【技术实现步骤摘要】
本专利技术涉及石油支撑剂成型，更具体地说，本专利技术涉及基于机器学习的石油支撑剂颗粒成型控制方法及系统。
技术介绍
1、目前，水力压裂增产技术在石油天然气行业中被广泛采用，成为提高油气井产量的重要手段之一，该技术通过将压裂支撑剂混入压裂液并注入深层岩缝中，支撑住岩缝形成高渗透性原油流动通道，从而保持原油顺畅通过，最大限度地挖掘油井产油潜力，目前常用的压裂支撑剂主要包括石英砂和陶粒压裂支撑剂，陶粒压裂支撑剂以铝土矿为基料，具有强度高、价格低等优点，在深层油气井中得到广泛应用。
2、然而，由铝土矿制备压裂支撑剂存在烧成温度高的问题，这导致加工成本较高，为了解决这一问题，需要引入添加剂来降低铝土矿压裂支撑剂的烧结温度，然而，目前的技术往往只针对某一特定的添加剂进行研究，缺乏整体考虑，从而限制了压裂支撑剂加工质量的提高,并且随着人工智能技术的发展，现有技术中，出现了通过人工智能技术根据油气井的实际情况以及支撑剂用途，选择最优的支撑剂，但是很少出现人工智能技术应用到支撑剂的生产过程。
3、例如，公开号为cn115758851a的中国专利提供了一种含天然裂缝地层裂缝多尺度支撑剂的选择方法，该专利通过获取裂缝扩展情况对裂缝进行分级，再根据分级情况选择最优的支撑剂，但是上述专利只是将人工智能技术应用到支撑剂实际使用过程中，并没有应用到支撑剂的生产过程，例如，在支撑剂的生产过程中，由于支撑剂用途的不同，或者对于支撑剂的需求不同，需要支撑剂具备低破碎率或者高通过率，那么在支撑剂成型过程中，无法根据需求或者用途进行添加剂的选择
4、鉴于此，本专利技术提出基于机器学习的石油支撑剂颗粒成型控制方法及系统以解决上述问题。
技术实现思路
1、为了克服现有技术的上述缺陷，本专利技术提供基于机器学习的石油支撑剂颗粒成型控制方法及系统。
2、为实现上述目的，本专利技术提供如下技术方案：
3、基于机器学习的石油支撑剂颗粒成型控制方法，包括：
4、s10：获取基料重量以及基料用途，根据基料用途以及第一预设规则确定初始添加剂类型，初始添加剂类型包括铬铁矿、白云石和软锰矿；
5、s20：将基料重量以及初始添加剂类型输入到预构建的第一机器学习模型中，获得添加剂重量；
6、s30：根据初始添加剂类型以及第二预设规则确定废料类型，将添加剂重量以及废料类型输入到预构建的第二机器学习模型中，获得废料重量；
7、s40：若初始添加剂类型为铬铁矿或软锰矿，则确定铬铁矿或软锰矿为目标添加剂类型；
8、s50：若初始添加剂类型为白云石，则根据白云石所对应的添加剂重量以及废料重量计算烧失物重量，根据白云石所对应的添加剂重量以及烧失物重量计算第一加工成本，根据软锰矿所对应的添加剂重量计算第二加工成本，基于第一加工成本和第二加工成本确定目标添加剂类型；
9、根据白云石所对应的添加剂重量以及废料重量计算烧失物重量的方法包括：
10、;
11、式中，wfl为烧失物重量，为白云石所对应的添加剂重量，为白云石所对应的废料重量，均为权重系数。
12、根据白云石所对应的添加剂重量以及烧失物重量计算第一加工成本的方法包括：
13、;
14、式中，ipc为第一加工成本，为白云石单位重量所对应的价格，为处理烧失物单位重量所对应的价格。
15、进一步地，基料用途包括耐高压用途、渗透用途以及低烧结用途，根据基料用途以及第一预设规则确定初始添加剂类型的方法包括：
16、当基料用途为耐高压用途时，则初始添加剂类型为铬铁矿；
17、当基料用途为渗透用途时，则初始添加剂类型为软锰矿；
18、当基料用途为低烧结用途时，则初始添加剂类型为白云石。
19、进一步地，第一机器学习模型的构建方法包括：
20、获取样本数据集，所述样本数据集中包括历史基料重量、历史初始添加剂类型和历史添加剂重量，将样本数据集划分为样本训练集和样本测试集，构建回归网络，以样本训练集中的历史基料重量和历史初始添加剂类型作为回归网络的输入数据，以样本训练集中的历史添加剂重量作为回归网络的输出数据，对回归网络进行训练，得到用于预测实时添加剂重量的初始回归网络，利用样本测试集对初始回归网络进行测试，输出满足小于预设误差值的回归网络作为第一机器学习模型。
21、进一步地，废料类型包括氧化钙和三氧化二铁，根据初始添加剂类型以及第二预设规则确定废料类型的方法包括：
22、当初始添加剂类型为铬铁矿或者软锰矿，则废料类型为三氧化二铁；
23、当初始添加剂类型为白云石，则废料类型为氧化钙。
24、进一步地，第二机器学习模型的构建方法包括：
25、获取样本数据集，所述样本数据集中包括历史添加剂重量、历史废料类型和历史废料重量，将样本数据集划分为样本训练集和样本测试集，构建回归网络，以样本训练集中的历史添加剂重量和历史废料类型作为回归网络的输入数据，以样本训练集中的历史废料重量作为回归网络的输出数据，对回归网络进行训练，得到用于预测实时废料重量的初始回归网络，利用样本测试集对初始回归网络进行测试，输出满足小于预设误差值的回归网络作为第二机器学习模型。
26、进一步地，根据软锰矿所对应的添加剂重量计算第二加工成本的方法包括：
27、;
28、式中，spc为第二加工成本，为软锰矿所对应的添加剂重量，为软锰矿单位重量所对应的价格。
29、进一步地，基于第一加工成本和第二加工成本确定目标添加剂类型的方法包括：
30、当第一加工成本小于第二加工成本时，则将第一加工成本所对应的白云石作为目标添加剂类型；
31、当第一加工成本大于等于第二加工成本时，则将第二加工成本所对应的软锰矿作为目标添加剂类型。
32、基于机器学习的石油支撑剂颗粒成型控制系统，其用于实现上述的基于机器学习的石油支撑剂颗粒成型控制方法，包括：
33、数据获取模块：用于获取基料重量以及基料用途，根据基料用途以及第一预设规则确定初始添加剂类型，初始添加剂类型包括铬铁矿、白云石和软锰矿；
34、添加剂重量确定模块：用于将基料重量以及初始添加剂类型输入到预构建的第一机器学习模型中，获得添加剂重量；
35、废料重量确定模块：用于根据初始添加剂类型以及第二预设规则确定废料类型，将添加剂重量以及废料类型输入到预构建的第二机器学习模型中，获得废料重量；
36、第一类型确定模块：用于若初始添加剂类型为铬铁矿或软锰矿，则确定铬铁矿或软锰矿为目标添加剂类型；
37、第二类型确定模块：用于若初始添加剂类型为白云石，则根据白云石所对应的添加剂重量以及废料重量计算烧失物重量，根据白云石所对应的添加剂重量以及烧失物重量计算第一加工成本，根据软锰矿所对应的添加剂重量计算本文档来自技高网...
【技术保护点】
1.基于机器学习的石油支撑剂颗粒成型控制方法，其特征在于，包括：
2.根据权利要求1所述的基于机器学习的石油支撑剂颗粒成型控制方法，其特征在于，所述基料用途包括耐高压用途、渗透用途以及低烧结用途，根据基料用途以及第一预设规则确定初始添加剂类型的方法包括：
3.根据权利要求2所述的基于机器学习的石油支撑剂颗粒成型控制方法，其特征在于，所述第一机器学习模型的构建方法包括：
4.根据权利要求1所述的基于机器学习的石油支撑剂颗粒成型控制方法，其特征在于，所述废料类型包括氧化钙和三氧化二铁，所述根据初始添加剂类型以及第二预设规则确定废料类型的方法包括：
5.根据权利要求4所述的基于机器学习的石油支撑剂颗粒成型控制方法，其特征在于，所述第二机器学习模型的构建方法包括：
6.根据权利要求1所述的基于机器学习的石油支撑剂颗粒成型控制方法，其特征在于，所述根据软锰矿所对应的添加剂重量计算第二加工成本的方法包括：
7.根据权利要求1所述的基于机器学习的石油支撑剂颗粒成型控制方法，其特征在于，所述基于第一加工成本和第二加工成本确定
8.基于机器学习的石油支撑剂颗粒成型控制系统，其用于实现权利要求1-7中任一项所述的基于机器学习的石油支撑剂颗粒成型控制方法，其特征在于，包括：
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被执行时实现权利要求1至7任一项所述基于机器学习的石油支撑剂颗粒成型控制方法。
...【技术特征摘要】
1.基于机器学习的石油支撑剂颗粒成型控制方法，其特征在于，包括：
2.根据权利要求1所述的基于机器学习的石油支撑剂颗粒成型控制方法，其特征在于，所述基料用途包括耐高压用途、渗透用途以及低烧结用途，根据基料用途以及第一预设规则确定初始添加剂类型的方法包括：
3.根据权利要求2所述的基于机器学习的石油支撑剂颗粒成型控制方法，其特征在于，所述第一机器学习模型的构建方法包括：
4.根据权利要求1所述的基于机器学习的石油支撑剂颗粒成型控制方法，其特征在于，所述废料类型包括氧化钙和三氧化二铁，所述根据初始添加剂类型以及第二预设规则确定废料类型的方法包括：
5.根据权利要求4所述的基于机器学习的石油支撑剂颗粒成型控制方法，其特征在于，所述第二...
【专利技术属性】
技术研发人员：宋承洋，陈同涛，袁家洪，宋超，张政，钟丽娇，陈由良，
申请(专利权)人：贵阳鑫睿材料科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。