本技术涉及石油支撑剂生产，特别涉及一种基于机器学习的石油支撑剂成品分选控制方法及系统。
背景技术：
1、石油支撑剂是一种用于石油开采的关键材料，主要用于压裂工艺中。它们是一种高强度、高球形度的陶瓷微球，能够支撑裂缝，维持裂缝导流能力，从而提高采收率。常见的支撑剂材料有氧化铝、莫来石、硅砂。
2、公开号为cn114289158a的中国专利公开了一种石油压裂支撑剂及其制备工艺，制备工艺的步骤为：(1)将矿石输送至破碎机内，将矿石粒径粉碎，然后提升至暂存仓，再进入对辊破碎机；(2)矿石在对辊破碎机内完成二次破碎，破碎完成后进行筛分，较大颗粒继续进入对辊破碎机进行破碎，较小颗粒输送至整形制砂机进行细破、强度优选、磨圆处理，获得石英砂颗粒；(3)细破整形后的石英砂颗粒进行初步分级；(4)粒径为1-0.106mm的石英砂颗粒进入摇摆筛进行精细筛分。
3、现有的石油支撑剂成品分选过程中，由于支撑剂颗粒形状不规则，偏离理想球形，导致分级精度和稳定性较低，粒度分布不够准确，成品支撑剂颗粒质量不高。
技术实现思路
1、本技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本技术的一个目的在于提出一种基于机器学习的石油支撑剂成品分选控制方法及系统，实现了石油支撑剂成品分选的质量控制。
2、本技术的一个方面提供了一种基于机器学习的石油支撑剂成品分选控制方法，包括：
3、步骤s100：获取石油支撑剂颗粒样本，提取石油支撑剂颗粒样本的形状特征参数，所述石油支撑剂颗粒样本包括球形颗粒样本和非球形颗粒样本，所述形状特征参数包括圆度、球度和等效直径；
4、步骤s200：构建气流分级机的三维几何模型，生成球形颗粒样本和非球形颗粒样本在分级过程中的三维轨迹；
5、步骤s300：对于待分级的支撑剂颗粒，获取其形状特征参数，找到与待分级的支撑剂颗粒形状相似度最高的石油支撑剂颗粒样本，基于三维轨迹计算待分级的支撑剂颗粒与球形颗粒样本之间的速度偏差；
6、步骤s400：基于支撑剂颗粒的形状特征参数和速度偏差，计算其综合偏差指标，预设综合偏差指标阈值，若综合偏差指标小于或等于综合偏差指标阈值，则支撑剂颗粒直接进入气流分级机进行分级，否则对其进行二次处理；
7、步骤s500：利用训练好的智能矫正模型预测最佳矫正参数，对进行二次处理的支撑剂颗粒进行矫正，直到其综合偏差指标小于或等于综合偏差指标阈值，将矫正后的支撑剂颗粒送入气流分级机进行分级；
8、步骤s600：实时检测气流分级机分级结果的实际粒度分布，计算其与目标粒度分布的偏差值，计算进入气流分级机的支撑剂颗粒的形状特征参数平均值和综合偏差指标平均值，构建优化目标函数，搜索最优工艺参数。
9、所述获取石油支撑剂颗粒样本，提取石油支撑剂颗粒样本的形状特征参数的具体方法为：
10、步骤s110：收集石油支撑剂颗粒的球形颗粒样本和非球形颗粒样本，得到石油支撑剂颗粒样本，扫描石油支撑剂颗粒样本的二维轮廓图像；
11、步骤s120：根据二维轮廓图像获取石油支撑剂颗粒样本的最大内切圆直径和最小外接圆直径，计算石油支撑剂颗粒样本的球度；
12、步骤s130：根据球度在krumbien/sloss图版上找到对应的横坐标位置，将二维轮廓图像与不同圆度级别的标准轮廓线进行对比，选择最相似的一条标准轮廓线得到石油支撑剂颗粒样本的圆度c；
13、步骤s140：测定石油支撑剂颗粒样本的实际体积v，计算石油支撑剂颗粒样本的等效直径；
14、步骤s150：由圆度、球度和等效直径构成石油支撑剂颗粒样本的形状特征参数。
15、所述构建气流分级机的三维几何模型的具体方法为：
16、步骤s210：获取气流分级机的结构参数和工艺参数，结构参数包括进料口直径、出口高度，工艺参数包括进料速率、气流速度、温度t；
17、步骤s220：确定气相-颗粒相数值模型的计算域，包括气流分级机的进料口、分级腔体和出口；设计气相控制方程用于求解气相在计算域内任意位置和时刻的气相速度矢量；设计颗粒相控制方程用于求解石油支撑剂颗粒样本的颗粒速度；气相控制方程和颗粒相控制方程构成气相-颗粒相数值模型；
18、步骤s230：根据理想气体状态方程、实际的温度和压力p，确定气相密度，根据气流的动力学粘度，确定气相动力学粘度；基于石油支撑剂颗粒样本的颗粒密度和等效直径计算颗粒质量，根据石油支撑剂颗粒样本与气流的相对速度计算气动阻力，根据颗粒质量和重力加速度计算重力；
19、步骤s240：构建气流分级机的三维几何模型，将气流分级机的进料口、分级腔体和出口划分为不同的区域并生成网格。
20、所述生成球形颗粒样本和非球形颗粒样本在分级过程中的三维轨迹的具体方法为：
21、步骤s250：模拟石油支撑剂颗粒样本在气流分级机中的分级过程，对气相-颗粒相数值模型进行求解，得到计算域内任意位置和时刻的气相速度矢量，得到石油支撑剂颗粒样本在任意位置和时刻的颗粒速度；
22、步骤s260：根据颗粒速度得到石油支撑剂颗粒样本在每个时刻的颗粒位置，绘制石油支撑剂颗粒样本在分级过程中的三维轨迹；
23、步骤s270：生成球形颗粒样本和非球形颗粒样本在分级过程中的三维轨迹，并存入数据库。
24、所述对于待分级的支撑剂颗粒，获取其形状特征参数，找到与待分级的支撑剂颗粒形状相似度最高的石油支撑剂颗粒样本的具体方法为：
25、步骤s310：对于待分级的支撑剂颗粒，获取其二维轮廓图像，定义其形状特征参数为，对于数据库中的石油支撑剂颗粒样本，定义其形状特征参数为，计算待分级的支撑剂颗粒的形状特征参数与数据库中的石油支撑剂颗粒样本的形状特征参数之间的加权欧氏距离，计算加权欧氏距离的倒数得到形状相似度；其中，分别为待分级的支撑剂颗粒的球度、圆度和等效直径，分别为数据库中第j个石油支撑剂颗粒样本的球度、圆度和等效直径；
26、步骤s320：将与待分级的支撑剂颗粒形状相似度最高的石油支撑剂颗粒样本对应的三维轨迹作为该待分级的支撑剂颗粒的最相似轨迹。
27、所述基于三维轨迹计算待分级的支撑剂颗粒与球形颗粒样本之间的速度偏差的具体方法为：
28、步骤s330：找到数据库中与待分级的支撑剂颗粒的等效直径最接近的球形颗粒样本，将该球形颗粒样本的三维轨迹作为基准三维轨迹；
29、步骤s340：基于计算域的网格建立三维坐标系(x，y，z)，其中z轴方向为气流分级机的轴向，计算域在z轴方向上被等距划分为n个网格，每个网格的尺寸为；
30、步骤s350：定义采样点的z轴坐标为每个网格的中点，即第i个采样点的z轴坐标的表达式为，其中，i=1,2,...,n；
31、步骤s360：对于最相似轨迹和基准三维轨迹，分别获取每个采样点处的颗粒速度，得到最相似轨迹在第i个采样点处的颗粒速度，得到基准三维轨迹在第i个采样点处的颗粒速度；其中，分别为最相似轨迹在第i个采样点处的颗粒速度在x、y、z轴方向上的分速度，分别为基准三维轨迹在第i个采样点处的颗粒速度在x、y、z轴方向上的分速度；
32、步骤s370：计算最相似轨迹与基准三维轨迹在每个采样点处的速度偏差；
33、步骤s380：计算最相似轨迹与基准三维轨迹在整个轨迹上的平均速度偏差，将所述平均速度偏差作为支撑剂颗粒与球形颗粒样本之间的速度偏差。
34、所述基于支撑剂颗粒的形状特征参数和速度偏差，计算其综合偏差指标，预设综合偏差指标阈值，若综合偏差指标小于或等于综合偏差指标阈值，则支撑剂颗粒直接进入气流分级机进行分级，否则对其进行二次处理的具体方法为：
35、步骤s410：结合支撑剂颗粒的形状特征参数、支撑剂颗粒与球形颗粒样本之间的速度偏差，计算综合偏差指标；
36、步骤s420：预设综合偏差指标阈值，比较综合偏差指标与综合偏差指标阈值的大小，若支撑剂颗粒的综合偏差指标小于或等于综合偏差指标阈值，则该支撑剂颗粒直接进入气流分级机进行分级；若支撑剂颗粒的综合偏差指标大于综合偏差指标阈值，则该支撑剂颗粒进行二次处理。
37、所述利用训练好的智能矫正模型预测最佳矫正参数，对进行二次处理的支撑剂颗粒进行矫正，直到其综合偏差指标小于或等于综合偏差指标阈值，将矫正后的支撑剂颗粒送入气流分级机进行分级的具体方法为：
38、步骤s510：获取历史数据中非球形颗粒的形状特征参数和对应的最佳矫正参数，将非球形颗粒的形状特征参数作为输入数据、对应的最佳矫正参数作为输出数据构成训练样本，构建训练集；
39、步骤s520：采用深度神经网络作为训练智能矫正模型的基本架构，所述智能矫正模型包括输入层、隐藏层、输出层，使用均方误差作为损失函数，采用adam优化算法优化模型参数；
40、步骤s530：将训练集输入深度神经网络，进行前向传播，计算每组训练样本的输出数据和损失函数，通过反向传播算法计算损失函数对模型参数的梯度，采用adam优化算法更新模型参数，最小化损失函数；
41、步骤s540：当预测的最佳矫正参数与真实的最佳矫正参数之间的损失函数达到收敛时，训练完成，得到训练好的智能矫正模型；
42、步骤s550：对于进行二次处理的支撑剂颗粒，利用训练好的智能矫正模型，预测该支撑剂颗粒的最佳矫正参数，基于最佳矫正参数对支撑剂颗粒进行矫正，计算矫正后的支撑剂颗粒的综合偏差指标，若综合偏差指标仍然大于综合偏差指标阈值，则对该支撑剂颗粒进行重复矫正，直到其综合偏差指标小于或等于综合偏差指标阈值，则达到气流分级机的分级要求；
43、步骤s560：将矫正好的支撑剂颗粒送入气流分级机进行分级。
44、所述实时检测气流分级机分级结果的实际粒度分布，计算其与目标粒度分布的偏差值，计算进入气流分级机的支撑剂颗粒的形状特征参数平均值和综合偏差指标平均值，构建优化目标函数，搜索最优工艺参数的具体方法为：
45、步骤s610：实时监测气流分级机的分级结果的实际粒度分布，计算实际粒度分布与目标粒度分布之间的偏差值；
46、步骤s620：实时统计进入气流分级机的支撑剂颗粒的形状特征参数和综合偏差指标，计算形状特征参数平均值和综合偏差指标平均值；
47、步骤s630：定义包含偏差值、形状特征参数平均值和综合偏差指标平均值的优化目标函数，工艺参数k为优化变量，定义工艺参数范围约束；
48、步骤s640：利用遗传算法求解优化目标函数，得到最优工艺参数。
49、本技术的一个方面提供了一种基于机器学习的石油支撑剂成品分选控制系统，包括：
50、特征数据获取模块，用于获取石油支撑剂颗粒样本，提取石油支撑剂颗粒样本的形状特征参数，所述石油支撑剂颗粒样本包括球形颗粒样本和非球形颗粒样本，所述形状特征参数包括圆度、球度和等效直径；
51、三维轨迹生成模块，用于构建气流分级机的三维几何模型，生成球形颗粒样本和非球形颗粒样本在分级过程中的三维轨迹；
52、速度偏差计算模块，用于对于待分级的支撑剂颗粒，获取其形状特征参数，找到与待分级的支撑剂颗粒形状相似度最高的石油支撑剂颗粒样本，基于三维轨迹计算待分级的支撑剂颗粒与球形颗粒样本之间的速度偏差；
53、颗粒分类处理模块，用于基于支撑剂颗粒的形状特征参数和速度偏差，计算其综合偏差指标，预设综合偏差指标阈值，若综合偏差指标小于或等于综合偏差指标阈值，则支撑剂颗粒直接进入气流分级机进行分级，否则对其进行二次处理；
54、二次矫正分级模块，用于利用训练好的智能矫正模型预测最佳矫正参数，对进行二次处理的支撑剂颗粒进行矫正，直到其综合偏差指标小于或等于综合偏差指标阈值，将矫正后的支撑剂颗粒送入气流分级机进行分级；
55、工艺参数优化模块，用于实时检测气流分级机分级结果的实际粒度分布，计算其与目标粒度分布的偏差值，计算进入气流分级机的支撑剂颗粒的形状特征参数平均值和综合偏差指标平均值，构建优化目标函数，搜索最优工艺参数。
56、本技术的一个方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，以实现一种基于机器学习的石油支撑剂成品分选控制方法中的步骤。
57、本技术的一个方面提供了一种可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序适于处理器进行加载，以执行一种基于机器学习的石油支撑剂成品分选控制方法中的步骤。
58、本技术提出的一种基于机器学习的石油支撑剂成品分选控制方法及系统相对于现有技术，具备以下优点：
59、本技术综合考虑了支撑剂颗粒的多种形状特征参数，包括球度、圆度和等效直径，对颗粒形状进行更全面的刻画和量化评估。
60、本技术引入了气相-颗粒相数值模型，通过模拟支撑剂颗粒在气流分级机中的运动轨迹，预测不同形状特征颗粒的分级行为，为优化分级提供理论支持。
61、本技术提出了综合偏差指标的概念，结合形状特征参数和速度偏差，对支撑剂颗粒进行综合评估，以此为依据决定是否需要二次处理，提高分级精度。
62、本技术采用智能矫正模型对需要二次处理的颗粒进行矫正，通过机器学习的方法预测最佳矫正参数，实现对非球形颗粒的针对性改善。
63、本技术实时检测分级结果并利用优化算法搜索最优工艺参数，实现了分级过程的动态优化和控制，保证分级结果符合目标要求。
64、本技术通过基于球度、圆度和等效直径的形状特征参数分析、分级时的颗粒轨迹模拟、智能矫正和实时优化，对非球形支撑剂颗粒的分级处理和成品质量进行了针对性的改善，提高了分级结果的精度和稳定性，提高了石油支撑剂成品的质量。