基于神经网络的气液两相流持液率和压降预测研究.pdfVIP

摘要

流型、持液率及压降是气液两相流水力计算的三个重要参数，鉴于传统气液

两相流计算模型在复杂管网以及生产环境下计算上述三个参数时具有误差波动

大、计算精度差的问题，现提出一种基于神经网络的适用于全倾角气液两相流预

测模型。本文以全倾角下气-液两相作为主要研究对象，将精确预测管路流动型态、

持液率和压降作为具体研究目标，采取室内模拟实验研究、理论分析、神经网络

建模以及相关模型横向对比的技术手段，对全倾角气液两相流动规律以及基于神

经网络的气液两相流动预测模型进行研究。

首先基于气举试验基地多相流实验平台开展气液两相流动模拟实验，利用高

速摄像系统和各类实验传感器进行流型图像的捕捉和实验数据的采集，通过改变

管道倾角和控制不同气液量下观察不同实验条件下的流动型态，研究不同实验条

件下持液率和压降的变化，分析并总结流型、持液率和压降的变化规律，进而得

到气液两相流基本运动规律。在前期调研的基础上，筛选出六种适用于全倾角气

液两相流持液率和压降的计算模型，包括三种单一模型和三种组合模型，并利用

已获得的实验数据，将这六种计算模型进行验证与对比，进而优选出最佳的传统

持液率和压降计算模型。经过计算对比，BB模型的百分比误差相较于其他五种模

型在适用性及准确性上表现最佳，但其精度受到理论假设和模型简化的限制。因

BB

此，虽然在特定条件下模型会产生较好的计算结果，但仍需注意其在更广泛情

况下的适用性和可靠性。

为进一步提高传统两相流模型计算精度和适用场景，提出了一种可预测任意

倾角下管段流型、持液率和压降的新模型。该模型基于神经网络算法，从公开两

相流实验文献中收集数据，并结合本文室内实验数据构建了原始数据集。通过数

据预处理操作对数据集进行清洗，接着对数据集进行合理的划分和训练验证，利

用多种模型评价指标优选出最佳的预测模型。新模型由三个相互嵌套的预测子模

型组成，第一个子模型为流型分类模型，第二个子模型为持液率回归模型，该模

型输入参数中包含流型特征，第三个子模型压降回归模型，该模型的输入特征中

又包含前两者。为验证新模型的预测性能，选取三种不同实际生产数据集对新模

型进行对比验证，计算结果显示新模型在三个数据集上的决定系数分别为0.861、

0.8700.965BB0.8250.7750.922

和，而模型的决定系数分别为、和。表明新模型

的预测精度更高，具有更广泛的模型适用性。

本研究对于理解气液两相流动的特性，优化工艺和设备设计具有重要意义，

为两相流动预测应用等相关领域的研究提供了新的思路和方法。

关键词：气液两相流，流型，持液率，压降，神经网络

I

Abstract

Flowpattern,liquid-holdingrateandpressuredroparethreeimportantparameters

inthehydrauliccalculationofgas-liquidtwo-phaseflow.Inviewoftheproblemsof

largeerrorfluctuationandpoorcalculationaccuracyofthetraditionalgas-liquid

two-phaseflowcalculationmodelinthecalculationoftheabovethreeparametersinthe

complexpipelinenetworkaswellasintheproductionenvironment,wenowput

forwardaneuralnetwork-basedpredictionmodelforgas-liquidtwo-phaseflowatthe

fullinclinationangle.Thisthes