炭化温度对木材生物炭结构和化学组成的影响

为了探究木材厚壁管胞与薄壁木纤维的炭化规律,为木材的炭化利用提供理论依据,本文以火炬松和轻木分别作为厚壁管胞与薄壁木纤维的木材代表,设置220、375、600、900℃四组炭化温度,利用扫描电镜(SEM)、傅里叶变换红外光谱(FTIR)、X射线衍射(XRD)技术分别分析了两种类型木材细胞炭化前后的细胞结构和化学组成。SEM结果表明薄壁木纤维在375℃时开始出现光滑的无定形结构,而厚壁管胞出现同样无定形结构的温度为900℃。炭化后细胞双层细胞壁厚度减小,减小程度随炭化温度增加而增加;与厚壁管胞相比,薄壁木纤维双层细胞壁厚度缩减得更快更多。红外光谱曲线随炭化温度的升高变化明显,薄壁木纤维和厚壁管胞红外光谱分别在220℃和375℃后失去吸收峰。综纤维素相对含量、木质素相对含量的差异反映出两种类型细胞不同的热降解过程。X射线衍射分析发现,在220~375℃时,薄壁木纤维的纤维素相对结晶度下降至结晶态完全消失;而厚壁管胞则在600℃时出现结晶态完全消失现象。以上结果表明薄壁木纤维与厚壁管胞具有不同的炭化过程,前者的细胞结构更易发生热降解,相同温度下热降解更剧烈。

免泡豆杆优势腐败菌腐败能力及产生物胺特性分析

为考察4株优势芽孢杆菌对真空包装免泡豆杆致腐败能力差异及其产生物胺特性,通过分析接种优势芽孢杆菌免泡豆杆贮藏过程中豆杆样品菌落数量变化、产品感官品质、挥发性盐基氮(TVB-N)及生物胺含量变化,比较不同优势腐败菌对免泡豆杆品质的影响,分析样品菌落总数、感官评分及TVB-N值与生物胺相关指标间的相关性。结果表明,接种4株优势芽孢杆菌明显缩短了免泡豆杆货架期,25℃贮藏条件下货架期缩短至4天。在贮藏第8天,接种样品菌落总数高达10.82~10.95 lgCFU/g,TVB-N值为40.82~77.13 mg/100g。接种2株解淀粉芽孢杆菌样品总生物胺含量显著高于2株枯草芽孢杆菌,各接种样品中腐胺、尸胺含量高于其他生物胺,是腐败过程中的2种主要生物胺;其中接种解淀粉芽孢杆菌DY1b样品TVB-N产量因子YTVB-N/CFU、贮藏第8天总生物胺含量分别为2.49×10^(-9)mg/CFU和1 087.54 mg/kg,均显著高于其他3株腐败菌。相关性分析表明,各生物胺指标与感官评分呈负相关关系(r=-0.884^-0.996),与菌落总数、TVB-N值均呈正相关(r=0.514~0.991)。综上所述,解淀粉芽孢杆菌DY1b是真空包装免泡豆杆致腐能力最强的菌株,总生物胺含量是免泡豆杆腐败进程的重要指标。

基于聚类匹配的煤层气压裂效果主控因素识别

煤层气压裂效果与影响因素之间存在的非线性关系难以从机理层面进行系统分析,针对该问题,提出了一种基于聚类匹配的压裂效果主控因素识别方法。该方法从数据中挖掘影响因素的内在联系而非通过主观判断来分析压裂效果与影响因素之间的联系。首先,以压裂后的产气指标数据为研究对象,利用凝聚聚类方法对样本井进行分类和效果评价;其次,利用K-means聚类算法结合信息增益排序与相关性分析,对影响因素进行分类与筛选,从中选取前置液用量、携砂液用量、含气饱和度、含气量、垂直应力、支撑剂用量、破裂压力、加砂强度8个因素;最后,对筛选出的因素进行样本聚类,将聚类结果与压裂效果的评价分类结果进行聚类匹配,实现了压裂效果主控因素的识别。与其他主控因素识别方法对比,验证了该方法的有效性和可操作性。该研究可为优化二次压裂施工方案提供技术支持。

基于CBFS-CV算法的煤层气井压裂效果主控因素识别

准确识别煤层气井压裂效果的主控因素,进而有效指导重复压裂方案优化,是煤层气井提升重复压裂产能的关键。依托研究区块的地质及工程大数据,利用基于Copula互信息的特征选择和交叉验证算法(CBFS-CV)识别影响压裂效果的主控因素,并结合梯度提升回归模型进行产能预测检验,形成了一种改进的煤层气井压裂效果主控因素识别算法。该算法可有效减少冗余性特征且增大相关性,并确定最佳特征数目。结果表明:煤体结构、储层参数(含气量、含气饱和度和临储比)和施工排量参数(最大施工排量)是影响研究区块压裂效果的3个主控因素,通过梯度提升回归模型验证CBFS-CV算法所识别出的主控因素的预测符合率达88%,证明了该算法的有效性。利用结果对该区块典型井进行主控因素分析,采用氮气泡沫解堵方案解决煤体结构差、煤粉堵塞等问题,现场施工后日产气量由288 m^(3)/d增至805 m^(3)/d,压裂效果明显改善。

机器学习在油气行业中的应用进展综述

近年来,随着深度学习的兴起,机器学习在油气领域得到了进一步深入发展。但是,由于油气行业的特殊性和复杂性,目前还没有建成适用于深度学习的训练样本库,也没有针对性的模型建立和选择方法体系。此外,深度学习方法的不可解释性,导致了学习的模型对环境的高度依赖,制约了机器学习在油气行业中的推广应用。从机器学习的发展阶段出发,介绍机器学习在油气行业各领域的应用中所涉及的重大突破及仍然存在的问题。针对油气行业中不同类型数据的处理方法、样本建立以及如何进行模型适应性分析等方面给出了建议,提出可解释机器学习在油气人工智能上的发展潜力以及研究方向。

大蒜有机硫化物对解淀粉芽孢杆菌的抑菌作用及机理

【目的】明确大蒜有机硫化物(GOS)对豆制品优势腐败解淀粉芽孢杆菌Bacillus amyloliquefaciens的抑菌活性及作用机理。【方法】通过抑菌圈法和二倍稀释法测定GOS对菌株的抑菌活性、最低抑菌浓度(MIC)和最低杀菌浓度(MBC),并分析其对细菌生长曲线及胞外蛋白酶活性的影响;分析GOS处理后解淀粉芽孢杆菌代谢活性、碱性磷酸酶活性、β–半乳糖苷酶活性及胞外溶液电导率的变化,并结合扫描电镜观察菌体形态变化,探讨GOS对解淀粉芽孢杆菌的抑菌机理。【结果】3 g/mL的GOS对解淀粉芽孢杆菌DY1a和DY1b的抑菌圈直径分别为31.7和25.7 mm,MIC均为30 mg/mL,MBC分别为240和480 mg/mL。30 mg/mL GOS对菌株DY1a和DY1b胞外蛋白酶活性的抑制率分别为47.3%和15.6%,使细菌细胞代谢活性(D490 nm)分别下降了2.771和4.091,胞外碱性磷酸酶活性分别提高了0.029和0.036 U/mL,胞外β-半乳糖苷酶活性(D420 nm)分别提高了0.047与0.016,胞外溶液电导率分别提高了0.060和0.031 mS/cm。扫描电镜结果显示,GOS处理后的菌株细胞表面出现皱缩、孔洞式塌陷和破裂。【结论】大蒜有机硫化物对解淀粉芽孢杆菌抑制作用明显,其抑菌机理与影响细菌细胞壁、细胞膜的通透性和完整性,干扰细菌生理代谢活动有关。

碳化温度对应压木细胞结构与化学成分的影响

以樟子松的应压区和对应区木材为原料,探究碳化温度对两者结构与化学成分的影响,为应压木在炭材料领域的应用提供理论基础。利用高温管式炉在氮气保护下碳化,设置220,375,600和900℃4个温度,计算两类木材的碳化产率,并采用扫描电镜、红外光谱和X射线衍射仪研究细胞壁结构、化学官能团和晶体结构在不同碳化温度下的变化。应压木炭材料产率高于对应木,碳化产率随碳化温度升高而降低;375℃时应压木出现细胞收缩和局部破裂,而对应木则表现为较为光滑的炭材料断面;900℃时应压木细胞壁破裂严重,细胞壁上出现类似微晶的颗粒状物质,对应木细胞收缩明显且细胞间隙增大,但还保持细胞结构。红外光谱显示,在低于375℃时两类木材均出现半纤维素和纤维素的热降解,木质素骨架结构也发生变化。随着碳化温度的升高,木质素苯环骨架降解重构,有石墨化趋势。X射线衍射分析表明:220~375℃时木材组织中的晶体结构被破坏,600~900℃时出现新的晶体构型。应压木与对应木对于碳化温度的响应是不同的。碳化过程中,应压木更容易出现细胞收缩、细胞间隙增大、细胞壁破裂等,有利于制备规则序态结构和石墨化的炭材料。

免泡豆杆腐败菌复配抑菌剂的优化及其保鲜效果

免泡豆杆营养丰富,含水量高,货架期短,极易发生芽孢杆菌腐败变质。为有效抑制芽孢杆菌繁殖对豆杆产品品质的影响,采取二倍稀释法结合抑菌率考察乳酸链球菌素(Nisin)、ε-聚赖氨酸和山梨酸钾对4株优势腐败芽孢杆菌的抑菌作用,并采用响应面法优化复配抑菌剂配比,并比较复配抑菌剂在不同应用方式和条件下对免泡豆杆的保鲜效果。结果表明,Nisin和ε-聚赖氨酸对4株腐败菌的抑菌能力强于山梨酸钾,复配抑菌剂最佳配比为:Nisin 22.50μg/m L、ε-聚赖氨酸57.54μg/m L、山梨酸钾425.00μg/m L。采用复配抑菌剂溶液进行复水,并结合100℃20 min热杀菌处理对免泡豆杆抑菌保鲜效果最好,25℃货架期可达10 d,较对照样品延长了4d,为免泡豆杆的防腐保鲜提供了参考。

基于机器学习的汽油加氢裂化辛烷值损失预测和脱硫优化

辛烷值损失的准确预测有助于汽油炼制过程的优化与控制,以达到更好的脱硫效果。原油的加氢脱硫是一个十分复杂的物化反应过程,对于该过程中的参数控制多依赖于工人的经验,因此基于大数据建立辛烷值损失预测模型可以用于优化脱硫效果,从而提高产品质量,减轻工人的劳动强度,具有十分重大的实际意义。采用单因素分析、方差过滤、随机森林等方法进行了特征筛选,最后基于逻辑回归、BP(back propagation)神经网络以及支持向量机(support vector machine,SVM)三种机器学习算法构建了辛烷值损失预测模型。实验结果表明,基于SVM建立的辛烷值损失预测模型精度达到了98.24%,优于逻辑回归和BP神经网络预测模型。将该模型应用于脱硫优化,在生成汽油的硫含量达标的情况下,获得最优的控制变量组合,达到将辛烷值损失降到最低的目的。

基于动态特征和深度神经网络的钻井漏失事故预测

为提高钻井漏失预测的准确性和实时性,建立了一套能够学习现场专家经验实现对钻井漏失事故预测的智能方法。首先,对采集到的综合录井数据利用小波滤波对录井数据进行降噪处理,并根据降噪的效果选取了滑动窗口的长度,降噪后数据的波形更加平滑,上升或下降趋势更明显;然后通过研究井漏点周围4个动态特征的波形,使用滑动窗口对钻井曲线波形进行截取;最后分别用长短期记忆神经网络(LSTM)、双向长短期记忆神经网络(Bi-LSTM)、简化的AlexNet以及VGGNet对井漏事故进行实时滚动预测。实验结果表明,相对于卷积神经网络,LSTM和Bi-LSTM能够提取综合录井曲线动态变化的自相关特性,提取的特征更具有代表性,对井漏事故预测的准确率更高。