1.一种流动速凝浆液实时粘度动态预测方法，其特征在于，包括：构建多工况标准粘度液体试验样本；对多工况标准粘度液体试验样本进行增强得到增强样本，将原始试验样本和增强样本组合生成增强样本集，筛选后得到训练样本集；基于获取的速凝浆液在非流动状态下的流变行为数据构造粘度变化的基本规律，具体包括：将速凝浆液在非流动状态下的流变行为数据和流体模型进行拟合，得到最优拟合参数，根据拟合参数计算物理估算粘度，即浆液物理行为约束，物理估算粘度用于构造残差项，对预测粘度进行物理约束；所述拟合参数包括屈服应力、稠度系数和流动指数；结合训练样本集和速凝浆液在非流动状态下的流变行为数据构造粘度变化的基本规律对构建的粘度预测模型进行训练得到训练后的粘度预测模型；其中，粘度预测模型训练时，在多层感知机基础上引入条件子网络结构，根据当前样本的类型调用对应的子网络进行预测得到预测粘度，根据浆液物理行为约束和预测粘度结果构造得到物理约束残差项；结合训练后的粘度预测模型对每个测点进行预测得到预测粘度序列，结合预测粘度序列，采用指数加权滑动平均法计算得到当前时刻平滑粘度估计值。
2.如权利要求1所述的一种流动速凝浆液实时粘度动态预测方法，其特征在于，构建多工况标准粘度液体试验样本数据，包括：搭建室内管道介质物理模型系统；基于搭建室内管道介质物理模型系统布设多测点物理感知网络；基于搭建的室内管道介质物理模型系统，使用标准粘度液体，开展多工况实验，通过布设的多测点物理感知网络采集对应点位的传感器读数，结合对应测量点位的管道结构数据得到完整的输入特征集，将每组工况对应的标准粘度液体的粘度值和输入特征集结合作为多工况标准粘度液体试验样本。
3.如权利要求1所述的一种流动速凝浆液实时粘度动态预测方法，其特征在于，所述对多工况标准粘度液体试验样本进行增强得到增强样本，包括：将输入样本 编码为潜在高斯分布参数： ，其中， 为潜变量， 表示由编码器输出的均值和方差；然后重参数采样与解码生成增强样本 ， 。
4.如权利要求3所述的一种流动速凝浆液实时粘度动态预测方法，其特征在于，在增强样本生成过程中的损失函数表示为： ，其中， 表示期望，用于重构误差； 表示KL散度， 表示编码器、解码器参数； 表示从隐空间重构的样本分布。
5.如权利要求1所述的一种流动速凝浆液实时粘度动态预测方法，其特征在于，粘度预测模型构建时，具体包括：判断当前样本的类型，根据对应的样本类型调用对应的子网络进行预测得到预测粘度值。
6.如权利要求1所述的一种流动速凝浆液实时粘度动态预测方法，其特征在于，粘度预测模型训练的损失函数为： ， ， ， ， ，其中， 为综合损失函数， 为基础损失函数， 为物理残差项， 为空间平滑性约束项， 为网络熵约束项， 、 和 为物理正则项的权重系数， 表示第 个样本的预测粘度， 表示第 个样本的预测粘度， 表示该样本所用标准液体的真实粘度，Pa·s； 表示样本总数； 为第 点位的物理估算粘度， 表示空间测量点数量， ，表示属于剪切主导区域的概率。
7.一种流动速凝浆液实时粘度动态预测系统，其特征在于，包括：训练样本构建模块，其用于构建多工况标准粘度液体试验样本数据，对多工况标准粘度液体试验样本进行增强得到增强样本，将原始试验样本和增强样本组合生成增强样本集，筛选后得到训练样本集；约束提取模块，其用于基于获取的速凝浆液在非流动状态下的流变行为数据构造粘度变化的基本规律，具体包括：将速凝浆液在非流动状态下的流变行为数据和流体模型进行拟合，得到最优拟合参数，根据拟合参数计算物理估算粘度，即浆液物理行为约束，物理估算粘度用于构造残差项，对预测粘度进行物理约束；所述拟合参数包括屈服应力、稠度系数和流动指数；模型训练模块，其用于结合训练样本集和速凝浆液在非流动状态下的流变行为数据构造粘度变化的基本规律对构建的粘度预测模型进行训练得到训练后的粘度预测模型；其中，粘度预测模型训练时，在多层感知机基础上引入条件子网络结构，根据当前样本的类型调用对应的子网络进行预测得到预测粘度，根据浆液物理行为约束和预测粘度结果构造得到物理约束残差项；趋势估计模块，其用于结合训练后的粘度预测模型对每个测点进行预测得到预测粘度序列，结合预测粘度序列，采用指数加权滑动平均法计算得到当前时刻平滑粘度估计值。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一项所述的一种流动速凝浆液实时粘度动态预测方法中的步骤。
9.一种计算机设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1-6中任一项所述的一种流动速凝浆液实时粘度动态预测方法中的步骤。
