对所述当前时间步t的所述复配偏差值MV的取值/>进行演化，以获得所述未来时间步tn中的MV值/>。
S202、执行预测： 通过马尔科夫链蒙特卡洛方法 MCMC 对复配偏差值 MV 执行抽样，生成第二预测向量 DV2。包括：
S2020、所述抽样：
；
其中，是与所述复配偏差值MV的取值x相关的条件概率密度函数；
S2021、所述生成：。
S3、D-S 证据算法
S300、获取证据 A 和证据 B： 获取上一个时间步 t-1 中的第一预测向量 DV1和第二预测向量 DV2，分别作为证据 A 和证据 B。
S301、计算联合支持函数 MAB： 使用 Dempster's 组合原则计算联合支持函数MAB，该函数表示 A 和 B 的组合支持度。联合支持函数 MAB 输出联合偏差向量 DV3。包括：
S3010、所述Dempster's组合原则：
；
其中，Ai表示所述证据A中的任意一元素，Bj表示所述证据B中的任意一元素，P(Ai∩ Bj)表示所述Ai和所述Bj的交集的支持度向量；
S3011、输出所述联合偏差向量DV3：
；
其中，MABi表示所述联合支持函数MAB中的第i个元素，代表联合支持度的分布。
S302、自适应性式修正：将联合偏差向量 DV3 映射为[0,1]的区间值并作为误差因子α，通过阈值 T 与误差因子α进行比较，执行复配的自适应性调节。包括：
S3020、在当前时间步中，获取S302给定的误差因子α，通过阈值T与误差因子α进行比较，判断是否满足执行如下步骤的条件；
S3021、将误差因子α与阈值T的差值作为变量，使用线性函数IF输出调节幅度AOA；
S3022、基于调节幅度AOA，增加或削减碳酸钙粉和乳化沥青的流量；
S3023、在下一时间步t+1中获取新的调节幅度AOA，增加或削减碳酸钙粉和乳化沥青的流量；
S3024、循环执行S3021~S3023；在最近一次的S3023执行完毕后，如其10min的时间步长后，判断调节幅度AOA的曲率是否平行或趋近平行，如是，停止执行。
（三）阶段性总结
本发明所提供的乳化沥青封堵剂的自应式复配测定方法结合了元胞自动机算法、马尔科夫链方法和 D-S 证据算法，用于调节乳化沥青封堵剂的复配以应对不可控因素，实现最优化的封堵效果。有望在钻井工程中提高泥页岩井壁的稳定性。
第二方面
乳化沥青封堵剂的自应式复配测定执行器
所述乳化沥青封堵剂的自应式复配测定执行器用于执行如上文所述的乳化沥青封堵剂的自应式复配测定方法中的所述复配物的制备；包括旋转执行器及由所述旋转执行器驱动旋转的环形架；
所述旋转执行器上设有泵组，所述泵组抽取碳酸钙粉和乳化沥青进入混合壳体中进行混合，期间通过流量传感器检测碳酸钙粉和乳化沥青的流量；
所述环形架置于矿井中；
所述环形架外环形阵列式排布有若干个用于喷液的喷头，所述喷头通过软管与所述混合壳体连通。
其中在一种实施方式中：所述旋转执行器为伺服电机，所述伺服电机的输出轴与所述环形架固定连接；
所述泵组至少包括两个渣浆泵，所述渣浆泵的输入口连通于用于存储碳酸钙粉/乳化沥青的容器，所述渣浆泵的输出口连通于所述混合壳体；
所述渣浆泵的输出口处设有所述流量传感器。
其中在一种实施方式中：使用时，存储了碳酸钙粉/乳化沥青的容器与泵组连通，并交由混合壳体内进行混合；基浆因施工的需求（包括各种变量的施工条件），因其需求量大故保持原始正常排放于矿井中，不作也无法作精确控制；使用时，基于前文的乳化沥青封堵剂的自应式复配测定方法执行预测及判定，明确下一时间步所需的碳酸钙粉/乳化沥青的量，或是碳酸钙粉/乳化沥青的动态调整需求，由混合壳体中搭载的电磁阀将碳酸钙粉/乳化沥青导入至混合壳体中搭载的另一单独的渣浆泵的输入口中，交由该渣浆泵输出给一分流阀，该分流阀连通于每个喷头所配合的软管；最终执行输液；碳酸钙粉、乳化沥青、基浆在矿井内由矿井液混合后，形成防塌堵剂，实现防塌措施。
第三方面
乳化沥青封堵剂的自应式复配测定系统
（一）概述
本申请公开了一种用于自动化地执行前文所述的乳化沥青封堵剂的自适应复配测定方法的系统。
（二）该系统的主要组件
（1）处理器：系统中的核心计算单元，负责执行程序指令以控制和协调系统的各个部分。处理器负责实现乳化沥青封堵剂的自适应复配测定方法。
（2）寄存器：寄存器是用于存储程序指令和数据的存储设备。在这个系统中，寄存器中存储了执行乳化沥青封堵剂的自适应复配测定方法所需的程序指令。
与现有技术相比，本发明的有益效果是：
（1）最优封堵效果：本发明所提供的技术允许根据实际条件和反馈信息自动调整乳化沥青封堵剂的复配，以实现最佳的封堵效果。不同井壁稳定问题可能需要不同的封堵剂组分，这种自适应性调整确保了在各种情况下都能够取得最佳封堵效果。
（2）减少资源浪费：传统的固定复配方法可能导致封堵剂过量或不足的情况，从而浪费了资源。本发明所提供的技术所实现的自适应复配能够减少资源的浪费，因为它根据实际需求进行调整，不会超过或低于所需的封堵剂量。
（3）提高工程效率：由于本发明所提供的技术的自动化特性，它减轻了操作人员的负担，提高了工程的效率。操作人员不需要手动干预每个复配决策，而是让系统根据数据和算法进行智能化的复配调整。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的总体流程示意图；
图2为本发明的方法流程示意图；
图3为本发明的自适应式调节的逻辑（S302的子步骤）示意图；
图4为本发明的乳化沥青封堵剂的自应式复配测定执行器的俯视立体示意图；
图5为本发明的乳化沥青封堵剂的自应式复配测定执行器的仰视立体示意图；
附图标记：1、旋转执行器；2、环形架；3、渣浆泵；4、喷头；5、流量传感器；6、混合壳体；
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施例的限制；
需要指出的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对于本领域技术人员而言，还可以进一步意识到结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
需要指出的是，结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
实施例一：请参阅图1~图2，本实施例公开了：乳化沥青封堵剂的自应式复配测定方法，该方法在执行时，需要使用3%碳酸钙粉（1000目）、2%乳化沥青和95%基浆进行调质，并生成复配物，将该复配物与矿井液混合后实施。在上述的“调质”的过程中，本方法包括如下步骤：
S1、在当前时间步t中，读取基浆容量C后，执行元胞自动机算法：
S100 - 抽象：建立封堵区域模型 在S100中，本实施例将钻井井壁周围的封堵区域视为一个二维平面，将其均匀划分为若干个区域，每个区域被定义为一个元胞（cell）。这个抽象过程实际上是一个空间离散化过程，旨在将复杂的现实封堵区域以离散的方式表示出来。每个元胞被赋予两种属性，即碳酸钙粉属性（a）和乳化沥青属性（b）。这些属性代表了每个元胞的特性，如含量或浓度。通过这种方式将封堵区域的特性量化为数学模型中的可操作数据。
S101 - 邻域：建立元胞之间的联系 每个元胞i在S101中被视为一个中心元胞，并被用于构建邻域关系。本实施例采用了Moore邻域，这是一个以中心元胞为中心的八连通区域。这意味着每个元胞与其周围的八个相邻元胞存在关联。这个步骤建立了元胞之间的联系，以便在后续的分析中考虑元胞之间的相互影响。
S102 - 执行转移：使用转移函数F进行属性转移 在S102中，本实施例引入了转移函数F，它的目的是将基浆容量C作为一个可变参数，通过应用这个函数对每个Moore邻域Ni进行属性转移，从而产生第一预测向量DV1。转移函数F是一个数学模型，它在元胞之间传递信息和属性，并基于基浆容量的变化来预测封堵剂的属性在不同元胞之间的分布变化。这个步骤是建立封堵效果预测模型的关键一环，它为后续的自适应调控提供了基础数据。
S2、在当前时间步t中，读取基浆容量C后，执行马尔科夫链算法：
S200 - 初始：建立状态空间和初始状态概率 在S200阶段，本实施例首先将整个封堵区域视为一个状态空间（State Space），这个状态空间（SP）代表了所有可能的状态或情况。然后，本实施例引入了概率向量（PV），该向量用于设置初始状态概率（ISP），即在初始时间步（t）时，每个可能状态的概率。这是一个重要的步骤，因为它为后续的复配预测提供了初始的概率分布。
S201 - 引入马尔科夫性质：随机性和未来状态演化 在S201中，本实施例引入了马尔科夫性质，这是一个重要的概率性质。本实施例通过随机数生成函数（RGF）引入随机性，以模拟未来时间步（tn）中乳化沥青封堵剂的复配偏差值（MV）。这种引入随机性的方式基于马尔科夫链的思想，其中当前状态的演化只依赖于前一个状态，而不受其他历史状态的影响。这种马尔科夫性质的引入使本实施例能够在未来时间步中考虑封堵剂复配的不确定性。
S202 - 执行预测：马尔科夫链蒙特卡洛方法 在S202中，本实施例使用了马尔科夫链蒙特卡洛方法（MCMC），这是一种用于模拟随机过程的计算方法。通过MCMC，本实施例对复配偏差值（MV）进行抽样，生成第二预测向量（DV2）。这个步骤允许本实施例模拟未来时间步中封堵剂复配的可能变化情况，考虑了概率性和不确定性因素。MCMC是一种强大的工具，它允许本实施例更准确地预测封堵剂的性能，以便做出智能调控决策。
S3、在当前时间步t中，使用D-S证据算法执行自适应性式修正：
S300 - 获取和整合证据：在S300阶段，本实施例致力于获取和整合有关封堵剂复配的证据。具体来说，本实施例在前一个时间步（t-1）中的S102所提供的第一预测向量（DV1）和第二预测向量（DV2）被视为证据A和证据B，分别。这两个向量代表了在之前的时间步中关于封堵剂复配的预测信息。
S301 - Dempster's组合原则：生成联合支持函数 在S301中，本实施例运用Dempster's组合原则，这是一种用于合并不同证据的数学原则。通过组合证据A和证据B，本实施例生成了一个称为联合支持函数的数学结构，表示了这两组证据的交互信息。这一步的目的是综合考虑不同证据之间的不确定性和关联性，以更准确地量化封堵剂复配的状态。
S302 - 映射和自适应式调节：最后，S302是关于将联合偏差向量（DV3）映射到[0,1]区间，并将其用作误差因子（α）的阶段。这一步骤允许本实施例将复配状态的不确定性量化为一个可操作的误差因子。通过与预设的阈值（T）进行比较，本实施例能够判断是否需要进行自适应式调节。如果α与T相比超过或不足，本实施例可以相应地增加或减少碳酸钙粉和乳化沥青的流量，以实现更好的封堵效果。
在本实施例中，关于上述的调质过程：首先涉及到复配材料的准备。复配材料由3%碳酸钙粉（1000目）、2%乳化沥青和95%基浆组成，这些成分在一定比例下混合形成复配物。这个复配物将用于稳定泥页岩井壁，以避免井壁塌陷问题。该配比成分已由如下实验数据文献公开，证实了其有益效果：
曹成，蒲晓林，王贵，等．水基钻井液用防塌封堵剂封堵效果实验研究[J].应用化工，2015，44(2)：247-250；DOI:10.16581/j.cnki.issn1671-3206.2015.02.043；文章编号:1671－3206(2015)02-0247-03.
在本实施例中，关于上述的元胞自动机算法：在当前时间步t中，该方法使用元胞自动机算法，将封堵区域划分成一个二维平面，其中每个小区域都被看作是一个元胞（cell），符号为i。每个元胞i都具有两个属性，即碳酸钙粉属性（a）和乳化沥青属性（b）。这个抽象的步骤帮助建立了一个表示封堵区域的数学模型，其中不同区域具有不同的特性。具体的实施方式可参阅实施例二的“S100”的部分。
在本实施例中，关于上述的Moore邻域：每个元胞被视为一个Moore邻域的中心元胞。Moore邻域是指与中心元胞相邻的所有元胞，通常包括中心元胞本身及其周围的八个相邻元胞。这一步骤建立了元胞之间的关联关系，以便进行复配的预测。具体的实施方式可参阅实施例二的“S101”的部分。
在本实施例中，关于上述的转移函数F：使用转移函数F，该方法将基浆容量C作为变量，对每个Moore邻域Ni执行转移。这一步骤的目的是根据元胞属性和基浆容量来预测封堵效果，输出第一预测向量DV1。转移函数F是一个数学模型，它考虑了元胞之间的关系以及基浆容量对封堵效果的影响。具体的实施方式可参阅实施例三和实施例四的“S102”的部分。
在本实施例中，关于上述的马尔科夫链算法：在当前时间步t中，该方法使用马尔科夫链算法，将封堵区域的总面积作为状态空间SP。通过引入随机性，基于马尔科夫性质，演化出未来时间步tn中的乳化沥青封堵剂的复配偏差值MV。这一步骤考虑了封堵剂复配的未来变化，以应对不可控因素。具体的实施方式可参阅实施例三和实施例四的“S200”的部分。
在本实施例中，关于上述的预测与修正：使用马尔科夫链蒙特卡洛方法（具体的实施方式可参阅实施例七的“S202”的部分），对复配偏差值MV进行抽样，生成第二预测向量DV2。这一步骤帮助进一步预测封堵效果的变化趋势。接下来，使用D-S证据算法，将第一和第二预测向量（DV1和DV2）作为证据A和证据B。通过Dempster's组合原则，生成联合支持函数MAB，输出联合偏差向量DV3（具体的实施方式可参阅实施例八的“S301”的部分）。
最后，DV3被映射为[0,1]的区间值，作为误差因子α，与预设的阈值T进行比较。如果误差因子α满足条件，执行复配自适应式调节。上述的自适应复配调控：这是核心的自适应部分。在复配的整个过程中，系统会不断地根据DV3的反馈信息和误差因子α来自动调整复配物的比例。这确保了复配的自适应性，以实现最佳的封堵效果，具体的实施方式可参阅实施例九的“S3020~3024”的部分。
实施例二：请参阅图1~图2，本实施例进一步公开S100~S101的具体实施方式：在S100中，包括：
S1000、二维平面：首先定义了封堵区域的总面积A，将其分成Nx行和Ny列的网格，形成一个二维平面。这个平面是本实施例用来描述封堵区域的基本结构，其中A进一步可以表示总的网格数量，Nx和Ny进一步可以分别表示网格的行数和列数。这样的划分有助于将封堵区域可视化并将其分解为离散的单元：；
S1001、定义每个元胞i的碳酸钙粉属性a和乳化沥青属性b：
；
；
；
是碳酸钙粉属性向量，/>是乳化沥青属性向量。
在S101中，引入“Moore邻域”的概念，这是元胞自动机领域中的一种邻域规则。Moore邻域Ni是以元胞i为中心的九个元胞的集合，包括元胞i本身以及其周围的八个相邻元胞。这种邻域定义是为了考虑元胞之间的相互影响和连接性，因为在封堵剂复配中，相邻元胞的属性可能会相互影响：
；
Moore邻域Ni为以元胞i为中心的九个元胞的集合，包括元胞i自身以及其周围的八个相邻元胞。
在本实施例中，S100和S101的目的是建立一个均匀划分的二维平面，定义每个元胞的属性，以及确定每个元胞的Moore邻域，为后续的复配和预测提供了基础。这种离散化和邻域定义有助于在复杂的封堵剂复配问题中进行建模和分析。
在本实施例中，碳酸钙粉属性向量和乳化沥青属性向量/>为：
；
；
其中：
（1）碳酸钙粉属性a：
（1.1）粒径大小向量 (D, 单位：微米)：在这种情况下，粒径大小是一个标量，表示碳酸钙粉的颗粒大小。向量形式将具有一个元素，即：D = [1000]；即1000目，具体的可参考实施例一中所引用的实验数据文献；
（1.2）浓度向量 (C, 单位：百分比)：浓度是碳酸钙粉的质量百分比，也可以表示为标量。向量形式将具有一个元素，即：C = [3]；具体的可参考实施例一中所引用的实验数据文献；
（2）乳化沥青属性b：
（2.1）粘度向量 (η, 恩氏粘度单位)：粘度通常是一个标量，表示乳化沥青的粘性。向量形式将具有一个元素，即：η = [10]；根据GB/T 11957-2017《乳化沥青恩氏粘度试验法》所提供的乳化沥青粘度标准（恩氏粘度5~15折中取值为10）得出。
（2.2）浓度向量 (C, 单位：百分比)：乳化沥青的浓度是其质量百分比，也可以表示为标量。向量形式将具有一个元素，即：C = [2]；具体的可参考实施例一中所引用的实验数据文献；
实施例三：请参阅图1~图2，本实施例进一步公开S102的具体实施方式：
在S102中，转移函数F的目的是调整元胞的碳酸钙粉属性向量和乳化沥青属性向量/>，以应对基浆容量C的变化。该调整的目的是确保在复配过程中，为碳酸钙粉和乳化沥青的比例保持适当提供先决的判定执行：
根据基浆容量C来调整元胞的碳酸钙粉属性向量，因为当复配物的总量不变时，基浆容量 C的偏差会挤占碳酸钙粉和乳化沥青的比例，因此定义一个线性的转移函数如下：
（1）对于碳酸钙粉属性向量，转移函数/>的表达式如下：
；
这里，是元胞i的碳酸钙粉属性向量，k 是一个调整参数，表示基浆容量对碳酸钙粉属性的影响程度。当C增加时，/>会相应地减少，反之亦然。这意味着随着基浆容量的增加，碳酸钙粉属性会减少，以保持适当的比例。
（2）对于乳化沥青属性，转移函数/>的表达式如下：
；
这里，是元胞i的乳化沥青属性向量，m是另一个调整参数，表示基浆容量对乳化沥青属性的影响程度。当C增加时，/>会相应减少，反之亦然。这表明随着基浆容量的增加，乳化沥青属性会减少，以保持适当的比例。
（3）其中，基浆容量C是一个[0,1]的区间值，表示基浆的容量大小；是元胞i的碳酸钙粉属性向量，k 是一个调整参数，表示基浆容量对碳酸钙粉属性的影响程度；当C增加时，/>会相应地在减少，反之亦然。这个函数表示基浆容量对碳酸钙粉属性的影响是线性的。
是元胞i的乳化沥青属性向量，m是另一个调整参数，表示基浆容量对乳化沥青属性的影响程度；这个函数表示基浆容量增加时，/>会相应减少，反之亦然。
在本实施例中，这个转移函数F的作用逻辑在于，当基浆容量C的偏差发生变化时，可以通过调整碳酸钙粉和乳化沥青的属性来实现对封堵剂复配的自适应控制。具体来说：当基浆容量C偏差增加时，自然碳酸钙粉的属性会下调，为后续确保有足够的碳酸钙粉来应对偏差提供前提的预测性条件。这有助于维持适当的比例，以满足封堵的要求。反之同理，当基浆容量C的偏差减少时会降低乳化沥青的属性/>，以为后续确保有足够的乳化沥青来应对偏差提供前提的预测性条件。这同样有助于维持适当的比例，以满足封堵的要求。
在本实施例中，调整参数k和m的选值规则在于：k和m应该在[0, 1]的范围内，以确保它们的影响在合理的范围内。选择k和m的具体值通常需要通过模拟和调试来确定。这可以通过模拟不同的钻井工程条件和基浆容量变化来找到合适的参数值。但是，本实施例给定如下几个执行方案：
（方案一）保守的方案：
k = 0.1：这个值比较小，表示对碳酸钙粉属性的响应较小，系统更稳定，不容易受到基浆容量的变化影响。
m = 0.1：同样是一个较小的值，表示对乳化沥青属性的响应较小，系统更稳定。
（方案二）平衡的方案：
k = 0.5：这个值介于0和1之间，表示对碳酸钙粉属性的响应处于平衡状态。
m = 0.5：同样是一个介于0和1之间的值，表示对乳化沥青属性的响应也处于平衡状态。
（方案三）：敏感的方案：
k = 0.9：这个值比较大，表示对碳酸钙粉属性的响应很敏感，系统容易受到基浆容量变化的影响。
m = 0.9：同样是一个较大的值，表示对乳化沥青属性的响应也很敏感，系统容易受到基浆容量的影响。
在本实施例中，转移函数F的目的是确保在复配过程中，为碳酸钙粉和乳化沥青的比例提供先决判定执行，以应对基浆容量C的变化。这是通过调整元胞的碳酸钙粉属性向量a和乳化沥青属性向量b来实现的。具体来说，这是通过以下方式实现的：
（1）碳酸钙粉属性调整：转移函数中的参数k表示基浆容量对碳酸钙粉属性的影响程度。当基浆容量C发生变化时，k的值将确定碳酸钙粉属性/>的调整幅度。如果k的值较小，那么/>的变化也较小，表示碳酸钙粉的比例在复配过程中不容易受到基浆容量的剧烈影响。这提供了先决的判定执行，确保了碳酸钙粉的比例相对稳定。
（2）乳化沥青属性调整：类似地，转移函数中的参数m表示基浆容量对乳化沥青属性的影响程度。当基浆容量C发生变化时，m的值将确定乳化沥青属性/>的调整幅度。如果m的值较小，那么/>的变化也较小，表示乳化沥青的比例在复配过程中不容易受到基浆容量的剧烈影响。这同样提供了先决的判定执行，确保了乳化沥青的比例相对稳定。
总结性的，本实施例通过调整参数k和m来控制转移函数F，可以根据基浆容量的变化来控制元胞的碳酸钙粉和乳化沥青属性，以提供稳定的比例和先决的判定执行。这有助于确保在复配过程中，所需的材料比例可以适应不同的钻井工程条件，同时保持所需的性能和稳定性。
实施例四：请参阅图1~图2，本实施例进一步公开S102中转移函数F的具体实施方式：转移函数F用于输出第一预测向量DV1，该向量描述了碳酸钙粉属性和乳化沥青属性/>在复配过程中的变化。这个过程通过对Moore邻域Ni中的属性进行加权求和来实现，具体原理如下：
在S102中，转移函数F输出第一预测向量DV1的方法包括：
（1）碳酸钙粉属性的调整：对于碳酸钙粉属性，转移函数F使用权重参数/>对Moore邻域Ni中的碳酸钙粉属性/>进行加权求和，其中/>表示Ni中的某一元胞j的碳酸钙粉属性。这样的加权求和可以用以下公式表示：
；
|Ni|表示Moore邻域Ni中元胞的数量。
（2）乳化沥青属性的调整：类似地，对于乳化沥青属性，转移函数F使用权重参数对Moore邻域Ni中的乳化沥青属性/>进行加权求和，其中/>表示Ni中的某一元胞j的乳化沥青属性。这样的加权求和可以用以下公式表示：
；
|Ni|表示Moore邻域Ni中元胞的数量。
（3）这些新的属性值形成了第一预测向量DV1：
；
在本实施例中：和/>是权重参数，对Moore邻域Ni中的碳酸钙粉属性和乳化沥青属性进行加权求和，以计算每个元胞的新属性值。它们用于控制相邻元胞的属性对当前元胞的影响程度。这样，通过转移函数F，可以根据Moore邻域Ni中相邻元胞的属性进行加权计算，实现了对元胞属性的调整，确保适应性的属性变化，以满足不同的钻井工程条件和要求。这有助于保持复配过程中所需的材料比例和性能的稳定性。
在本实施例中，关于Moore邻域Ni的作用：Moore邻域Ni是以元胞i为中心的一个九宫格状的区域，包括元胞i自身以及其周围的八个相邻元胞。这些相邻元胞在复配过程中对元胞i的属性变化起到了决定性的作用。因为在实际情况下，元胞的属性不仅仅受自身的性质影响，还受到周围元胞的属性影响。
在本实施例中，关于加权求和的目的：根据Moore邻域Ni中相邻元胞的属性对当前元胞的属性进行调整，以实现适应性复配。通过对相邻元胞属性的加权求和，可以确保元胞的属性在复配过程中不会偏离所需的比例。
在本实施例中，关于输出新属性：当对Moore邻域Ni中的碳酸钙粉属性和乳化沥青属性进行加权求和时，所得到的新属性值代表了元胞i在复配后的新属性（因为这个过程是基于局部属性的调整，以适应复配过程中的变化条件和要求）。这些新属性值组成了第一预测向量DV1，包括了调整后的碳酸钙粉属性和乳化沥青属性。这个向量提供了元胞i在复配过程中所需的属性信息。
进一步的，关于“所得到的新属性值代表了元胞i在复配后的新属性”：Moore邻域Ni包括元胞i周围的相邻元胞。这些相邻元胞的属性对元胞i的复配结果有直接影响。因此，通过对Ni中的属性进行加权求和，实际上是在考虑局部属性的影响，以更准确地反映元胞i在复配过程中的属性调整。复配过程中需要适应不同的情况，因此，调整元胞的属性以满足特定条件和性能要求非常关键。通过局部属性的加权求和，可以根据元胞i周围的情况来灵活地调整属性，以确保复配后的属性在不同条件下保持合适的比例和性能。而且元胞之间的属性应该保持一致，以确保复配物的均匀性和一致性。通过加权求和，可以确保相邻元胞的属性对元胞i的属性调整是相对均匀的，从而保持了属性的一致性。
在本实施例中，权重参数和/>都用于控制碳酸钙粉属性和乳化沥青属性的加权求和，以便适应不同的复配要求。它们的选值规则基于实际需求和性能要求来确定。但是本实施例给定如下几种方案：
（方案一）平均权重的方案：当需要平均考虑碳酸钙粉属性和乳化沥青属性时，可以将和/>都设置为相等的权重，以确保两者具有相同的影响。示例参数值：/> 。
（方案二）根据属性重要性调整的方案：如果在复配过程中其中一个属性的重要性更高，可以分配更高的权重给该属性。示例参数值： 。
（方案三）性能优化的方案：有时需要根据性能要求来调整权重。例如，如果需要提高封堵剂的强度，可以增加碳酸钙粉属性的权重。示例参数值： 。
在本实施例中，第一预测向量DV1在这个上下文中被称为"预测"向量，因为它是通过考虑元胞i的邻域内的碳酸钙粉属性a和乳化沥青属性b，并使用权重参数和/>来计算的。这个计算过程是基于邻域内属性的加权平均，它可以用来估计元胞i的属性值在复配后的变化。具体的：
（1）根据邻域内信息进行估计：DV1的生成是通过分析元胞i周围的邻域信息来估计其属性值的变化。这意味着DV1是通过考虑邻域内的属性来“预测”元胞i的新属性值。
（2）权重的引入：DV1中引入了权重参数和/>，这些权重参数允许根据属性的重要性来调整邻域内属性的贡献。这样可以更精确地估计元胞i的新属性。
演示性的，为了简化演示篇幅，因此仅考虑一个包含五个元胞的小封堵区域作为原理的展示，其每个元胞i都有碳酸钙粉属性a和乳化沥青属性b。本实施例还将考虑一个Moore邻域Ni，包括元胞i及其周围的八个相邻元胞。本实施例将使用一些示例参数值来演示如何计算新的和/>，并生成第一预测向量DV1：
元胞数量：；
Moore邻域Ni：包括元胞i及其周围的八个相邻元胞
碳酸钙粉属性，初始值为 [0.2, 0.4, 0.6, 0.8, 1.0]；乳化沥青属性/>，初始值为 [0.8, 0.6, 0.4, 0.2, 0.1]；
权重参数： , />；
计算新的和/>：对于每个元胞i，本实施例将计算新的碳酸钙粉属性向量/>和新的乳化沥青属性向量/>。本实施例将使用Moore邻域Ni中的元胞j的属性来执行加权求和。
例如，对于元胞i=3（即和/>），它的Moore邻域Ni包括元胞1、2、4、5和自身。本实施例将使用下面的公式计算新的/>和/>：
；
；/>
代入具体的参数值：
；
；
；
；
因此，元胞3的新的碳酸钙粉属性为0.58，新的乳化沥青属性为0.126。
第一预测向量DV1： 本实施例将新的 a_i 和 b_i 值组合成第一预测向量DV1：DV1 = [0.58, 0.126]；这个DV1代表了在这个特定场景中，基于Moore邻域Ni内的属性和权重参数，对于元胞3的新属性的估计。具体的，包含了关于特定元胞（在这个示例中，元胞3）在复配过程中可能的新属性值的信息：
（1）碳酸钙粉属性 (a) 预测值：0.58；
这个数值表示在当前的复配阶段，基于邻域内的元胞属性以及权重参数，元胞3的碳酸钙粉属性有望调整到0.58。这是一个估计值，用于指导复配过程中对碳酸钙粉属性的调整。
（2）乳化沥青属性 (b) 预测值：0.126；
这个数值表示在当前的复配阶段，基于邻域内的元胞属性以及权重参数，元胞3的乳化沥青属性有望调整到0.126。这也是一个估计值，用于指导复配过程中对乳化沥青属性的调整。
可以理解的是，这个信息对于复配过程非常重要，因为它提供了元胞属性可能的变化方向和程度。这允许系统在不断变化的条件下，根据周围环境的属性来自适应地调整每个元胞的属性，以确保乳化沥青封堵剂的最佳性能。DV1代表了预测和指导复配过程的关键信息，以满足封堵需求并确保钻井工程的成功。
实施例五：请参阅图1~图2，本实施例进一步公开S200的具体实施方式：
在S200中，包括：
S2000、定义状态空间 SP：状态空间SP代表了封堵区域的总面积，通常以平方米为单位。在钻井工程中，封堵区域的总面积是一个关键参数，因为它反映了需要进行封堵处理的区域的大小。马尔科夫链的状态将基于该面积进行转移。不同状态表示了封堵区域可能的不同配置。表示为封堵区域的总面积：SP = A；
其中，A 是封堵区域的总面积，单位为平方米；
S2001、定义概率向量 PV，其中包含了不同状态的初始概率：每个元素表示状态空间中状态i的初始概率：/>；
概率向量PV包含了不同状态的初始概率。在马尔科夫链中，状态代表了系统的不同配置或组合。每个表示状态i的初始概率。这些概率之和等于1，确保了所有状态的覆盖，以及初始状态的概率之和为1。
S2003、定义初始状态概率ISP由概率向量 PV 给定：ISP = PV。
初始状态概率ISP是由概率向量PV给定的。这意味着在马尔科夫链的初始时刻，每个状态的概率由PV中对应的概率值确定。这些概率值表明了系统在初始状态时各种状态的可能性。
在本实施例中，马尔科夫链算法基于这些定义，通过迭代状态的转移，来模拟乳化沥青封堵剂的复配偏差值。这种方法允许系统预测不同状态下的复配偏差，以指导进一步的复配过程。因此，钻井工程中的防塌封堵剂可以根据不同状态下的需求进行自适应调整，以保证最佳性能。
在本实施例中，概率向量PV中包含了不同状态的初始概率。这些不同状态是系统可能的离散状态，它们反映了系统在不同配置或组合下的初始可能性。计算概率向量PV的方法通常基于统计数据或领域专家的知识，以反映系统状态的相对可能性。本实施例进一步提供一种标准的计算概率向量PV的方法，但是需要基于统计分布或历史数据：；
其中：元素是状态i的初始概率。频数i是状态i在历史数据或样本中出现的频数。总频数是所有状态出现的总频数。
在本实施例中，初始状态概率ISP通常由概率向量PV给定的方法是将概率向量PV作为初始状态概率ISP。这意味着初始状态概率与概率向量中的值相等，因此在S2003中进一步的：；
其中：是初始状态概率向量中状态i的初始概率。/>是概率向量PV中状态i的概率。这个公式表明系统的初始状态概率由概率向量PV中相应状态的概率直接确定。这种方法基于概率向量PV中已经包含的状态概率信息，将其用于定义系统的初始状态概率。当PV中的概率已经反映了系统的实际特性或统计数据时，本实施例提供的该方案的准确性更优。
在本实施例中，初始状态概率（ISP）由概率向量PV给定的意义在于确定了系统在初始时各个状态的概率分布。这对于马尔科夫链模型中的状态转移过程非常关键。具体来说，这意味着在系统开始时，本实施例已经知道了各个状态的出现概率，从而可以更好地了解系统在不同状态间的转移行为。而在马尔科夫链模型中，初始状态概率ISP描述了系统在初始时各个状态的相对频率或概率。这些概率信息对于分析系统的长期行为、状态转移概率以及随时间的演化非常有用。通过将ISP与状态转移矩阵相结合，本实施例可以预测系统在未来时间步骤中各个状态的概率分布，从而了解系统的动态特性。
演示性的：
S2000：定义状态空间SP：SP = A = 1000平方米
现在，本实施例将定义概率向量PV，其中包含了不同状态的初始概率。
S2001：定义概率向量PV：设本实施例有三个不同的状态，分别为状态1、状态2、状态3。本实施例可以定义初始概率分布，例如 PV = [0.3, 0.4, 0.3]。
这表示系统在初始时，状态1的概率为0.3，状态2的概率为0.4，状态3的概率为0.3。
需要指出的是，这些概率之和必须等于1，以确保总概率是一。
现在，本实施例可以使用概率向量PV来定义初始状态概率ISP。
S2003：定义初始状态概率ISP：由于初始状态概率ISP与概率向量PV相同，本实施例有ISP = PV。这表示系统在初始时的状态概率与PV相同，也就是 ISP = [0.3, 0.4,0.3]。进一步的：
ISP[0] = 0.3：表示在系统初始时，状态0的概率为 0.3。
ISP[1] = 0.4：表示在系统初始时，状态1的概率为 0.4。
ISP[2] = 0.3：表示在系统初始时，状态2的概率为 0.3。
这个向量信息告诉本实施例系统在时间 t=0 时，各个状态的相对概率分布。这对于马尔科夫链模型非常重要，因为它为系统的状态转移提供了初始条件。
在后续的模拟或分析中，根据这个初始概率分布，将根据马尔科夫链的规则进行状态转移。因此，ISP 是定义了系统在开始时不同状态的概率，它将影响随时间推移系统状态的演化和预测。
实施例六：请参阅图1~图2，本实施例进一步公开S201的具体实施方式：
在S201中，包括：
S2010、S2010中，复配偏差值MV（Mixing Variance）被定义为一个随机变量X，它表示乳化沥青封堵剂的复配偏差。这个复配偏差值MV是一个随机变量，因为它可能受到不确定性因素的影响，如原材料的批次变化或复配过程中的微小波动：MV = X；
S2011、引入了马尔科夫性质，这表明未来时间步tn中的复配偏差值MV取决于当前时间步t中的随机变量X的随机性。这意味着未来的复配偏差值MV不受其余时间步中的任何因素影响，只与当前时间步t相关。这是马尔科夫链的核心性质，即未来状态只依赖于当前状态，与过去的状态无关：
；
其中，表示在给定当前时间步t的复配偏差值MV的取值/>的情况下，在未来时间步tn中复配偏差值MV的取值x的条件概率；
S2012、引入随机数生成函数RGF（Random Number Generation Function）。这个函数的目的是引入随机性，以模拟未来时间步tn中的复配偏差值MV。随机数生成函数接受当前时间步t的复配偏差值MV的取值，并基于某种概率分布或随机性模型，生成未来时间步tn中的MV值/>。这种随机性模拟使模型能够考虑未来复配偏差的不确定性，以更准确地进行预测和调整，以模拟未来时间步tn中的复配偏差值MV：/>；
其中，表示使用随机数生成函数，对当前时间步t的复配偏差值MV的取值进行演化，以获得未来时间步tn中的MV值/>。
在本实施例中，S201的目的在于定义了复配偏差值MV作为随机变量，S2011引入了马尔科夫性质，使未来复配偏差值只与当前时间步相关，而S2012则通过随机数生成函数引入随机性，以模拟未来时间步中的复配偏差值。这一系列步骤允许系统更好地应对未来复配过程中的不确定性和波动。
在本实施例中，的概念是在概率论或统计学中所谓的“表示某事件在已知其他事件或条件下发生的概率”，即“条件概率”。在这种情况下，事件是复配偏差值MV在不同时间步中的取值。具体的：已知当前时间步t的复配偏差值MV的取值/>，本实施例想要计算在这个条件下未来时间步tn中复配偏差值MV的取值为x的概率。这个条件概率允许本实施例根据已知信息（/>）来估计未来的情况（/>）。在实施例所描述的技术中，这种条件概率的计算是为了模拟未来时间步中的复配偏差值MV，以便更好地预测和调整乳化沥青封堵剂的复配过程。
在本实施例中，随机数生成函数RGF优选为：
；
其中：U(-δ, δ) 表示在区间 [-δ, δ] 内均匀分布的随机数。
这个公式表示未来时间步中的是根据当前时间步中的/>以及一个均匀分布的随机变量来计算得出。这种方法模拟了未来的复配偏差值MV会受到一定范围内的随机性的影响。参数δ控制了随机性的幅度，可以根据具体需求来调整。不同的RGF公式可以用于模拟不同的随机性质。
进一步的，本实施例示例性提供一个Python程序，来实现上述的随机数生成函数RGF：
import random
def RGF(MV_t, delta):
# 生成一个在 [-delta, delta] 区间内的均匀分布的随机数
random_change = random.uniform(-delta, delta)
# 计算未来时间步中的 MV_tn
MV_tn = MV_t + random_change
return MV_tn
# 使用随机数生成函数 RGF，设当前时间步的 MV_t 为 0.5，随机性范围为 0.1
MV_t = 0.5
delta = 0.1
MV_tn = RGF(MV_t, delta)
print("MV_tn:", MV_tn)
上述程序的RGF函数接受当前时间步的和随机性范围delta作为参数，生成符合均匀分布的随机数，然后用这个随机数来调整当前时间步的 MV_t 以计算未来时间步的。这样就满足了"/>"。
在本实施例中，需要指出的是，随机数生成函数 (RGF) 的目的是引入随机性，以模拟未来时间步 (tn) 中的复配偏差值 (MV)。尽管随机数是混乱和随机的，但在概率和统计学的框架下，通过对随机数的使用，可以获得在某些情况下符合特定概率分布或性质的结果。在这个上下文中，RGF 被用来模拟未来时间步中 MV 的值，以考虑随机性对复配偏差值的影响。
进一步的，这种随机性可以代表现实世界中可能存在的各种因素，如物理变化、实验误差、环境变化等，它们都可以对复配产生随机影响。使用随机数生成函数允许模拟不同情况下的复配偏差值，以获得更全面的复配结果，以便更好地应对不确定性和变化。尽管随机，但通过大量的模拟运算，可以分析和理解复配偏差值的概率分布和性质，以制定相应的复配策略和控制措施。
因此可以理解的是，尽管RGF是随机的，但是在这个上下文中是一种有用的工具，用于模拟和分析未来时间步中的复配偏差值。这有助于更好地理解和管理复配的不确定性。
进一步的，对于初始状态概率ISP（详见实施例六的“初始状态概率ISP”的部分），它包含了不同状态的初始概率。在S2010~S2012中，ISP的角色是定义了系统在初始时间步t时，各种可能的状态（这里是复配偏差值MV）的初始概率分布。它用来表示系统的起始状态，即t=0时各个状态的概率。在S2010中，本实施例定义了复配偏差值MV，但并没有给出它的具体值。而初始状态概率ISP就用来指定t=0时MV可能处于不同取值的概率。这在马尔科夫链模型中是非常关键的，因为它定义了系统在时间步t=0时的状态分布，为后续的时间步的状态转移提供了初始条件。
具体的，ISP中的每个元素表示在时间步t=0时，复配偏差值MV取值为MV_i的概率。这个概率分布为后续时间步中MV的取值提供了初始信息，它对系统的演化轨迹和复配偏差值的分布起到重要作用。
演示性的：设本实施例有以下参数：
初始状态概率 ISP = [0.3, 0.4, 0.3]；
随机数生成函数，其中 η 表示一个随机扰动项，用于引入随机性。现在，让本实施例进行场景模拟。首先，本实施例需要计算 t=0 时复配偏差值 MV 的取值，根据初始状态概率 ISP，本实施例可以计算如下：
；
其中 x 表示复配偏差值 MV 取值。因此，根据初始概率，MV_t=0 的概率分布为：
；
；
；
接下来，本实施例可以模拟 t=1 时的 MV 值。根据 S2012 中的定义，本实施例使用随机数生成函数 RGF(MV_t) 来引入随机性，假设 η=0.2，那么可以计算 t=1 时的 MV值如下：
；
根据这个公式，本实施例可以计算 t=1 时 MV 的值。然后，本实施例可以重复这个过程，通过随机数生成函数和初始状态概率 ISP，模拟 MV 在时间上的演化过程。这个模拟过程将在不同时间步中引入随机性，根据初始状态概率的分布，演化出复配偏差值 MV的不同取值。这是马尔科夫链中随机性和概率分布相结合的模拟过程，用来估算未来时间步中 MV 的可能取值。
实施例七：请参阅图1~图2，本实施例进一步公开S202的具体实施方式：使用马尔科夫链蒙特卡洛方法（Markov Chain Monte Carlo，MCMC）来估计未来时间步中的复配偏差值MV。马尔科夫链蒙特卡洛方法MCMC是一个用于模拟和估计复杂概率分布的强大工具：
在S202中，马尔科夫链蒙特卡洛方法MCMC包括：
S2020、抽样：
这一步骤是用来估计未来时间步tn中复配偏差值MV的取值x。本实施例希望找到与已知时间步t中的MV值相关的条件概率密度函数/>。这个条件概率密度函数描述了在给定/>的情况下，/>的取值x的可能性。通常，这个概率密度函数是一个复杂的分布，而MCMC方法允许本实施例从这个分布中进行抽样，以获得可能的 x 值：
；
其中，是与复配偏差值MV的取值x相关的条件概率密度函数；
S2021、生成：在这一步骤中，本实施例使用MCMC方法进行抽样，得到一系列可能的值，构成了第二预测向量DV2。这个向量DV2包含了多个可能的复配偏差值，它们来自于的抽样过程。因此，DV2 是一个由样本构成的向量，代表了/>的可能分布：
；
在本实施例中，MCMC方法通过模拟随机游走的方式，从条件概率密度函数中抽样，以生成第二预测向量DV2。这个向量提供了对未来时间步中MV值的一组估计，以考虑复配偏差的不确定性。S202使用MCMC方法来估计未来时间步中复配偏差MV的值。这允许本实施例考虑到随机性和不确定性，提供了一种概率性的预测方法，以支持复配过程中的决策。
在本实施例中，条件概率密度函数描述了在给定某一条件/>下，另一个随机变量 x 的概率分布。它表示了在已知某一条件下 x 取不同值的可能性：
；
其中，P 表示概率，X 表示随机变量，x 表示该随机变量可以取的值，表示给定的条件 MV 值。这个概率密度函数的原理是基于贝叶斯定理和条件概率的概念。它允许本实施例在已知某一条件下，对另一个随机变量的取值进行建模。在复配过程中，/>可能表示当前的复配偏差值，而/> 可能描述了在当前复配偏差值下未来时间步中 x 可能的取值。这个概率密度函数的目的是为了在给定条件下对随机变量 x 进行概率分布建模，从而进行抽样和估计。在本情境中，它用于模拟未来时间步中复配偏差值/>的可能分布，以考虑不确定性。
优选的，条件概率密度函数为正态分布函数：
；
其中：σ是标准差，表示分布的离散程度。μ是均值，表示分布的中心位置。exp 表示指数函数。
该优选方案的正态分布是一种连续概率分布模式，用于描述许多自然现象，包括测量误差、随机变量和观察值的分布。正态分布的概率密度函数是一个钟形曲线，均值μ决定了曲线的中心位置，标准差σ决定了曲线的幅度或离散程度。在这个情境中，本实施例将复配偏差值MV建模成一个正态分布，其中μ和σ可根据历史数据或先验知识估计出来的参数（如进行保守方案，则这两个参数都选择为0.5）。这个分布允许本实施例在给定的情况下，估计未来时间步中/>的可能取值，同时考虑到了分布的离散性和中心位置。正态分布的性质使得它在概率建模中非常有用，因为它具有很好的数学性质和广泛的应用。
演示性的：
（1）设本实施例有以下参数设置：
初始时间步 t = 0
初始复配偏差值
条件概率密度函数采用正态分布模型，其中μ = 0.1，σ = 0.05
（2）S2020抽样：
在时间步 t = 0 时，本实施例已知。本实施例可以使用条件概率密度函数/>来估计未来时间步tn中的复配偏差值/>。
根据正态分布的条件概率密度函数，本实施例可以计算在的条件下，的可能取值。这将为本实施例提供/>的概率分布。
（3）S202生成：
在这个场景中，本实施例生成第二预测向量 DV2，其中包含了 MV_t_n 的多个可能取值。这些值将代表未来时间步中 MV 的预测。为了简化篇幅，本实施例选择一些可能的值，并使用条件概率密度函数 />来估算它们的概率：
选择；
计算条件概率密度函数：
；
选择；
计算条件概率密度函数：
；
选择；
计算条件概率密度函数：
；
（4）这些值构成了第二预测向量 DV2，表示在给定条件下，未来时间步中 MV 的多个可能取值以及它们的相对概率。
在本实施例中，需要指出的是，实施例四给定的“第一预测向量 DV1”，和本实施例计算出的第二预测向量 DV2之间的区别和特色在于：
（1）第一预测向量 DV1：
DV1是基于元胞自动机和邻域转移函数的方法生成的。
它表示了在当前时间步t中，通过元胞之间的相互作用和邻域权重，对于碳酸钙粉属性和乳化沥青属性的预测。它是关于当前状态的预测。
DV1的生成是基于元胞之间的局部交互和邻域内的加权和，以预测属性的新值。这种方法考虑了局部空间的相互作用。
DV1是根据当前条件下，通过权重参数和/>对邻域内元胞的属性进行调整，以获得复配后的新属性。
（2）第二预测向量 DV2：
DV2是基于马尔科夫链蒙特卡洛方法生成的。它代表了对于未来时间步tn中复配偏差值MV的预测，考虑了时间步t到时间步tn之间的演化。DV2的生成是通过模拟马尔科夫链中的转移过程，引入随机性以估计未来时间步中MV的可能值。
同时，DV2考虑了在给定当前复配偏差值的条件下，/>的可能分布，它不仅基于局部相互作用，还考虑了随机性和全局状态的变化。
（3）第一预测向量 DV1和第二预测向量 DV2之间的特点在于：
DV1主要用于短期预测，基于局部邻域内元胞之间的交互，对当前状态的属性进行调整，以适应复配。
DV2用于长期预测，通过模拟马尔科夫链，在不受任意时间步的任意要素的影响的前提下，考虑了不同时间步之间的状态演化，以估计未来时间步中的复配偏差值。
DV1和DV2在方法和生成机制上有所不同，结合在一起，可以为复配过程提供更全面的信息，同时考虑了局部和全局因素以及随机性。而这个“结合”的过程，将在实施例八的“Dempster's组合原则”部分进行更具体的公开。
实施例八：请参阅图1~图2，本实施例进一步公开S301的具体实施方式：
在S301中，包括：
S3010、Dempster's组合原则：一种用于合并不同证据的方法，通常应用于冲突的证据源，以生成最终的综合结论。在这里，证据A表示第一预测向量DV1，证据B表示第二预测向量DV2。这两个向量代表了关于复配的两种不同预测或估计。原则的核心思想是通过将两个证据的支持度进行组合来生成一个联合支持函数，以反映两个证据的交集信息。来实现实施例七中所述的“（DV1和DV2）结合在一起，可以为复配过程提供更全面的信息，同时考虑了局部和全局因素以及随机性”：
；
其中，Ai表示证据A（第一预测向量 DV1）中的任意一或所有的元素，Bj表示证据B（第二预测向量 DV2）中的任意一所有的元素，P(Ai ∩ Bj)表示Ai和Bj的交集的支持度向量；
S3011、输出联合偏差向量DV3：联合支持函数MAB中的每个元素MABi 表示不同组合的支持度，代表了在复配偏差估计中的联合信息。联合偏差向量DV3是由MAB中的各个元素组成的向量：
；
其中，MABi表示联合支持函数MAB中的第i个元素，代表联合支持度的分布。DV3 提供了一种综合的估计，它将第一预测向量DV1和第二预测向量DV2的信息结合起来，以更准确地估计复配偏差的分布。
在本实施例中，MAB = P(A ∪ B) 表示证据A和B的联合支持度。联合支持度是通过将证据A和证据B的支持度交集进行组合计算的，以获取对复配偏差的联合估计。计算过程涉及到所有可能的组合，其中Ai 和 Bj 分别代表证据A和证据B中的每个元素。P(Ai ∩Bj) 表示证据A中的元素和证据B中的元素的交集的支持度向量。这些支持度向量值在计算中都被综合考虑。
具体的，S301中的过程通过Dempster's组合原则将两组证据结合在一起，生成了一个联合支持函数MAB，该函数提供了复配偏差的联合估计。这有助于提高对乳化沥青封堵剂复配的准确性和可靠性，以更好地应对钻井工程中的防塌问题。
在本实施例中，P(Ai ∩ Bj)的P代表概率；对于Dempster's组合原则而言，“概率”表示某事件或情况的概率。具体来说，P(Ai ∩ Bj) 是事件Ai和事件 Bj的交集的概率，用来表示这两个事件同时发生的概率。在Dempster's组合原则中，这些交集概率用于计算联合支持函数 MAB，以综合不同证据的信息来生成联合估计。这些概率可以代表不同证据的可信度或支持度，从而在综合评估中起到关键作用。
在本实施例中，P(Ai ∩ Bj)的具体计算方式取决于具体情境和所涉及的事件。计算这种交集概率需要考虑每个事件的概率以及它们之间的关系。本实施例给定一个在一般情况下，计算事件Ai和事件Bj的交集概率的标准概率公式：
；
其中：P(Ai)表示事件Ai发生的概率。P(Bj | Ai)表示在事件Ai发生的条件下，事件Bj发生的条件概率。而进一步的，P(Ai)和P(Bj | Ai)的值的获取，本实施例给定一个python程序汇编的贝叶斯统计的方法预设程序，本领域技术人员可以根据如下程序自行获取P(Ai)和P(Bj | Ai)的值：
import numpy as np
# 放置观测数据，其中data表示观测的事件，例如 Ai 和 Bj
data = ...
# 估计 P(Ai)
def estimate_P_Ai(data, Ai_event):
# 统计事件 Ai 发生的频次
count_Ai = np.sum(data == Ai_event)
total_samples = len(data)
# 使用频次统计来估计 P(Ai)
P_Ai = count_Ai / total_samples
return P_Ai
# 估计 P(Bj | Ai)
def estimate_P_Bj_given_Ai(data, Ai_event, Bj_event):
# 统计事件 Ai 和 Bj 同时发生的频次
count_Ai_Bj = np.sum((data == Ai_event) & (data == Bj_event))
count_Ai = np.sum(data == Ai_event)
# 使用频次统计来估计条件概率 P(Bj | Ai)
P_Bj_given_Ai = count_Ai_Bj / count_Ai
return P_Bj_given_Ai
# 选择具体的事件
Ai_event = ...
Bj_event = ...
# 估计 P(Ai)
P_Ai = estimate_P_Ai(data, Ai_event)
print(f'P({Ai_event}) = {P_Ai}')
# 估计 P(Bj | Ai)
P_Bj_given_Ai = estimate_P_Bj_given_Ai(data, Ai_event, Bj_event)
print(f'P({Bj_event} | {Ai_event}) = {P_Bj_given_Ai}')
上述程序的原理在于：首先准备观测数据。数据包含了不同事件的观测情况，例如事件Ai和事件Bj。然后程序自动执行如下步骤：
P1、估计 P(Ai)：首先，程序估计了事件Ai的概率 P(Ai)。这是通过统计数据中事件Ai发生的频次来估计的。具体步骤如下：
P1.1、统计事件Ai发生的频次（count_Ai）。
P1.2、统计所有事件的总观测次数（total_samples）。
P1.3、使用频次统计，计算 P(Ai) = count_Ai / total_samples。
P2、估计 P(Bj | Ai)：其次，程序估计了在给定事件Ai发生的条件下，事件Bj发生的条件概率 P(Bj | Ai)。这是通过统计数据中事件Ai和事件Bj同时发生的频次来估计的。具体步骤如下：
P2.1、统计事件Ai和事件Bj同时发生的频次（count_Ai_Bj）。
P2.2、统计事件Ai发生的频次（count_Ai）。
P2.3、使用频次统计，计算条件概率（P(Bj | Ai) = count_Ai_Bj / count_Ai）。
P3、输出结果：程序最后输出了估计得到的概率值 P(Ai) 和 P(Bj | Ai)。
这个程序的原理基于频次统计和贝叶斯统计的基本原理。通过对观测数据的分析，可以估计事件发生的概率以及条件概率。这些估计的概率值可以用于后续的决策和分析，特别是在贝叶斯推断和决策分析中。贝叶斯统计是概率论中一种重要的方法，用于处理不确定性和参数估计。
进一步的，上述程序中：
事件Ai：表示第一预测向量DV1中的元素或属性，其中包含了关于乳化沥青封堵剂复配过程中的碳酸钙粉属性。这些属性包括碳酸钙粉的粒径大小、浓度等信息。
事件Bj：表示第二预测向量DV2中的元素或属性，其中包含了关于乳化沥青封堵剂复配过程中的乳化沥青属性。这些属性包括乳化沥青的粘度、浓度等信息。
可以理解的是，这些向量信息等同于实施例二的S1001部分的“碳酸钙粉属性向量和乳化沥青属性向量/>”的概念。但是需要基于统计历史数据实时真实的“碳酸钙粉属性向量/>和乳化沥青属性向量/>”导入到该程序中。
演示性的，设本实施例有以下数据：
第一预测向量 DV1: DV1 = [0.2, 0.3, 0.1]；
第二预测向量 DV2: DV2 = [0.3, 0.2, 0.4]；
现在，本实施例将使用Dempster's组合原则来计算联合支持函数MAB和联合偏差向量DV3。首先，本实施例需要计算事件Ai和事件Bj的交集支持度P(Ai ∩ Bj)。对于每个i和j的组合，本实施例可以使用以下示例参数来计算：
P(A1 ∩ B1) = 0.2 * 0.3 = 0.06；
P(A1 ∩ B2) = 0.2 * 0.2 = 0.04；
P(A1 ∩ B3) = 0.2 * 0.4 = 0.08；
P(A2 ∩ B1) = 0.3 * 0.3 = 0.09；
P(A2 ∩ B2) = 0.3 * 0.2 = 0.06；
P(A2 ∩ B3) = 0.3 * 0.4 = 0.12；
P(A3 ∩ B1) = 0.1 * 0.3 = 0.03；
P(A3 ∩ B2) = 0.1 * 0.2 = 0.02；
P(A3 ∩ B3) = 0.1 * 0.4 = 0.04；
现在，本实施例可以使用Dempster's组合原则计算联合支持函数MAB：
；
这是联合支持函数MAB的值。最后，本实施例可以将这个值放入联合偏差向量DV3中：DV3 = [MAB] = [0.54]；
可以理解的是，结合实施例八的“第一预测向量 DV1和第二预测向量 DV2之间的区别和特色”的部分的内容，DV3“考虑了局部空间的相互作用”（即DV1），并且具有“在不受任意时间步的任意要素的影响的前提下，考虑了不同时间步之间的状态演化，以估计未来时间步中的复配偏差值”（即DV2）的性质。其具体的包括：
（1）局部空间的相互作用：DV3通过组合DV1和DV2，考虑了局部空间内元胞之间的碳酸钙粉属性和乳化沥青属性的相互影响。这是因为在Dempster's组合原则中，P(A ∪ B)的计算依赖于各元素P(Ai ∩ Bj)的组合，反映了不同元胞i的属性向量如何在局部空间内相互作用。
（2）不受任意时间步的任意要素的影响：DV3的计算不受任何特定时间步或要素的直接影响，因为它使用Dempster's组合原则将DV1和DV2结合起来。这种组合的过程是无偏的，它只考虑局部空间内不同时间步的信息。
（3）考虑不同时间步之间的状态演化：DV3是基于DV1和DV2的组合，以估计未来时间步中的复配偏差值。因此，它考虑了不同时间步之间状态的演化，因为DV1和DV2均捕捉了在不同时间步中的属性变化和预测。
进一步的，上述“无偏的”：因为Dempster's组合原则是一种用于合并不同来源的证据的数学规则，它确保了合并的结果不会倾向于任何特定来源的信息。这是基于概率论的基本原理，称为无偏性原则。
具体地，无偏性意味着合并后的信息（在这种情况下是联合偏差向量DV3）对于每个元素（P(Ai ∩ Bj)）都没有偏见或倾向性，它将不同来源的信息等权组合，以确保不过多地受到任何特定来源的影响。这是统计学和概率论中的一个重要性质，确保了分析的客观性和公平性。因此，通过应用Dempster's组合原则，系统能够合并来自不同时间步的信息，而不会倾向于任何特定时间步的信息。这使得合并后的DV3具有无偏性，能够考虑局部空间内不同时间步的信息，以更全面地估计未来时间步中的复配偏差值。
在本实施例中，还需要将联合偏差向量（DV3）映射到[0,1]区间，并将其用作误差因子α。使用Sigmoid映射函数：
；
e是自然对数的底。
可以理解的是，一旦误差因子α被映射到[0,1]的区间值，它仍然保留了来自联合偏差向量DV3的信息，尽管这个信息以一种更可控的方式表现出来。在这个映射过程中，Sigmoid函数会压缩原始的DV3值范围，但保持了它们的相对大小关系。这意味着较大的DV3元素仍然会映射到较接近1的α值，而较小的DV3元素会映射到接近0的α值。因此，信息的相对权重仍然在α中得以保留。
具体的，这种映射可以用于控制或决策（具体的可参阅实施例九的全文），以实现适应系统的目标。例如，可以设置一个阈值，根据α值来触发不同的行动。或者α值可能用于调整混合比例，影响后续的复配过程。虽然α将原始的DV3信息压缩到[0,1]范围，但仍可以在后续处理中使用它来指导系统的行为，只是以更可控的方式。
实施例九：请参阅图3，本实施例进一步公开S302的子步骤具体实施方式：
S302的“执行复配自适应式调节”的子步骤包括：
S3020、在当前时间步中，获取S302给定的误差因子α，通过阈值T与误差因子α进行比较，判断是否满足执行如下步骤的条件；
S3021、将误差因子α与阈值T的差值作为变量，使用线性函数IF输出调节幅度AOA；
S3022、基于调节幅度AOA，增加或削减碳酸钙粉和乳化沥青的流量；
S3023、在下一时间步t+1中获取新的调节幅度AOA，增加或削减碳酸钙粉和乳化沥青的流量；
S3024、循环执行S3021~S3023；在最近一次的S3023执行完毕后，如其10min的时间步长后，判断调节幅度AOA的曲率是否平行或趋近平行，如是，停止执行。
在本实施例中，关于S3020比较α和阈值T：这一步是关于是否执行自适应性调节的决策。首先，获取误差因子α，这是根据之前的过程生成的，它代表了乳化沥青封堵剂复配的质量和效果。然后，将α与预先设定的阈值T进行比较。如果α小于阈值T，说明当前的复配质量较差，可能需要自适应性调节来提高复配效果。
在本实施例中，关于S3021计算调节幅度AOA：这一步中，根据α与阈值T的差值，使用一个线性函数IF来计算调节幅度AOA。这个差值可以看作是当前误差与期望误差之间的差异。AOA的大小将取决于这个差异，即误差与期望误差的差距有多大，决定了需要多大程度的调节。
在本实施例中，关于S3022 调节流量：根据计算得到的调节幅度AOA，可以增加或削减碳酸钙粉和乳化沥青的流量。这意味着可以在下一时间步中增加或减少这两种材料的使用量，以更好地满足期望的复配质量。
在本实施例中，关于S3023循环执行：S3022中的调节将在下一个时间步（t+1）中继续生效，然后会反馈给α。这个过程会循环执行，以不断优化复配的过程。在每次循环中，调节幅度AOA可能会根据α的变化而调整，以逐渐趋于平稳。通过在下一个时间步（t+1）获取新的调节幅度AOA，系统能够实时反馈和调整碳酸钙粉和乳化沥青的流量，以确保封堵剂的复配比例适应地层条件的变化。这确保了封堵效果的持续稳定性。
在本实施例中，关于S3024停止执行：如果在一段时间（通常设定为10分钟的时间步长）内，调节幅度AOA保持平行或趋近平行，说明系统已经趋于稳定，不再需要大幅度的调节。这时，S302的执行停止，因为达到了预期的复配效果。
进一步的，S3024中的“10min的时间步长”作为判定条件得到了实施例一和实施例二中应用的实验数据文件的支持。具体来自：曹成，蒲晓林，王贵，等．水基钻井液用防塌封堵剂封堵效果实验研究[J].应用化工，2015，44(2)：247-250；DOI:10.16581/j.cnki.issn1671-3206.2015.02.043；文章编号:1671－3206(2015)02-0247-03.
文献的实验数据指出，使用3%碳酸钙粉（1000目）、2%乳化沥青和95%基浆进行调质，并生成复配物。实验数据表明，这一组分方案的总滤失量较小，而且在接近10分钟的时间步长后，滤失量几乎没有增幅。这一结果被认为代表了封堵效果的最优表现。
因此，作为S3024的判定条件，当达到“10min后滤失量几乎没有增幅”的效果时，即“调节幅度AOA平行或趋近平行”，可以合理地推断当前采用的组分方案（3%碳酸钙粉、2%乳化沥青和95%基浆）趋近于实验指标的最佳性能。这种自适应性调节策略可确保在实际矿井工程中，乳化沥青封堵剂的复配始终能够满足要求，特别是在面对钻井防塌的挑战时，能够稳定地维持封堵效果，从而确保工程的顺利进行。
在本实施例中，阈值T的具体取值方案通常是根据具体的实际应用场景和要求来确定的。这个阈值可以根据工程师或操作者的需求以及材料、环境和复配目标的特点进行调整。通常较低的阈值T可能会导致更频繁的复配和调节，而较高的阈值T可能导致更稳定的复配，但可能会牺牲一定的封堵效果。因此，阈值T的选择需要综合考虑多个因素，包括工程需求、资源可用性和性能要求。但是本实施例给定几个标准的方案：
（方案一）低阈值T（例如0.01）：适用于对封堵效果要求非常高的场景，需要即时、频繁的复配和调节，以保持最佳封堵性能。
（方案二）中等阈值T（例如0.1）：适用于一般性的钻井工程，能够在一定程度上平衡封堵效果和复配频率，通常在实践中较为常见。
（方案三）高阈值T（例如0.5）：适用于对封堵效果要求不那么高的场景，允许更长时间的稳定运行，减少复配频率，适用于资源受限的情况。
（方案四）非常高阈值T（例如0.9）：适用于极稳定的环境，对封堵效果要求较低，重视资源节约的情况，很少进行复配。
在本实施例中，S3021中将误差因子α与阈值T的差值作为变量，使用线性函数IF的方法为：
AOA =IF；
AOA = k * (α - T)；
其中，AOA 是调节幅度，表示需要增加或减少的碳酸钙粉和乳化沥青的流量。α 是误差因子，代表了当前复配的误差或偏差。T 是阈值，是一个事先设定的参数，表示允许的误差范围。k 是一个调整系数，用于控制调节幅度的大小。但是在这个环境下，k建议取值为0.5。
这个线性函数的作用是根据误差因子α与阈值T之间的差值，来计算需要调整的幅度。如果α与T之间的差值较大，AOA会相应地增大，以加大碳酸钙粉和乳化沥青的流量，以更好地满足封堵要求。反之，如果α与T之间的差值较小，AOA较小，以减小流量，以减少复配。
在本实施例中，S3022和S3023具体的包括：
（1）增加流量：
；
（2）减少流量：
；
其中，新碳酸钙粉流量和新乳化沥青流量分别表示经过调节后的新流量。现有碳酸钙粉流量和现有乳化沥青流量是当前的流量值。
AOA是调节幅度，由S3021计算而得。
和/>是系数，表示碳酸钙粉和乳化沥青的流量与AOA的关系，必须是正数。这些系数的选择需要经过实验和试验性的数据分析，以确保封堵剂的性能能够满足特定的防塌需求。但是本实施例给定如下几个标准的选择方案：
（方案一）：，/>：
场景：当需要快速反应并迅速调整碳酸钙粉和乳化沥青的流量以保持防塌效果时，可以选择较大的系数。
应用：适用于需求快速调整以适应不断变化的地层条件的钻井工程。
（方案二）：，/>：
场景：在具有相对稳定地层条件的场景中，可以选择较小的系数，以避免频繁的流量调整。
应用：适用于地层条件相对恒定，不需要频繁调整的钻井工程。
（方案三）：，/>：
场景：中等大小的系数，用于一般性的地层条件和防塌需求。
应用：适用于大多数常见的钻井工程，能够平衡快速反应和减小流量调整的需求。
在本实施例中，S3024中“判断调节幅度AOA的曲率是否平行或趋近平行”的方式，本实施例将进一步给定一个python判断程序：
def is_AOA_parallel(AOA_values, threshold):
# AOA_values 是一个包含连续时间步内的AOA值的列表
# threshold 阈值
if len(AOA_values) < 2:
return False # 如果时间步数小于2，无法判断平行或趋近平行
# 计算AOA值之间的差值
differences = [abs(AOA_values[i] - AOA_values[i - 1]) for i inrange(1, len(AOA_values))]
# 判断所有差值是否小于阈值
if all(diff < threshold for diff in differences):
return True # AOA平行或趋近平行
else:
return False # AOA波动较大
# 示例用法
AOA_values = [0.1, 0.15, 0.11, 0.12, 0.09]
threshold = 0.02
result = is_AOA_parallel(AOA_values, threshold)
if result:
print("AOA平行或趋近平行")
else:
print("AOA波动较大")
这个程序接受一个AOA值的列表和一个阈值作为输入参数。它计算连续时间步内的AOA值之间的差值，如果所有差值都小于阈值，则判断为“AOA平行或趋近平行”。如果有差值大于阈值，那么判断为“AOA波动较大”。建议该阈值设定为0.5。
实施例十：
请参阅图4~5，本实施例公开了：乳化沥青封堵剂的自应式复配测定执行器，用于执行如上文的乳化沥青封堵剂的自应式复配测定方法中的复配物的制备；这个乳化沥青封堵剂的自应式复配测定执行器是由旋转执行器1和环形架2组成。旋转执行器1装备有一个泵组，它负责抽取碳酸钙粉和乳化沥青，并将它们送入混合壳体6中，完成混合的过程。在这个过程中，流量传感器5用于检测碳酸钙粉和乳化沥青的流量。环形架2被放置于矿井中，其外环形排布了多个喷头4，这些喷头通过软管与混合壳体6相连，用于喷液。
具体的，该执行器的原理基于对碳酸钙粉和乳化沥青的精确混合，以便制备封堵剂复配物。旋转执行器1通过泵组抽取所需的碳酸钙粉和乳化沥青，而流量传感器5确保了精确的流量控制。混合壳体6是混合的关键部分，将两种成分均匀混合以生成复配物。环形架2放置在矿井中，喷头4通过软管与混合壳体6连接，以喷洒复配物到所需的位置。这种执行器实现了碳酸钙粉和乳化沥青的精确控制和混合，确保封堵剂的质量。
可以理解的是，在本实施例中，该自应式复配测定执行器用于负责制备乳化沥青封堵剂的自应式复配物。它的主要功能是混合碳酸钙粉和乳化沥青，以生成封堵剂的复配物。通过流量传感器5，它能够监测并控制碳酸钙粉和乳化沥青的流量，确保精确的配比。环形架2上的喷头4用于将混合好的复配物喷洒到矿井中的目标位置。这个执行器确保了封堵剂的质量和精确性，适用于矿井工程中对防塌封堵剂的制备。
在本方案中：旋转执行器1采用伺服电机，伺服电机的输出轴直接连接到环形架2。泵组由至少两个渣浆泵3组成，这些渣浆泵的输入口与用于储存碳酸钙粉和乳化沥青的容器相连，而输出口则与混合壳体6相连。每个渣浆泵3的输出口都设有流量传感器5，用于监测流量。
具体的，在这个实施方式中，伺服电机旋转执行器1通过其输出轴驱动环形架2，实现了装置的旋转。泵组的作用是将碳酸钙粉和乳化沥青从储存容器中抽取出来，然后通过流量传感器5进行精确的流量控制，确保精确的配比。这些泵将两种成分送入混合壳体6，以便在那里进行混合。
可以理解的是，在本实施例中，这种实施方式的执行器具有高度精确的流量控制能力，通过伺服电机和伺服控制，可以实现精确的旋转动作。多个渣浆泵3的使用确保了可靠的材料抽取和流量控制，从而实现了准确的碳酸钙粉和乳化沥青的混合。流量传感器5用于实时监测和反馈流量数据，以确保材料的精确配比。这个执行器适用于要求高精度的自应式复配测定方法，特别适用于矿井工程中的应用。
在本方案中：容器用于存储碳酸钙粉和乳化沥青，容器与泵组相连，并与混合壳体6相连，以便进行混合。基浆由于施工需要，保持原始正常排放到矿井中，无法进行精确控制。执行预测和判定，明确下一个时间步中所需的碳酸钙粉和乳化沥青的数量，或者动态调整需求。电磁阀将所需的碳酸钙粉和乳化沥青导入混合壳体6中的单独渣浆泵3的输入口，然后送到分流阀，分流阀与每个喷头4连接的软管连通。最终，这些材料与基浆在矿井中混合，形成防塌堵剂，实施防塌措施。
具体的，这种实施方式中的容器用于存储碳酸钙粉和乳化沥青，泵组用于将这些材料抽取并送入混合壳体6。由于基浆量很大，保持原始排放，难以控制。执行器基于之前的乳化沥青封堵剂的自应式复配测定方法执行预测和判定，以确定下一个时间步所需的材料量或调整需求。电磁阀通过精确控制将所需的材料导入单独的渣浆泵3，然后送入分流阀，以便分配到各个喷头4。
可以理解的是，在本实施例中，它允许根据实际施工条件和需求动态地控制碳酸钙粉和乳化沥青的混合，以满足防塌封堵剂的精确配比需求。通过电磁阀和分流阀的精确控制，可以将所需的成分精确地导入混合壳体6，以便在矿井中混合，从而实现防塌措施。这一实施方式允许更好地适应不同施工条件，提高防塌封堵剂的效力。
具体的，本装置的外部还设有一控制器，该控制器用于连接并控制本装置整体的所有电器元件按照预先设置的程序作为预设值及驱动模式进行驱动；需要指出的是，上述驱动模式即对应了下文中的相关电器元件之间对应的启停时间间距、转速、功率等输出参数，即满足了下文所述的相关电器元件驱动相关机械装置按其所描述的功能进行运行的需求。
优选的，控制器为MCU控制器，型号为STM32F103x。
在本方案中，本装置整体的所有电器元件依靠市电进行供能；具体的，装置整体的电器元件与市电输出端口处通过继电器、变压器和按钮面板等装置进行常规电性连接，以满足本装置的所有电器元件的供能需求。
在本实施例中，结合实施例九的“S302的子步骤具体实施方式”的部分，本实施例所提供的乳化沥青封堵剂的自应式复配测定执行器的具体实施方式包括：
P1、获取误差因子α (S3020): 首先，执行器从前文的计算或算法中获取误差因子α，这个因子可以表示当前防塌封堵剂的复配情况是否符合要求。误差因子α是根据之前的防塌效果和工程需求来计算的。
P2、计算调节幅度AOA (S3021): 检查误差因子α与预设的阈值T之间的差值。如果α与T之间存在足够大的差距，实施例十一的所公开的控制系统会使用线性函数IF计算调节幅度AOA。AOA表示需要增加或减少碳酸钙粉和乳化沥青的流量，以减小误差。
P3、调整碳酸钙粉和乳化沥青的流量 (S3022): 基于计算得到的调节幅度AOA，执行器相应地增加或减少碳酸钙粉和乳化沥青的流量。这确保了在下一时间步t+1中，混合物的复配比例得到了调整。
P4、循环执行 (S3023): 这个步骤会循环执行，以确保不断地根据误差因子α来优化防塌封堵剂的复配比例。在每个时间步骤中，都会获取新的α并计算新的AOA，然后再次调整流量。
P5、判断停止条件 (S3024): 在执行完S3023后，装置将等待10分钟的时间步长。在这段时间内，它将监测AOA的曲线，如果曲线平行或趋近平行，说明防塌封堵剂的复配比例已经趋于稳定。此时，装置停止执行，以节省资源并保持稳定的状态。
在本实施例中的这个步骤中，执行器基于计算得到的调节幅度AOA来调整碳酸钙粉和乳化沥青的流量。具体的实现方式通常涉及以下几个关键组件：
P1、控制阀门：流量传感器用于监测碳酸钙粉和乳化沥青的实时流量。这些传感器可以提供反馈信号，以便执行器了解当前的流量情况。
P2、控制系统：执行器配备了如实施例十一的“乳化沥青封堵剂的自应式复配测定系统”，它能够接收计算得到的调节幅度AOA的数值。根据AOA的值，控制系统将相应的指令发送给阀门，以增加或减少碳酸钙粉和乳化沥青的流量。
P3、反馈机制：基于实施例十一的“乳化沥青封堵剂的自应式复配测定系统”，执行如实施例一到十的“乳化沥青封堵剂的自应式复配测定方法”，以确保实际的流量与设定的目标流量一致。使用流量传感器提供的数据，检查实际流量与目标流量之间的差异，并对阀门进行微调，以使流量达到所需的调整幅度。
综合上述组件，当控制系统接收到计算得到的AOA后，它会调整碳酸钙粉和乳化沥青输入通道上的阀门，以实现所需的流量增加或减少。反馈机制确保实际流量与目标流量保持一致，以满足防塌封堵剂的复配需求。这样，通过不断的流量调整，执行器可以在工程中实现自适应的防塌封堵剂复配，以保持最佳的钻井防塌效果。
在本实施例中，伺服电机可以进一步驱动环形架2旋转，带动所有的喷头4围绕矿井结构特征作旋转喷射调节。但是可以理解的是，软管的长度应当留足长度，避免发生缠绕现象。其中伺服电机的最大旋转角度也最大不应超过360°。
在本实施例中，混合壳体6的“混合”：混合壳体6为双层结构，最内层用于存储碳酸钙粉和乳化沥青，双层之间的内腔中设有振动马达，依靠振动马达实现混合。
在本实施例中，流量传感器5的具体实施方式优选并通过如下方案实施：
（1）热式传感器：热式传感器在流体流经时通过测量温度变化来检测流量。在这个执行器中，热式传感器可以安装在渣浆泵3的输出口。当渣浆泵3将碳酸钙粉和乳化沥青抽出并向混合壳体6输送时，流体的流速会影响流体周围的温度。热式传感器会感知温度的变化，这种变化与流量成正比。型号优选为PN3000。
（2）声波传感器：声波传感器发送声波信号穿越流体，然后接收回波。流体的流速影响声波的传播速度，从而可以确定流量。在这个情境中，声波传感器可以安装在渣浆泵3的输出口，以测量流体的声速。声波传感器发送声波信号并监测回波，然后计算流量。型号优选为ZD10；
（3）旋涡流量传感器：旋涡流量传感器通过在流体中引入小的旋涡或涡流来检测流量。在这个执行器中，旋涡流量传感器可以安装在渣浆泵3的输出口。当渣浆泵3将碳酸钙粉和乳化沥青输送到混合壳体6时，流体中会形成微小的旋涡。传感器检测这些旋涡的频率，频率与流量成正比。型号优选为鲁自仪LUX智能旋进旋涡流量计DN25mm；
（4）电磁感应传感器：电磁感应传感器利用法拉第电磁感应原理，在流体中引入一个导电液体，然后测量感应电动势的变化来确定流量。在这个情境中，电磁感应传感器可以安装在渣浆泵3的输出口。它通过感应液体中电流的变化来测量流量。型号优选为NTC/Pt100；
（5）压降传感器：压降传感器通过测量流体通过管道时的压力降低来估计流量。在这个执行器中，压降传感器可以安装在渣浆泵3的输出口。当渣浆泵3将碳酸钙粉和乳化沥青输送到混合壳体6时，流体流经管道，导致压力降低。压降传感器测量这种压力降低，并根据它来计算流量。型号优选为IPF-Electronic Gmbh。
在本实施例中，渣浆泵3的型号为AH系列卧式渣浆泵中的1.5/1B-AH、2/1.5B-AH、3/2C-AH、4/3C-AH、4/3D-AH、6/4D-AH、6/4E-AH、8/6E-AH、8/6R-AH 110-300或10/8ST-AH中的任意一种。
实施例十一：
本实施例公开了：乳化沥青封堵剂的自应式复配测定系统
（一）概述
本申请公开了一种用于自动化地执行前文所述的乳化沥青封堵剂的自适应复配测定方法的系统。
（二）该系统的主要组件
（1）处理器：系统中的核心计算单元，负责执行程序指令以控制和协调系统的各个部分。处理器负责实现乳化沥青封堵剂的自适应复配测定方法。
（2）寄存器：寄存器是用于存储程序指令和数据的存储设备。在这个系统中，寄存器中存储了执行乳化沥青封堵剂的自适应复配测定方法所需的程序指令。
（三）系统工作原理
P1、处理器从寄存器中读取存储的程序指令。
P2、程序指令包括了执行乳化沥青封堵剂的自适应复配测定方法的详细步骤，如前文所述的 S1、S2、S3 部分。
P3、处理器按照指令的顺序逐步执行方法中的各个阶段。
P4、具体的计算、数据处理和决策过程由处理器执行，以实现乳化沥青封堵剂的自适应复配。
通过系统的执行，乳化沥青封堵剂的复配在不断地根据实际条件和反馈信息进行自适应性调整，以实现最佳的封堵效果。
进一步的，本实施例给定上述的程序指令，其采用python伪代码的形式编程仅供展示逻辑，其包括：
# S1: 读取基浆容量C
C = read_base_slurry_capacity()
# S100: 抽象
cells = initialize_cells()
# S101: 邻域
for cell in cells:
neighbors = define_neighbors(cell)
# S102: 执行转移
DV1 = transfer_function(C, cells)
# S2: 读取基浆容量C
C = read_base_slurry_capacity()
# S200: 初始
SP = initialize_state_space()
PV = initialize_probability_vector()
# S201: 引入马尔科夫性质
MV = apply_markov_chain(SP, PV)
# S202: 执行预测
DV2 = perform_MCMC(MV)
# S3: 获取证据
evidence_A = DV1
evidence_B = DV2
# S301: 生成联合支持函数MAB
MAB = combine_evidence(evidence_A, evidence_B)
DV3 = generate_joint_deviation_vector(MAB)
# S302: 自适应性式修正
alpha = map_to_range(DV3)
T = define_threshold()
if check_condition(alpha, T):
AOA = calculate_adjustment(alpha, T)
adjust_components(AOA)
while not check_stopping_condition(AOA):
AOA = calculate_new_adjustment()
其原理在于：
S1 - S102: 抽象和邻域定义：在这一部分，程序首先读取基浆容量C，然后将封堵区域的总面积划分为元胞。每个元胞具有碳酸钙粉属性a和乳化沥青属性b。程序也定义了每个元胞的邻域。
S102: 执行转移：这一部分使用转移函数F，将基浆容量C作为变量，对每个元胞的邻域执行转移，最后输出第一预测向量DV1。转移函数的具体逻辑根据实际需求而定，用于计算每个元胞的新属性值。
S2 - S202: 马尔科夫链算法：在S2中，程序再次读取基浆容量C。在S200，程序初始化状态空间和概率向量。在S201中，引入马尔科夫性质，通过随机数生成函数RGF引入随机性，基于马尔科夫性质演化未来时间步tn中的乳化沥青封堵剂的复配偏差值MV。最终，S202中使用马尔科夫链蒙特卡洛方法（MCMC）对复配偏差值MV执行抽样，生成第二预测向量DV2。
S3: 自适应性式修正：在S3中，程序获取第一预测向量DV1和第二预测向量DV2作为证据A和证据B。然后使用Dempster's组合原则生成联合支持函数MAB。这个步骤将不同时间步和不同要素的信息结合在一起，生成联合偏差向量DV3。
S302: 自适应性式修正的具体实现：S302包括多个子步骤，其中包括阈值的定义、误差因子α的计算以及调节幅度AOA的计算和应用。程序通过比较误差因子α和阈值T来判断是否需要执行自适应性式修正。如果条件满足，程序计算调节幅度AOA并相应地增加或减少碳酸钙粉和乳化沥青的流量。
以上所有的实施例仅表达了本发明的相关实际应用的实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (11)

1.乳化沥青封堵剂的自应式复配测定方法，包括使用3%碳酸钙粉、2%乳化沥青和95%基浆组成的复配物，其特征在于：包括如下步骤：
S1、在当前时间步t中，读取基浆容量C后，执行元胞自动机算法：
S100、抽象：将封堵区域的总面积区域展开为一个二维平面，所述二维平面均匀划分为若干个区域，每个区域视为一个元胞i，每个所述元胞i具有碳酸钙粉属性a和乳化沥青属性b；
S101、邻域：每个所述元胞i作为一个Moore邻域Ni的中心元胞；
S102、执行转移：使用转移函数F，将所述基浆容量C作为变量，对每个所述Moore邻域Ni执行转移，并输出第一预测向量DV1；
S2、在当前时间步t中，读取所述基浆容量C后，执行马尔科夫链算法：
S200、初始：将封堵区域的总面积区域作为状态空间SP，通过概率向量PV设定初始状态概率ISP；
S201、引入马尔科夫性质：通过随机数生成函数RGF引入随机性，基于马尔科夫性质演化在未来时间步tn中的乳化沥青封堵剂的复配偏差值MV；
S202、执行预测：通过马尔科夫链蒙特卡洛方法MCMC对所述复配偏差值MV执行抽样，生成出第二预测向量DV2；
S3、在当前时间步t中，使用D-S证据算法执行自适应性式修正：
S300、获取上一个时间步t-1中的S102给定的所述第一预测向量DV1和所述第二预测向量DV2，分别作为证据A和证据B；
S301、将所述证据A和所述证据B通过Dempster's组合原则生成联合支持函数MAB，所述联合支持函数MAB输出联合偏差向量DV3；
S302、将所述联合偏差向量DV3映射为[0,1]的区间值并作为误差因子α，通过阈值T与误差因子α进行比较，执行复配自适应式调节。
2.根据权利要求1所述的乳化沥青封堵剂的自应式复配测定方法，其特征在于：在所述S100中，包括：
S1000、所述二维平面：定义所述封堵区域的总面积区域A，将其分为Nx行和Ny列的网格，形成二维平面：；
S1001、定义每个元胞i的所述碳酸钙粉属性a和所述乳化沥青属性b：
；
；
；
是碳酸钙粉属性向量，/>是乳化沥青属性向量；
在所述S101中，所述Moore邻域Ni为：
；
所述Moore邻域Ni为以所述元胞i为中心的九个元胞的集合，包括所述元胞i自身以及其周围的八个相邻元胞。
3.根据权利要求1所述的乳化沥青封堵剂的自应式复配测定方法，其特征在于：在所述S102中，所述转移函数F包括：
；
；
其中，所述基浆容量C是一个[0,1]的区间值，表示基浆的容量大小；是所述元胞i的碳酸钙粉属性向量，k 是一个调整参数，表示基浆容量对碳酸钙粉属性的影响程度；/>是所述元胞i的乳化沥青属性向量，m是另一个调整参数，表示基浆容量对乳化沥青属性的影响程度。
4.根据权利要求3所述的乳化沥青封堵剂的自应式复配测定方法，其特征在于：在所述S102中，所述转移函数F输出第一预测向量DV1的方法包括：
对于碳酸钙粉属性和乳化沥青属性/>，在所述Moore邻域 Ni中执行加权求和：
；
；
其中，表示Ni中的某一元胞j的碳酸钙粉属性，|Ni|表示所述Moore 邻域Ni中元胞的数量；/>表示所述Moore邻域Ni中的某一元胞j的乳化沥青属性；
所述第一预测向量 DV1：；
和/>均为权重参数。
5.根据权利要求1所述的乳化沥青封堵剂的自应式复配测定方法，其特征在于：在所述S200中，包括：
S2000、定义所述状态空间 SP：表示为封堵区域的总面积：SP = A；
其中，A 是封堵区域的总面积，单位为平方米；
S2001、定义所述概率向量 PV，其中包含了不同状态的初始概率：每个元素表示状态空间中状态i的初始概率，这些概率之和等于1：
；
S2003、定义所述初始状态概率ISP由所述概率向量 PV 给定：ISP = PV。
6.根据权利要求5所述的乳化沥青封堵剂的自应式复配测定方法，其特征在于：在所述S201中，包括：
S2010、设所述复配偏差值MV是一个随机变量X，表示乳化沥青封堵剂的复配偏差值：MV= X；
S2011、引入所述马尔科夫性质，表明未来时间步tn中的所述复配偏差值MV取决于当前时间步t中的所述随机变量X的随机性，而不受其余任意时间步中的任意要素的影响：
；
其中，表示在给定当前时间步t的所述复配偏差值MV的取值/>的情况下，在所述未来时间步tn中所述复配偏差值MV的取值x的条件概率；
S2012、通过所述随机数生成函数RGF引入随机性，以模拟所述未来时间步tn中的所述复配偏差值MV：
；
其中，表示使用随机数生成函数，对所述当前时间步t的所述复配偏差值MV的取值/>进行演化，以获得所述未来时间步tn中的MV值/>。
7.根据权利要求6所述的乳化沥青封堵剂的自应式复配测定方法，其特征在于：在所述S202中，所述马尔科夫链蒙特卡洛方法MCMC包括：
S2020、所述抽样：
；
其中，是与所述复配偏差值MV的取值x相关的条件概率密度函数；
S2021、所述生成：
。
8.根据权利要求1所述的乳化沥青封堵剂的自应式复配测定方法，其特征在于：在所述S301中，包括：
S3010、所述Dempster's组合原则：
；
其中，Ai表示所述证据A中的任意一元素，Bj表示所述证据B中的任意一元素，P(Ai ∩Bj)表示所述Ai和所述Bj的交集的支持度向量；
S3011、输出所述联合偏差向量DV3：
；
其中，MABi表示所述联合支持函数MAB中的第i个元素，代表联合支持度的分布。
9.乳化沥青封堵剂的自应式复配测定执行器，其特征在于：所述乳化沥青封堵剂的自应式复配测定执行器用于执行如权利要求1~8中任意一项所述的乳化沥青封堵剂的自应式复配测定方法中的所述复配物的制备；包括旋转执行器（1）及由所述旋转执行器（1）驱动旋转的环形架（2）；
所述旋转执行器（1）上设有泵组，所述泵组抽取碳酸钙粉和乳化沥青进入混合壳体（6）中进行混合，期间通过流量传感器（5）检测碳酸钙粉和乳化沥青的流量；
所述环形架（2）置于矿井中；
所述环形架（2）外环形阵列式排布有若干个用于喷液的喷头（4），所述喷头（4）通过软管与所述混合壳体（6）连通。
10.根据权利要求9所述的乳化沥青封堵剂的自应式复配测定执行器，其特征在于：所述旋转执行器（1）为伺服电机，所述伺服电机的输出轴与所述环形架（2）固定连接；
所述泵组至少包括两个渣浆泵（3），所述渣浆泵（3）的输入口连通于用于存储碳酸钙粉/乳化沥青的容器，所述渣浆泵（3）的输出口连通于所述混合壳体（6）；
所述渣浆泵（3）的输出口处设有所述流量传感器（5）。
11.乳化沥青封堵剂的自应式复配测定系统，其特征在于：所述乳化沥青封堵剂的自应式复配测定系统包括处理器、与所述处理器耦接的寄存器，所述寄存器中存储有程序指令，所述程序指令被所述处理器执行时，使所述处理器控制如权利要求9~10中任一项所述的乳化沥青封堵剂的自应式复配执行器，还使所述处理器执行如权利要求1~8中任一项所述的乳化沥青封堵剂的自应式复配测定方法。
CN202311616648.7A 2023-11-30 2023-11-30 乳化沥青封堵剂的自应式复配测定方法、系统和执行器 Active CN117345161B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311616648.7A CN117345161B (zh) 2023-11-30 2023-11-30 乳化沥青封堵剂的自应式复配测定方法、系统和执行器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311616648.7A CN117345161B (zh) 2023-11-30 2023-11-30 乳化沥青封堵剂的自应式复配测定方法、系统和执行器

Publications (2)

Publication Number Publication Date
CN117345161A CN117345161A (zh) 2024-01-05
CN117345161B true CN117345161B (zh) 2024-02-06

Family

ID=89363452

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311616648.7A Active CN117345161B (zh) 2023-11-30 2023-11-30 乳化沥青封堵剂的自应式复配测定方法、系统和执行器

Country Status (1)

Country Link
CN (1) CN117345161B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104931646A (zh) * 2014-03-23 2015-09-23 阿斯派克国际(2015)私人有限公司 用于钻井泥浆的多模态分析和处理的装置和方法
CN210486962U (zh) * 2019-10-24 2020-05-08 江苏苏商建设集团有限公司 一种沥青混合料搅拌设备用冷料仓流量测定装置
CN111739593A (zh) * 2020-06-24 2020-10-02 宁夏睿泰天成新材料科技有限公司 温拌大掺量再生沥青混合料配合比设计方法
CN113486539A (zh) * 2021-08-09 2021-10-08 中国石油大学(华东) 一种深水钻井全过程中地层压力不确定性分析方法
CN114171132A (zh) * 2021-08-29 2022-03-11 北京工业大学 一种耐疲劳应力吸收层配合比设计方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030146002A1 (en) * 2001-04-24 2003-08-07 Vinegar Harold J. Removable heat sources for in situ thermal processing of an oil shale formation
GB201109446D0 (en) * 2011-06-06 2011-07-20 M I Drilling Fluids Uk Ltd Methods for reducing permeability of subterranean reservoirs
US9471971B2 (en) * 2014-09-23 2016-10-18 Syncrude Canada Ltd. System and method for image-based analysis of a slurry and control of a slurry process
CA3015669A1 (en) * 2016-03-23 2017-09-28 Henry Company, Llc Low dust additives comprising emulsified powder for joint compounds and joint compounds thereof
WO2020185809A1 (en) * 2019-03-11 2020-09-17 Schlumberger Technology Corporation Formation analysis incorporating identification of immovable and viscous hydrocarbons
US20220213780A1 (en) * 2021-01-05 2022-07-07 The Board Of Regents Of The University Of Oklahoma Determining Asphaltene Deposition in a Flowline
CN114155917A (zh) * 2021-12-02 2022-03-08 武汉理工大学 沥青胶浆-集料比表面积的表面能匹配性指标计算方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104931646A (zh) * 2014-03-23 2015-09-23 阿斯派克国际(2015)私人有限公司 用于钻井泥浆的多模态分析和处理的装置和方法
CN210486962U (zh) * 2019-10-24 2020-05-08 江苏苏商建设集团有限公司 一种沥青混合料搅拌设备用冷料仓流量测定装置
CN111739593A (zh) * 2020-06-24 2020-10-02 宁夏睿泰天成新材料科技有限公司 温拌大掺量再生沥青混合料配合比设计方法
CN113486539A (zh) * 2021-08-09 2021-10-08 中国石油大学(华东) 一种深水钻井全过程中地层压力不确定性分析方法
CN114171132A (zh) * 2021-08-29 2022-03-11 北京工业大学 一种耐疲劳应力吸收层配合比设计方法

Also Published As

Publication number Publication date
CN117345161A (zh) 2024-01-05

Similar Documents

Publication Publication Date Title
US10310497B2 (en) Equipment condition and performance monitoring using comprehensive process model based upon mass and energy conservation
Miller et al. Model identification and control strategies for batch cooling crystallizers
US20030147351A1 (en) Equipment condition and performance monitoring using comprehensive process model based upon mass and energy conservation
JP2004199656A (ja) プロセス制御システムエレメント
Messa et al. A mixed Euler–Euler/Euler–Lagrange approach to erosion prediction
Tanyimboh et al. Pressure-driven modelling of water distribution systems
Chen Investigations on Mesoscale Structure in Gas–Solid Fluidization and Heterogeneous Drag Model
CN117345161B (zh) 乳化沥青封堵剂的自应式复配测定方法、系统和执行器
Russell et al. A new computational fluid dynamics model to predict flow profiles and erosion rates in downhole completion equipment
Setarehshenas et al. Impacts of solid-phase wall boundary condition on CFD simulation of conical spouted beds containing heavy zirconia particles
Wang et al. A modified STRUCT model for efficient engineering computations of turbulent flows in hydro-energy machinery
Ierapetritou et al. Process simulation and control for continuous pharmaceutical manufacturing of solid drug products
Qin et al. Coupling of an IOT wear sensor and numerical modelling in predicting wear evolution of a slurry pump
Dosta et al. Parameter estimation for the flowsheet simulation of solids processes
Frawley et al. Combination of CFD and DOE to analyse solid particle erosion in elbows
Bove et al. Simulations of a Square-Based Spouted Bed Reactor and Validation with Experimental Tests Using Rice Straw as Feedstock
Jadhav et al. Eulerian-Lagrangian modelling of turbulent two-phase particle-liquid flow in a stirred vessel: CFD and experiments compared
Baghdadi et al. Development of Sand Erosion and Transport Software for Efficient Sand Management
Chang et al. Theoretical and experimental study on two-phase structure of planar mixing layer
Masuda et al. Aggregation/dispersion behaviors of fine particles in a flow between parallel plates
KR102145683B1 (ko) Hils 기반 분체이송시스템의 제어 시뮬레이터
Tricomi et al. Numerical investigation of a cold bubbling bed throughout a dense discrete phase model with KTGF collisional closure
Shirazi et al. Integrity Management of offshore Process Piping and Equipment with Sand Production–Part I: The Pinhole Incident
Messa et al. A discussion of the test procedures of the API 6AV1 standard based on wear prediction simulations
S. Gorini et al. Enhanced Erosion Prediction for XTree Valves’ Lifetime Estimation

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