低温输送管道稠油粘附能预测模型

海上和内陆油田集输系统含水率较高(90%以上)产生严重的集输管道原油粘附现象。通过建立以Deriagwin-Landau-Verwey-Overbeek(DLVO)理论为基础,分子间热运动、管流剪切应力、范德华引力(VDW)和双电层静电斥力(EDL)等各作用能项为核心的粘附能预测模型对高含水稠油粘附现象进行了研究,并计算了集油温度(粘附温度),分析了粘附能影响因素,最终对模型进行了验证。结果表明,预测模型中VDW可以促进稠油粘附,而分子热运动、管流剪切应力和EDL可以抑制稠油粘附现象。这些相互作用也受温度、溶液相离子浓度、分离距离和油滴粒径变化影响,可以通过改变这些影响因素来防治稠油粘附现象。粘附温度计算值与粘附温度实验值对比表明,模型计算值误差在2℃以内。本文研究成果可为进一步开展低温输送现场试验提供理论基础与应用指导。

基于标签噪声鲁棒学习的疾病风险预测

疾病风险预测能够筛查易患人群,并在早期进行预防干预措施以降低疾病的发生率及死亡率.随着机器学习技术的快速发展,基于机器学习的疾病风险预测得到了广泛应用.然而,机器学习十分依赖于高质量的标注信息,医疗数据中存在的标签噪声会给构建高性能的疾病风险预测算法带来严峻挑战.针对这一问题,本文提出了一种基于深度神经网络和动态截断损失函数的噪声鲁棒学习方法用于疾病风险预测.该方法引入动态截断损失函数,融合了传统交叉熵函数的隐式加权特性和均方差损失函数的标签噪声鲁棒性;通过构造训练损失下界,并引入样本动态加权机制减小可疑样本的梯度,限制可能的带噪样本在训练过程中的权重,进一步增强模型的鲁棒性.以脑卒中筛查数据集为例进行实验,结果表明本文算法在各个标签噪声比例下均能取得良好的预测性能,可降低疾病风险预测中标签噪声的负面影响,实现了带有标签噪声数据的鲁棒学习.