Abstract Due to highly adhesive property, crude oil is easier to adhere on foul filtration membranes. Separation of crude oil‐in‐water emulsion is a continuing tough work. Hydrogels with low‐adhesive superoleophobicity are ideal materials for modifying filtration membranes to achieve efficient and antifouling separation of crude oil‐in‐water emulsion. A key challenge in fabricating the hydrogel modified filtration membranes is to design an ultrathin hydrogel layer with sufficient anti‐crude‐oil‐fouling ability and with controllable thickness, thus not blocking the micro‐ and nanosized membrane pores. Inspired by the novel harsh‐environment‐tolerant superoleophobicity of alginate‐rich seaweed, the construction of an ultrathin Cu 2+ /alginate hydrogel multilayer with controllable thickness at the nanometer scale on a polymer filtration membrane via a layer‐by‐layer self‐assembly method is achieved. Both the nanosized pores and the high flux of original membrane are well‐maintained. The Cu 2+ /alginate multilayer modified ultrafiltration membrane behaves a biomimetic superhydrophilicity, underwater superoleophobicity, and antifouling ability for crude oil. It is capable of efficiently separating crude oil‐in‐water emulsion with a high water flux of 1230 L m −2 h −1 bar −1 , an ultrahigh efficiency of 99.8%, and an outstanding antifouling and cyclic ability. What's more, the membrane exhibits good salt‐tolerance, antibacterial ability, and long‐term stability.

Simultaneous measurement of gas and solid temperatures in porous media is crucial for phenomenological determination of gas-solid thermal equilibrium state and homogenous/heterogenous combustion regime. Yet, it has remained an unsolved challenging issue for porous media temperature measuring techniques including thermocouple, thermal infrared photography, and X-ray computed tomography. In this work, a simple and convenient method using thermocouples and porous tubes was proposed for simultaneous measurement of gas and solid temperatures in porous media. A variety of experiments with three porous media (steel, sand and biomass), three particle sizes (5 mm, 10 mm, and 15 mm), and three air flow velocities (2.95 cm s−1, 5.90 cm s−1, and 14.88 cm s−1) were conducted to examine the effectiveness and capability of the proposed method. Uncertainty quantification for measuring gas temperature in inert porous media using porous tubes was elucidated with experiments and heat transfer models. Simultaneous measurement uncertainty due to radial deviation of gas and solid measurement locations was also evaluated. It was demonstrated that the proposed method was effective for simultaneous measurement of solid and gas temperature in porous media with acceptable error level (Normalized Root-Mean-Square Deviation, NRMSD = 0.02 – 0.09). Besides, case studies showed that the proposed method was capable to provide valuable experimental data for phenomenological determination of the thermal equilibrium state and the homogenous/heterogenous combustion regime.

This paper presents a novel machine-learning multi-well production forecasting model embedded with expertise, which has strong interpretability and generalization. Expertise is not only reflected in the incorporation of water drive characteristic curves in the model but also in the creation of high-order input features. Furthermore, some parameters of the model loss function are set based on the development experience, which introduces human practical knowledge into the model's training. These designs enhance the interpretability of the model. In the modeling process, only the production data available on-site are used, which makes the model of practical value. The model is constructed based on Bayesian convolution and fully connected neural networks with regularization effects in structure, which can provide a range of forecasted values that are more in line with practical needs. Simulation results show that the average R-squared (R2) score of the proposed model on the testing set can reach 0.9164. Compared to the scores of typical machine learning models such as XGBoost (0.5170), LSTM (0.6623), and CNN (0.4623), the proposed expertise-informed model has stronger generalization performance. In addition, the experimental results of the proposed model in scenarios containing errors indicate that it has high stability, with the average R2 in the training set and testing set are 0.9439 and 0.9569, respectively.

A 1.4-cell photocathode RF gun was developed for the MeV-UED to mitigate the space charge effect during electron emission through a higher acceleration gradient. However, this advancement introduces the risk of field-emitted dark current, leading to a degradation in the quality of the ultrafast electron beam. This paper investigates dark current emission within critical regions of the RF gun cavity. The results show that dark current electrons from the cathode and cathode edge escape from the electron gun, resulting in increased image background noise. The study examines the temporal characteristics of the dark current, including waveform in relation to the emission phase. Additionally, different collimator apertures are analyzed for their suppressive effect on the dark current, aiming to minimize its impact on the ultrafast electron beam.

Summary Rod pump systems are the primary production tools in oilfield development. Analyzing their working conditions provides a theoretical foundation for formulating production optimization plans and adjusting equipment parameters. Existing machine learning–based condition analysis methods rely on dynamometer cards and cannot capture the actual operational trajectory of the pumping unit. To address this issue, this paper proposes a keypoint detection method for pumping units based on pose estimation of heatmap-free joint detection from video data. A data annotation scheme suitable for the task of detecting pumping unit keypoints was developed, and the learning criteria for this task were optimized. An end-to-end heatmap-free pose estimation algorithm was used to process images of the pumping unit, yielding predicted keypoint positions, thereby enabling the identification of the keypoint motion trajectories of the pumping unit. Experiments validated the proposed method and compared it with general learning criteria. Results show that this method accurately captures the keypoint positions of the pumping unit, with the optimized learning criteria model improving by more than 5% compared with general methods and increasing the keypoint object keypoint similarity (OKS) by more than 30%. The model’s results can be used for the actual operational trajectory recognition of the pumping unit, automatically calculating the motion parameters of the polished rod, and intelligently assessing the balance and working condition analysis of the pumping unit. This realizes the intelligent application of video surveillance data, significantly contributing to the dynamic study of rod pump systems.

With the evolution of Space-based backbone networks, the demand for enhanced efficiency and stability in network resource allocation has become increasingly critical, presenting a substantial challenge to conventional allocation methods. In response, we introduce an innovative resource allocation algorithm for space-based backbone networks. This algorithm represents a synergistic fusion of Deep Reinforcement Learning (DRL) and Local Search (LS) methodologies. It is specifically designed to reduce the extensive training duration associated with traditional policy networks, a crucial aspect in assuring optimal service quality. Our algorithm is structured within a two-stage framework that seamlessly integrates DRL and LS. A distinctive feature of our approach is the incorporation of link reliability into the algorithmic design. This element is meticulously tailored to address the dynamic and heterogeneous nature of space-based networks, ensuring effective resource management. The effectiveness of our approach is substantiated through extensive simulation results. These results demonstrate that the integration of DRL with LS not only enhances training efficiency but also exhibits significant improvements in resource allocation outcomes. Our work represents a noteworthy contribution to the development of practical optimization strategies in space-based networks, merging DRL with traditional methodologies for improved performance.

A deep learning model can perform efficient uncertainty quantification (UQ) for reservoir flow with uncertain model parameters, but usually requires large amounts of training data to ensure accuracy. However, the cost of obtaining large amounts of data is prohibitive, and the performance will deteriorate if sufficient training data is lacking. Alternatively, more interpretable neural networks with embedded physical laws have recently been used to solve partial differential equations as well as to solve UQ problems. This approach has received a lot of attention due to its low data volume requirements and its adherence to the laws of physics during the training process. In this paper, we propose a theory-guided framework based on a bilevel programming model with hard constraints to embed physical meaning in the model. Theory guided Lagrange programming neural network (TGLPNN) combines the method of Lagrange programming neural network approach where physical laws such as stochastic partial differential equations and boundary conditions are incorporated into the training process of a convolutional neural network. At the same time, the upper-level variables are iteratively optimized. The method based on Lagrange programming neural network inherently embeds physical laws in the network. Practical applications have shown that TGLPNN can provide higher prediction accuracy compared to state-of-the-art physics-driven methods and improved efficiency compared to numerical methods.