麻雀算法與長短期記憶網(wǎng)絡在三相流流型預測中的應用

中圖分類號：TE377 文獻標志碼：A 文章編號：1000-7393（2025）-02-0207-11

Abstract：Acuratepredictionofflowregimesivertical gas-lquidslugflowisvitalforunderstandingtheflowcharacteristicsof gas-liquid bubble tre-phase systemsand enhancingoilandgas production eficiency.This study presentsa KPCA-ISSA-BiLSTM modelforclasifingandpredictinggas-lquidsugflowregimesThemodelconsidersfctorslikegasandliquidflowratesfoaming agentconcentratio，andpressureusingexprimentaloalprodctiodata.Feature extractionandpreproceingealdefore training the model. The results show that the KPCA-ISSA-BiLSTM model achieves 99.69% accuracy on the training set and 98.33% onthe testset，withthehighestaccuracyforfoamsugflowprediction.Icontrast，B，CNN，ELM，andLSTmodelsyield accuracies between 84% and 90% . The proposed model outperforms these alternatives， offering an efective tool for predicting flow regimes and providing valuable support for optimizing gas-liquid three-phase flow applications in engineering.

Key words：verticalwell;gas-water-fathre-phase;fowpatemprediction; machineleaing;comparsonofmultiplealgorithms

0 引言

在油氣開采領域，氣水兩相流的流型預測被認為是優(yōu)化井筒舉升效率和控制積液風險的核心問題。氣水兩相流的流型直接影響井筒內(nèi)的流體行為及生產(chǎn)效率，而氣液界面的動力學過程極為復雜。氣泡的尺寸、分布密度以及流動參數(shù)（如氣液比、壓力等）對流型的演化過程具有顯著影響，因此，如何準確預測和掌握這些因素的相互作用，成為了油氣生產(chǎn)中的一項技術難題。傳統(tǒng)的實驗觀測方法在動態(tài)工況下常常面臨局限性，因為實驗條件難以完全模擬井筒內(nèi)真實的復雜環(huán)境。同時，基于機理的數(shù)值模型也存在一定的挑戰(zhàn)，主要表現(xiàn)在其對不同工況的適應性差，尤其是在高動態(tài)變化的流動狀態(tài)下，模型的預測精度和實時性常常難以滿足實際應用需求。因此，開發(fā)更精確、實時的流型預測方法，已成為當前油氣開采技術研究的一個重要方向。

早期研究主要集中在垂直管內(nèi)氣液兩相流的流型劃分上。Duns等[1]提出基于重力與慣性力平衡的氣液兩相流流型分類框架，但未能明確界定氣泡流與段塞流的轉(zhuǎn)換邊界。Aziz等［2」通過壓力梯度分析建立了適用于水平管道的氣液兩相流流型預測模型，但其假設條件 （如均勻流速分布）在垂直井環(huán)境中適用性受限。Barnea[3]則考慮了流體性質(zhì)、管柱尺寸和傾斜角度等因素，進一步完善了流型的轉(zhuǎn)換邊界。張昌艷[4]通過高速攝像技術量化了垂直管中彈狀流轉(zhuǎn)化邊界，揭示了氣泡聚并破裂對流型過渡的影響機制。池明等［5]針對垂直井筒氣水兩相流，系統(tǒng)研究了氣泡流、段塞流、攪動流和環(huán)霧流的分布規(guī)律，并提出了基于氣液比與管徑的流型劃分模型，其實驗條件局限于低壓環(huán)境，對高溫高壓井筒的預測精度尚待驗證。Liu等［6]結(jié)合實驗數(shù)據(jù)與流體力學模型，研究了氣液兩相流中的流型切斷現(xiàn)象，提出基于差壓信號的流型分類標準，將流型分為流型切斷（FCO）與非切斷（NFCO）。Ajani等[7]通過低壓裝置模擬了起泡劑對氣液兩相流的影響，發(fā)現(xiàn)起泡劑能夠顯著改變流型。Wang等［8]通過在長 13m. 直徑 38.1mm 的有機玻璃管中注入起泡劑，發(fā)現(xiàn)隨著泡沫在垂直管道中集聚，在高速氣流推動下，泡沫液膜向管壁附近移動，流動模式逐漸由泡沫攪動流轉(zhuǎn)變?yōu)榄h(huán)狀流。

近年來，數(shù)值模擬和智能算法為流型預測提供了新的思路。于莉娜等［9]采用VOF 模型模擬垂直管中的氣液兩相流，利用界面追蹤技術識別不同流型的界面特征，但由于計算成本較高，難以進行實時應用。金寧德等[10]基于多參數(shù)組合測試與信息融合技術，建立了氣液兩相流總流量測量模型，為流型參數(shù)反演提供了有效的方法參考。Haase等［11」通過神經(jīng)網(wǎng)絡ANN算法，利用97個流動圖中的13000多個實驗數(shù)據(jù)進行學習，預測了多種氣液流動形態(tài)（如氣泡流、泰勒流、環(huán)狀流等）。Zhang等[12]提出了一種Flow-Hilbert-CNN混合模型，基于16384組數(shù)據(jù)集中包含的段塞流、偽段塞流、波浪分層流、分層流共4種流型，驗證其分類性能，模型的準確率分別為 100% ， 90.38% ！ 93.07% 和 100% 并與其他機器學習模型（如KNN、SVM、DNN）進行比較，結(jié)果顯示該混合模型具有優(yōu)越的性能。Shi等［13］通過油水兩相模擬實驗與GA-BP神經(jīng)網(wǎng)絡，基于不同井斜角、氣量、液量和含水率，繪制了不同流速與井斜角下的流型分布圖，并建立了油水兩相流的預測模型。Ma等[14]結(jié)合低成本射頻傳感器RFS與神經(jīng)網(wǎng)絡方法，開發(fā)了一種基于雙向長短期記憶網(wǎng)絡BiLSTM（BidirectionalLSTM）的流型識別模型，能夠識別4種經(jīng)典氣液流型，并取得 92.4% 的準確率。Kanin等［15]提出一種新型混合嵌套壓力梯度計算方法（隨機森林模型、梯度提升模型、SVM模型、ANN模型），本混合模型計算方法中模塊1采用上述4種模型預測持液率，模塊2根據(jù)模塊1輸出結(jié)果確定流型，模塊3根據(jù)前兩步驟確定的持液率及流型預測壓力梯度。Yaqub等［16]提出了一種基于深度學習的混合模型，結(jié)合時頻轉(zhuǎn)換網(wǎng)絡、卷積塊注意力模塊和異常檢測變換器模塊，利用優(yōu)化后的電導傳感器采集原始信號進行時頻域特征提取，顯著提高了流動模式的識別精度，準確率達到 97.36% 。

盡管現(xiàn)有研究取得了一定進展，但針對加注起泡劑后氣水泡三相流流型預測研究較少，并且存在一定問題：劃分標準不統(tǒng)一，不同學者基于局部特征提出的流型類別存在重疊與矛盾[17]；動態(tài)參數(shù)影響復雜，氣體流量、液體流量、壓力、起泡劑濃度等參數(shù)耦合作用下的流型過渡機制存在分歧［18]。

當氣井中加入泡排劑后，泡排劑與井筒中地層水進行混合，在氣體擾動作用下，形成氣體-水-泡沫三相流動。筆者提出基于KPCA-ISSA-BiLSTM機器學習算法的氣水泡三相流型預測模型，結(jié)合氣體流量、液體流量、起泡劑濃度及壓力等多維度參數(shù)，突破傳統(tǒng)機理模型在動態(tài)工況下的局限性，為低滲透氣田的高效開采提供理論支持和技術保障。準確預測流型對深入理解氣水泡三相體系的流動特性以及提高油氣開采效率具有重要意義［19」。

首先，通過精確預測流型，可以有效掌握井筒內(nèi)流體行為的動態(tài)變化，避免氣體滯留或積液現(xiàn)象，提高油氣的采收率。其次，準確的流型預測有助于實時優(yōu)化井筒操作，例如調(diào)整壓力，確保井筒內(nèi)流動模式處于最佳狀態(tài)，從而提高開采效率。最后，流型預測還能為設備的管理和維護提供數(shù)據(jù)支持，減少井筒設備故障的發(fā)生，降低生產(chǎn)過程中的安全風險，確保油氣生產(chǎn)的長期穩(wěn)定運行［20]。

1研究方法和過程

1.1 實驗裝置

實驗內(nèi)容：（1）氣體和液體流量的精確調(diào)控通過供氣系統(tǒng)和供液系統(tǒng)完成，混合氣水泡三相流后進入實驗管段；（2）實驗管段采用 40mm 管徑的有機玻璃管，管長 5m ；壓差測試段配備高清攝像機以捕捉流型動態(tài)，底部三通球閥用于控制氣液混合物的輸送[21]；（3）通過壓力傳感器采集數(shù)據(jù)，數(shù)據(jù)由無紙記錄儀實時記錄，傳輸至電腦進行數(shù)據(jù)分析。實驗裝置如圖1所示。

從圖1中可以看出，實驗裝置主要由供氣系統(tǒng)、供液系統(tǒng)、數(shù)據(jù)采集系統(tǒng)、廢液處理系統(tǒng)4個部分組成。供氣系統(tǒng)用于精確控制氣體流量和壓力。供液系統(tǒng)用于精確調(diào)控氣液混合比例[22]。數(shù)據(jù)采集系統(tǒng)用于實時采集和記錄流體的流動形態(tài)及壓力數(shù)據(jù)（ （0^°～90^° 可調(diào)傾角管段）。廢液處理系統(tǒng)通過快關調(diào)節(jié)閥連接廢水回收桶與處理器進行處理，確保實驗過程的安全和環(huán)保。

1.2 實驗方法

實驗介質(zhì)選用空氣、水、起泡劑[23]。實驗條件為標準大氣壓、室溫。采用正交設計實驗［24]，定液量條件下從小到大調(diào)節(jié)氣量，待液量、氣量達到穩(wěn)定時，通過高速攝像機拍攝加入起泡劑前后垂直管、傾斜管流型變化，詳細步驟如下。

（1）打開進液閥門，調(diào)節(jié)變速器，將液體流量設定到預定值 0.1，0.5，1.0，3.0m³/h 。此步驟確保液體的流量控制在實驗要求范圍內(nèi)，為后續(xù)氣體流量的調(diào)節(jié)提供穩(wěn)定的液體基礎。

（2）調(diào)節(jié)氣體調(diào)節(jié)閥，使氣體流量達到預設值，確保氣體流量從小到大逐步增加，達到預設的不同氣量條件。設定的氣體流量值為1、10、30、80m³/h 。在調(diào)節(jié)過程中要確保氣體流量穩(wěn)定，以便觀察流型變化。

（3）使用氣體流量計讀取當前的氣體流量，并將氣體流量值記錄下來。同時，記錄實驗的開始時間，為后續(xù)數(shù)據(jù)分析提供時間參考。確保所有數(shù)據(jù)都準確無誤，便于后期分析。

（4）打開起泡劑加注系統(tǒng)，按照預設質(zhì)量分數(shù)0.3% 將起泡劑注入氣水泡三相流中。起泡劑的注入幫助調(diào)節(jié)流體的流動特性，促進氣泡的穩(wěn)定并影響流型的變化。在此步驟中，應確保起泡劑均勻注入，以確保實驗的一致性。

（5）無紙記錄儀同步記錄各管段的壓力變化。壓力傳感器安裝在各管段的合適位置，實時監(jiān)測并記錄氣水泡流的壓力變化。

（6使用高速攝像機拍攝各管段內(nèi)的流型變化，記錄流型變化。攝像機設置在管道的關鍵位置，確保能夠清晰捕捉到氣泡在不同工況下的演變，特別是在加入起泡劑前后流型的變化。這一過程為流型分析提供直觀的圖像數(shù)據(jù)支持。

（7）在設定的液量條件下，逐步調(diào)節(jié)氣體調(diào)節(jié)閥，從小到大調(diào)節(jié)氣體流量，模擬不同的氣量工況。觀察并記錄氣體流量變化對流型的影響，確保在每一氣量條件下都能穩(wěn)定地觀察到流型的變化。

（8）觀察不同氣量條件下流型的變化，記錄各個流型類型及其穩(wěn)定性。根據(jù)氣體流量變化，氣泡大小、氣液比以及流動模式可能發(fā)生顯著變化，詳細記錄這些變化對于后續(xù)數(shù)據(jù)分析至關重要。

（9）完成當前液量條件下的所有實驗后，調(diào)節(jié)液體流量控制閥至下一個預設的液體流量值（0.1、0.5，1.0，3.0m³/h） 。確保每次實驗前，液體流量調(diào)整到預定值，并保持穩(wěn)定。

（10）在不同液量條件下，重復步驟3至步驟9，完成所有液量條件下的實驗數(shù)據(jù)采集。每個液量條件下都會進行相同的氣量調(diào)節(jié)和流型觀察實驗。如表1所示，本實驗旨在通過調(diào)節(jié)氣體流量、液體流量和起泡劑濃度等參數(shù)，研究和分析垂直井氣水泡三相流的流型變化規(guī)律。

表1實驗參數(shù)Table 1Experimental parameters

2結(jié)果現(xiàn)象討論

2.1 流型結(jié)果分析

垂直井氣水泡三相理論流動形態(tài)如圖2所示，展示了4種典型的泡沫流動形態(tài)：連續(xù)泡狀流表現(xiàn)為均勻分布的小氣泡，在液相中規(guī)則分布；泡沫段塞流呈現(xiàn)周期性大氣泡團，形成交替的段塞結(jié)構(gòu)；泡沫攪動流則顯示不規(guī)則破碎氣泡群，呈現(xiàn)湍流主導的攪動狀態(tài)；泡沫環(huán)狀流以管壁連續(xù)氣核和中心液膜為特征，形成清晰的環(huán)狀分層。這4種流型從氣泡尺度、分布有序性（規(guī)則-混沌-重新有序）和流動結(jié)構(gòu)（氣泡-段塞-攪動-環(huán)狀）3個維度展現(xiàn)了不同流動條件下的形態(tài)演變規(guī)律［25]

圖2理論流動形態(tài)

垂直井氣水泡三相實驗觀察到的流動形態(tài)如圖3所示，通過高速攝像技術觀測發(fā)現(xiàn)，垂直井氣水泡三相流在不同工況下呈現(xiàn)出顯著的流動形態(tài)差異：連續(xù)泡狀流中，氣泡直徑較小且分布均勻，氣泡間相互作用較弱，因氣液攪動不明顯加入起泡劑后未生成泡沫，無氣泡聚并或破裂現(xiàn)象發(fā)生，流型保持穩(wěn)定；泡沫段塞流表現(xiàn)為氣液兩相交替形成的段塞結(jié)構(gòu)，其中部因湍流剪切作用形成密集泡沫區(qū)，其厚度與氣體表觀速度呈正相關[26]；泡沫攪動流因氣液比大幅增加，流體湍動能顯著增強，氣液界面劇烈破碎重組，形成粒徑均勻的細膩泡沫層，泡沫體積分數(shù)高[27]；泡沫環(huán)狀流則呈現(xiàn)典型環(huán)核結(jié)構(gòu)，管壁附近因離心力作用形成致密泡沫層（厚度約 2～4mm ，核心區(qū)為低密度氣體柱，泡沫層內(nèi)氣液接觸角達 120^°～150^° ，表明潤濕性由親水向疏水轉(zhuǎn)變［28]。上述流型演變與氣液相互作用強度密切相關：隨著氣體流量增加，相界面剪切力增強，促使泡沫從局部聚集向整體環(huán)狀分布過渡，而壓力梯度變化通過調(diào)控氣泡動力學行為（如聚并頻率、上升速度）間接影響流型穩(wěn)定性。

圖3實驗觀察到的流動形態(tài) Fig.3Flow patterns observed experimentally

2.2 壓力分析

2.2.1 不同氣體流量下壓力變化規(guī)律

在液體流量為 0.1m³/h 條件下，不同氣體流量下的流動特征如圖4所示。垂直井氣水泡三相流在不同氣體流量下呈現(xiàn)出顯著的流動形態(tài)差異，主要從泡沫段塞流、泡沫攪動流、泡沫環(huán)狀流轉(zhuǎn)換。泡沫段塞流壓力較大，泡沫攪動流波動較大，而泡沫環(huán)狀流波動較為穩(wěn)定。

圖4不同氣體流量下的流動特征Fig.4Flowlaw under different gasvolumes

不同氣體流量的壓力變化曲線如圖5所示。當氣體流量為 1m³h 時，管道主要以一段氣塞與一段泡沫液塞組成的交替段塞向上運移，壓差呈現(xiàn)間歇波動；當有氣塞通過時，壓力降低形成波谷 6.1kPa 當有液塞通過時，壓力升高至波峰 8.97kPa ，由于不同氣塞的長度不同，因此形成的波峰和波谷壓力也不相同。隨著氣量的增加為 10m³/h ，泡沫流體被上行氣流沖擊沿著管道中部回落，聚集然后形成新的液塊，繼續(xù)被氣體向上攜帶，形成泡沫攪動流；壓力呈現(xiàn)無序的震蕩式波動，壓力值與泡沫段塞流相比出現(xiàn)降低，波動范圍為 3.03～6.12kPa 。當氣體流量為 30m³/h 時，此時井筒逐漸由泡沫攪動流向泡沫環(huán)狀流過渡，處于緩慢的向上爬升狀態(tài)，由于氣量增加，壓力進一步下降，波動范圍為 3.02～5.1kPa 0當氣體流量為 80m³/h 時，由于氣體強大的剪切力使得液體轉(zhuǎn)變?yōu)檩S向分布均勻的泡沫液膜向上運移，此時壓力下降至 2.04～3.5kPa 。隨著氣體流量的逐漸增加，氣體流量為 1～80m³/h 的范圍內(nèi)，壓差波動逐漸降低。

2.2.2不同液體流量下壓力變化規(guī)律

當氣體流量為 lm³/h 時，不同液體流量下的流動特征如圖6所示，液體流量為 0.1， 0.5， 1， 3 m³/h 時均表現(xiàn)為泡沫段塞流，且液體流量為3m³/h 時壓力最大。從圖中可以看出，低液量0.1m³/h 和 0.5m³/h 時起泡效果較好，泡沫在液塞中部分布明顯；在液量較高的 1m³/h 和 3m³/h 條件下，起泡效果明顯減弱，幾乎未形成泡沫。因為較高液量下液塞的持續(xù)性增強，氣液剪切作用相對減弱，難以形成穩(wěn)定泡沫。

不同液體流量下的壓力波動曲線如圖7所示。隨著液體流量的增加，壓差的波動幅度逐漸增大，并伴有更為明顯的波峰和波谷。波峰主要是液塞通過壓力傳感器位置時，由于液體密度大、阻力大，導致壓力升高；而波谷則對應氣塞通過壓力計位置，氣體密度小、流動阻力小，導致瞬時壓力下降。液體流量為 0.1m³/h 時，壓差曲線主要在 5.01～8.35 kPa上下波動。當液體流量為 0.5m³/h 時，壓差曲線主要在 6～8.99kPa 波動。當液體流量為 lm³/h 時，壓力進一步增加，在 6.51～9.93kPa 范圍內(nèi)上下波動。隨著液體流量為 3m³/h 時壓差曲線增加至8.03～12.37kPa 上下波動，這種壓力的周期性變化進一步驗證了泡沫段塞流中液塞與氣塞交替出現(xiàn)的非穩(wěn)態(tài)流動特征。

圖6不同液體流量下的流動特征Fig. 6Flow law under different Liquid volumes

圖7不同液體流量下的壓力變化Fig.7Flow law under different liquid volume flowrate

2.2.3 不同壓力梯度下流動變化規(guī)律

不同氣體流量下壓力梯度變化規(guī)律如圖8所示，隨著氣體流量的增加，壓力梯度逐漸減小，流型從泡沫段塞流向泡沫攪動流再到泡沫環(huán)狀流過渡。

圖8不同氣體流量下壓力梯度變化規(guī)律 Fig.8Pressure gradient variation law under different gasvolume flowrate

從圖8可以看出，在液體流量為 0.1m³/h 的條件下，氣體流量較低 （1m³/h） 時，壓力梯度為8.616kPa/m ，這時泡沫段塞流占主導地位。隨著氣體流量的增加，壓力梯度逐漸降低。在氣體流量為10m³/h 時，壓力梯度降至 3.135kPa/m ，此時流型為泡沫攪動流，但氣泡的分布和行為開始變化。當氣體流量進一步增加至 30m³/h 時，壓力梯度繼續(xù)下降到 2.406kPa/m ，這時可能出現(xiàn)泡沫攪動流與泡沫環(huán)狀流的過渡，泡沫攪動流的分布開始變得更為分散，流型可能發(fā)生變化。當氣體流量達到 80m³/h 時，壓力梯度降至 1.197kPa/m ，這時流型為泡沫環(huán)狀流，泡沫開始呈現(xiàn)出更明顯的環(huán)狀結(jié)構(gòu)，氣泡在管道中呈現(xiàn)出較強的徑向分布。

2.3 流型預測

針對井筒中氣、水、泡沫三相流動的流型進行預測分析。通過搭建實驗平臺，利用高速攝像機與無紙記錄儀對三相流動過程進行實時采集，獲取了大量的實驗圖像及參數(shù)數(shù)據(jù)，系統(tǒng)地揭示了氣水泡三相流動的規(guī)律性。實驗共記錄了5571組泡沫多相流的原始數(shù)據(jù)，并將這些數(shù)據(jù)按照7：3的比例劃分為訓練集和測試集，用于構(gòu)建和驗證流型預測模型。為了便于模型識別和處理，將3種典型流型：泡沫段塞流、泡沫攪動流、泡沫環(huán)狀流分別賦予數(shù)字編號1、2、3，實現(xiàn)了對流型的定量分類。接著，研究采用核主成分分析（KPCA）方法對高維特征進行降維處理，提升模型計算效率與泛化能力。在建模過程中，引入了一種改進的麻雀搜索算法（ISSA）以優(yōu)化雙向長短期記憶網(wǎng)絡（BiLSTM）的參數(shù)，提高預測精度［29]。

考慮到數(shù)據(jù)集中泡沫段塞流、泡沫攪動流和泡沫環(huán)狀流之間存在樣本量的數(shù)據(jù)不均衡問題（泡沫段塞流樣本數(shù)較少），為了確保模型在各類別上的預測能力，在訓練過程中使用基于樣本分布的類別加權策略 （通過調(diào)整類別權重）以平衡不同流型的影響。通過這些方法，有效緩解了數(shù)據(jù)不均衡對模型訓練帶來的負面影響，并顯著提高了流型識別的準確性和魯棒性。

類別權重是根據(jù)每個類別的樣本數(shù)量計算的權重。一般來說，類別的樣本數(shù)越少，權重應該越大，反之，樣本數(shù)越多，權重應該越小。這樣，模型在訓練時就能更多關注少數(shù)類的樣本，避免對多數(shù)類的偏倚。

式中： W_i 為類別 i 的權重； N 為數(shù)據(jù)集中所有樣本的總數(shù)； N_i 為類別 i 的樣本數(shù)； k 為調(diào)整權重的比例。

由于泡沫段塞流的樣本數(shù)比較少，僅為579，而泡沫攪動流、泡沫環(huán)狀流樣本數(shù)分別為2706與2286，因此，根據(jù)類別計算得到泡沫段塞流、泡沫攪動流、泡沫環(huán)狀流權重分別為9.62、2.06、2.44，確保它們在訓練中的貢獻比例合理，避免過度影響訓練過程。

2.3.1 算法原理

線性主成分分析（PCA）只能發(fā)現(xiàn)數(shù)據(jù)的線性結(jié)構(gòu)，而KPCA通過引入核函數(shù)，將原始數(shù)據(jù)從低維空間映射到高維特征空間，在高維空間中再進行線性PCA，以實現(xiàn)對原始數(shù)據(jù)的非線性降維。核主成分分析降維原理圖如圖9所示。

圖9核主成分分析降維

Fig.9Dimension reduction bykernel principal component analysis

從圖9可以看出，利用非線性映射將數(shù)據(jù)從原始空間映射到高維空間，在該空間中，通過PCA提取最重要的特征并進行降維[30]。圖中展示了數(shù)據(jù)在原始空間中的分布（a）、映射后的高維空間（b）以及經(jīng)過降維處理后的低維空間（c）。

麻雀搜索算法SSA是一種模擬麻雀覓食行為的群體智能優(yōu)化算法，近年來由于其良好的全局搜索能力和計算效率而得到了廣泛應用［31]。改進的SSA麻雀算法通過引入混沌映射、動態(tài)自適應權重、反向?qū)W習和柯西變異等策略來提升其搜索性能和優(yōu)化效率。

引入Logistic混沌映射的初始化種群為

x_n+1=rx_n（1-x_n）x_n∈（0，1）

式中： x_n 為第 n 次迭代時系統(tǒng)的狀態(tài)值； x_n+1 為第n+1 次迭代時系統(tǒng)的狀態(tài)值； r 為控制參數(shù)。

使用該混沌序列對種群進行初始化為

y_i=y_min+y_n（y_max-y_min）

式中： y_i 為第 i 個麻雀個體在搜索空間中的位置向量； y_min 為搜索空間中每個維度的最小值; y_max 為搜索空間中每個維度的最大值； y_n 為混沌序列中的值。

引入動態(tài)自適應權重為

式中： w（t） 為動態(tài)自適應權重，在 t 次迭代時的權重值； w₀ 為初始權重； x^t 為當前全局最優(yōu)解的位置向量； t 為算法當前的迭代次數(shù)，即算法運行過程中的時間步計數(shù)； T 為算法預設的最大迭代次數(shù)，即優(yōu)化過程的總時間步上限。

引入反向?qū)W習策略為

x_i^t+1=x_b^t+r（x_w^t-x_i^t）

式中： x_b^t 為種群中的最優(yōu)解在第 t 次迭代時的位置向量； x_w^t 為種群中的最差解在第 t 次迭代時的位置向量。

引入柯西變異 （提升全局跳躍能力）為

x_b^t+1=x_b^t+δC（0，1）

式中： δ 為調(diào)節(jié)參數(shù)； C（0，1） 表示均值為0、標準差為1的柯西分布隨機數(shù)。

當滿足以下條件之一時終止搜索：（1）達到最大迭代次數(shù) T （2）全局最優(yōu)解誤差滿足精度閾值；（3）輸出全局最優(yōu)位置 x^* 和最優(yōu)適應度 f（x^*） 。

BiLSTM（BidirectionalLSTM）是在普通LSTM基礎上增加了一條反向傳播路徑，其同時從前向（過去）和后向（未來）2個方向處理序列信息，進而獲取更完整的上下文信息[32]。因此，BiLSTM模型作為一種基于長短期記憶（LSTM）的遞歸神經(jīng)網(wǎng)絡能夠有效處理這種時間序列數(shù)據(jù)。BiLSTM通過雙向傳播機制，能夠同時捕捉到前向 （過去）和后向（未來）信息，對動態(tài)流型的識別提供了更全面的上下文信息。泡沫多相流是一個復雜的流動系統(tǒng)，涉及多個變量（如氣液比、氣體流量、液體流量等）的交互作用，并且這些變量之間存在復雜的非線性關系。BiLSTM通過其深層網(wǎng)絡結(jié)構(gòu)，能夠?qū)W習并捕捉這些復雜的非線性關系，從而提高流型識別的準確性。

BiLSTM通過輸入門、遺忘門和輸出門的控制，結(jié)合記憶單元狀態(tài)和隱藏狀態(tài)的動態(tài)更新，解決了傳統(tǒng)RNN在長序列學習中梯度消失或爆炸的問題，使其能夠捕捉時間序列中的長期依賴關系。雙向長短期記憶網(wǎng)絡（BiLSTM）通過同時使用正向和反向LSTM單元來處理輸入數(shù)據(jù)。數(shù)據(jù)在2個方向上的傳遞過程：正向LSTM處理序列的過去信息，而反向LSTM則處理未來的信息。

根據(jù)氣體流量、液體流量、起泡劑濃度、壓差曲線等氣水泡三相流動參數(shù)，基于KPCA-ISSA-BiLSTM分類預測算法，不斷尋找最優(yōu)參數(shù)，調(diào)整優(yōu)化參數(shù)，最終建立預測模型，KPCA-ISSA-BiLSTM算法流程圖如圖10所示。

圖10KPCA-ISSA-BiLSTM算法流程 Fig.10KPCA-ISSA-BiLSTMalgorithm flowchart

從圖10中可以看出，KPCA-ISSA-BiLSTM算法流程結(jié)合了核主成分分析（KPCA）、改進的麻雀搜索算法（ISSA）和雙向長短期記憶網(wǎng)絡（BiLSTM）。首先，KPCA對輸入特征進行降維，提取最具代表性的特征集；然后，ISSA算法優(yōu)化模型的初始種群和參數(shù)，通過全局搜索找到最優(yōu)解；最后，BiLSTM模型通過雙向傳播機制處理時間序列數(shù)據(jù)，充分利用上下文信息進行精確的流型預測。該算法通過有效結(jié)合這3種方法，提升了氣水泡三相流流型預測的精度和魯棒性。

在訓練之前需要對模型進行參數(shù)設置，KPCA-ISSA-BiLSTM模型的超參數(shù)設置通過細致調(diào)優(yōu)，旨在最大程度地提升流型識別的精度。各個部分的超參數(shù)，如表2所示。

2.3.2 模型訓練

本研究通過融合核主成分分析（KPCA）的非線性特征提取能力、改進麻雀搜索算法（ISSA）的全局參數(shù)尋優(yōu)策略與雙向長短時記憶網(wǎng)絡（BiLSTM的時序建模優(yōu)勢，構(gòu)建了KPCA-ISSA-BiLSTM集成學習模型以實現(xiàn)氣井泡沫多相流動態(tài)流型的精準識別。基于室內(nèi)物理實驗獲取的多參數(shù)動態(tài)數(shù)據(jù)集，采用KPCA對壓差波動、氣體流量、液體流量、起泡劑濃度等非平穩(wěn)特征進行降維處理以消除冗余干擾，利用ISSA算法優(yōu)化BiLSTM網(wǎng)絡權重參數(shù)提升模型泛化能力。訓練集混淆矩陣與測試集混淆矩陣如圖11、12所示。

表2參數(shù)設置Table2 Parameter settings

從圖11、12中可以看出，通過混淆矩陣定量評估模型在測試集上的分類性能，結(jié)果表明：該模型在訓練集上的泡沫段塞流、泡沫攪動流、泡沫環(huán)狀流等流型準確預測為405、1885、1597組，總平均分類準確率為 99.69% ，預測錯誤12組；其中，錯誤預測2組泡沫攪動流為泡沫段塞流、錯誤預測7組泡沫攪動流為泡沫環(huán)狀流、錯誤預測3組泡沫環(huán)狀流為泡沫攪動流。在測試集上準確預測泡沫段塞流、泡沫攪動流、泡沫環(huán)狀流分別為173、791、680組，總平均分類準確率為 98.33% ，預測錯誤28組；其中，錯誤預測1組泡沫段塞流為泡沫攪動流、錯誤預測2組泡沫攪動流為泡沫段塞流、錯誤預測19組泡沫攪動流為泡沫環(huán)狀流、錯誤預測6組泡沫環(huán)狀流為泡沫攪動流。

本文方法相較于傳統(tǒng)單模型方法顯著提升了復雜流動形態(tài)的區(qū)分精度，尤其在過渡流態(tài)識別中展現(xiàn)出更強的魯棒性，為氣井井筒多相流實時監(jiān)測提供了有效解決方案。

在混淆矩陣分析中，泡沫段塞流、泡沫攪動流和泡沫環(huán)狀流的分類準確率較高，但也存在一定的誤分類情況。訓練集中，泡沫段塞流的誤分類率較低，主要誤分類為泡沫攪動流（誤分類率 0.5%） ，泡沫攪動流和泡沫環(huán)狀流的誤分類也較少，誤分類率分別為 0.2% 和 0.4% 。測試集中，盡管整體準確率保持較高水平，但泡沫段塞流的誤分類率上升至1.1% ，主要誤分類為泡沫攪動流，泡沫攪動流和泡沫環(huán)狀流的誤分類率分別為 0.9% 和 2.7% ，這些變化是由于泡沫段塞流在測試集中的樣本較少，以及流型表現(xiàn)的多樣性導致的。數(shù)據(jù)分析表明，泡沫段塞流的樣本數(shù)量相對較少，導致模型在訓練過程中對該類別的擬合過度，無法有效泛化到測試集，是過擬合的一個跡象。為了進一步提升模型的泛化能力，采用正則化方法，以減少過擬合現(xiàn)象，并改善模型在測試集上的表現(xiàn)。

基于KPCA-ISSA-BiLSTM集成學習模型對氣水泡三相流型進行分類的訓練集和測試集預測結(jié)果顯示，訓練集的預測精度達到 99.69% ，幾乎所有流型的預測值與真實值完全吻合，誤差非常小。然而，測試集的預測結(jié)果相比訓練集存在一定偏差，為98.33% ，尤其在某些流型上，預測值與真實值之間的差距較大，表明模型在測試集上可能出現(xiàn)了過擬合現(xiàn)象，或測試集中的樣本具有不同于訓練集的特征。總體來說，訓練集表現(xiàn)優(yōu)秀，但測試集的泛化能力仍需進一步提升。

通過KPCA-ISSA-BiLSTM算法進行迭代計算，初始階段適應度從0.030驟降至0.015以下，表明ISSA算法通過改進的麻雀搜索機制（如動態(tài)發(fā)現(xiàn)者-跟隨者策略）迅速逼近全局最優(yōu)解，有效避免了傳統(tǒng)算法易陷入局部最優(yōu)的問題，后續(xù)穩(wěn)定階段（10～30次迭代），適應度穩(wěn)定在 0.010±0.002 區(qū)間，說明模型參數(shù)已接近最優(yōu)，算法在第10次有限迭代內(nèi)完成高效收斂。

采用KPCA算法進行降維處理，計算特征的信息占比。其中，入口壓力占據(jù)絕對主導地位為0.629，出口壓力占比為0.247，氣體流量占比為0.069，液體流量占比為0.034，起泡劑濃度占比為0.021。研究結(jié)果表明井筒內(nèi)壓力梯度變化是決定氣水泡沫流動形態(tài)的核心參數(shù)，其非線性效應通過KPCA被顯著放大。出口壓力占比反映了局部壓力擾動對多相流相界面演化的重要作用。

如圖13所示，展示了不同模型在訓練集和測試集上的混淆矩陣，包括BP模型、CNN模型、ELM模型和LSTM模型。從圖中可以看出，在不同模型的混淆矩陣分析中，BP、CNN、ELM和LSTM模型在訓練集和測試集上的表現(xiàn)存在差異。BP模型在訓練集上的準確率較高，泡沫段塞流、泡沫攪動流和泡沫環(huán)狀流的誤分類率分別為 31.9% 7 13.5% 和9.4% 。但在測試集上，泡沫段塞流的誤分類率下降至 0.6% ，泡沫攪動流和泡沫環(huán)狀流誤分類率分別為 2.6% 和 0.9% ，出現(xiàn)欠擬合情況。CNN模型在訓練集和測試集上表現(xiàn)良好，誤分類基本保持一致。ELM模型在訓練集上誤分類率為泡沫段塞流82.0% ，泡沫攪動流 3.4% ，泡沫環(huán)狀流 12.4% ，由于ELM模型處理復雜、非線性數(shù)據(jù)較差，在訓練集與測試集上泡沫段塞流分類誤差較大。LSTM模型在訓練集與測試集中的泡沫段塞流誤分類率較高，分別為 77.3% 與 81.0% ；泡沫攪動流在訓練集和測試集的誤分類率分別為 10.8% 與 8.3% ，泡沫環(huán)狀流分別為 0.7% 與 1.0% 。這是由于泡沫段塞流數(shù)據(jù)特征不明顯，而LSTM模型處理時存在擬合能力較差的問題。結(jié)果表明，受到數(shù)據(jù)不平衡和過擬合以及欠擬合的影響，各模型預測精度較差。分析表明，泡沫段塞流和泡沫攪動流這2個類別的誤分類較為突出，尤其在測試集中的表現(xiàn)較差。

根據(jù)4個模型（BP、CNN、ELM、LSTM）的預測結(jié)果分析，CNN模型在訓練集和測試集上的表現(xiàn)最為優(yōu)秀，在訓練集上預測準確率為 90.48% ，測試集上的預測準確率為 89.65% ，展現(xiàn)了強大的泛化能力。相比之下，BP與LSTM模型雖然在訓練集上達到 86.25% 與 86.43% 、在測試集上達到 86.30% 與89.65% 的高準確率，但仍存在一定的誤差，表明存在一定的過擬合。ELM模型在訓練集上的準確率為 84.74% 、在測試集上的準確率為 85.89% ，性能稍差，需要進一步優(yōu)化。綜上所述，CNN模型的表現(xiàn)較為均衡，但相較于本模型的訓練集精度99.69% 與測試集精度 98.33% 效果較差。

3結(jié)論

（1）針對垂直井氣水泡三相流型預測，提出了一種基于KPCA-ISSA-BiLSTM的集成學習模型，模型在泡沫段塞流、泡沫攪動流、泡沫環(huán)狀流三類流型預測中表現(xiàn)出色，測試集平均分類準確率達98.33% ，其中泡沫段塞流與泡沫環(huán)狀流預測錯誤分別為1組與6組，顯著優(yōu)于傳統(tǒng)單模型方法。模型通過KPCA非線性降維與ISSA全局優(yōu)化策略，有效解決了高維參數(shù)冗余與局部最優(yōu)問題，驗證了其在復雜多相流動態(tài)特征提取與建模中的強適應性。KPCA降維結(jié)果顯示，入口壓力（占比0.629）是主導流型演化的關鍵參數(shù)，表明井筒壓力變化通過調(diào)控氣泡生成、聚并與分布直接決定流型轉(zhuǎn)變，為工程調(diào)控提供了理論依據(jù)。

（2）實驗揭示了氣體流量、液體流量與起泡劑濃度的耦合效應：低液量 （0.1～0.5m³/h） 下泡沫生成效率高，而高液量 （?1m³/h） 因剪切作用增強導致泡沫消散；氣體流量增加會加速流型向環(huán)狀流過渡，但壓力波動幅度隨之降低（氣體流量 ?80m³/h 】

（3）模型在訓練集預測精度達 99.69% ，測試集泛化誤差可控，結(jié)合適應度曲線快速收斂特性（10次迭代后穩(wěn)定），表明其具備實時監(jiān)測系統(tǒng)的部署潛力，可為低滲透氣田高效舉升與積液風險控制提供技術支撐。將本模型與BP、CNN、ELM、LSTM模型進行對比分析，CNN模型精度達到 90.48% ELM與LSTM模型精度基本一致，說明CNN模型的泛化能力在對比的4種模型中最好。

參考文獻

[1]DUNSJH，ROS N C J. Vertical flow of gas and liquid mixtures in wells[C]//Paper presented at the 6th World Petroleum Congress， 1963，F(xiàn)rankfurt Am Main，Germany：WPC-10132.

[2]AZIZ K， GOVIER G W. Pressure drop in wels producing oil and gas[J]. Journal of Canadian Petroleum Technology，1972，11（3）： PETSOC-72-03-04.

[3] BARNEA D.A unified model for predicting flow-pattern transitions forthe whole range of pipe inclinations[J].International Journal ofMultiphaseFlow，1987，13（1）：1-12.

[4］張昌艷.垂直井筒油氣水三相混合物流動規(guī)律研究[D].青島： 中國石油大學（華東），2008. ZHANG ChangyanResearchonflowcharacteristicsoftheoil-gaswater three-phase in vertical wellbores [D]. Qingdao： China University of Petroleum（EastChina），2008.

[5］池明，馬文敏，黃超，等.不同工況下井筒中油氣水三相流型預測 研究［J].石油天然氣學報，2022，44（1）：47-60. CHI Ming，MA Wenmin， HUANG Chao， etal. Research on multiphase flow pattern prediction of oil-gas-water phase in the wellbore under diferentconditions[J].JoualofOilandGasTechology， 2022， 44（1）： 47-60.

[6]LIU L，LI XB， TONG L，etal.Effect of surfactant additive on vertical two-phase flow [J]. Journal of Petroleum Science and Engineering，2014，115：1-10.

[7]AJANI A，KELKAR M， SARICA C，et al. Effect of surfactants on liquid loading in vertical wells [J]. International Journal of Multiphase Flow，2016，83： 183-201.

[8]WANG G W， LIAO R Q， WANG Y， et al. Experimental and model research on judging liquid accumulation in pipelines under the action of surfactant [J]. Colloids and Surfaces A-Physicochemical and Engineering Aspects，2024，695：134223.

[9]于莉娜，李英偉，郭學濤，等.垂直上升管內(nèi)油氣水三相流數(shù)值模 擬方法研究[J].油氣田地面工程，2010，29（3）：15-16. YU Lina，LI Yingwei， GUO Xuetao，et al. Studyon numerical simulation of oil-gas-water three-phase flow in upward vertical tube [J].Oil-Gas Field Surface Engineering，2010，29（3）：15-16.

[10]金寧德，李爽，張煜，等.水平油水兩相流測井儀器測量通道內(nèi)流 型識別[J].動力學與控制學報，2009，7（3）：283-288. JIN Ningde，LI Shuang， ZHANG Yu，etal.Flow pattern identification in measuring channel of horizontal oil-water two phase flow well logging tool[J].Journal of Dynamics and Control，2009， 7（3）： 283-288.

[11]HAASE S，MARSCHNERS，AYUBI MM，et al. Gas-liquid flow in small channels： Artificial neural network clasifiers for flow regime prediction [J] . Chemical Engineering and Processing： Process Intensification， 2022， 180： 108687.

[12]ZHANG P， CAO X W， PENG F Y， et al. High-accuracy recognition of gas-liquid two-phase flow patterns：AFlow-Hilbert-CNN hybrid model[J].Geoenergy Science and Enginering，2023， 230： 212206.

[13]SHI S B，LIUJF，HU HF，et al. A research on a GA-BP neural network based model for predicting patterns of oil-water two-phase flow in horizontal wells [J]. Geoenergy Science and Engineering， 2023，230： 212151.

[14]MA HM， XU Y， HUANG H B，et al. Intelligent predictions for flow patern and phase fraction of a horizontal gas-liquid flow [J].Energy，2024，303：131944.

[15]KANIN E A， OSIPTSOV A A， VAINSHTEIN AL， et al.A predictivemodel for steady-state multiphasepipe flow：Machine learning onLab data[J]. Journal of Petroleum Science and Engineering，2019，180：727-746.

[16]YAQUB M W， PENDYALA R. Flow regime transition maps and pressure loss prediction of gas，oil and water three-phase flow in the vertical riser downstream 9o° Bend using data driven approach [J].Digital Chemical Engineering，2024，12： 100174.

[17]WANG Z Y， CHEN K S，PAN S W，et al. Experimental research on the transformation of gas-oil two-phase flow pattern in large vertical annulus [J].Geoenergy Science and Engineering，2024，240： 213035.

[18]HUANG W H，REN X G， XIAO L Z，et al. Sizing-up effect on the flowpatternand mass transferof gas-liquid-liquid three-phase flow inmicrochannels[J].Experimental Thermal and Fluid Science， 2024，159：111299.

[19]YIN PB，ZHANG P，CAO X W，et al. Effect of SDBS surfactant ongas-liquid flow pattern and pressure drop in upward-inclined pipelines[J].Experimental Thermal and Fluid Science，2022， 130： 110507.

[20]YIN PB，HUANG X，LI J Q，et al. Influence of aqueous foam on gas-liquid flow development of hilly-terrain wet gas pipeline with surfactant injection[J].Chemical Engineering Science，2023， 269： 118469.

[21]LIH，F(xiàn)U ZH，YUXY，et al.Flow pattern and pressure loss of foam flow in horizontal pipes： Role of surfactant type and dynamic surface tension[J].Chemical Engineering Journal， 2024，493： 152635.

[22]WANG G W，LIAO RQ，HUANGL J，et al. Study of the flow pattern and pressure drop law of the air-water-foam three-phase flow [J].Experimental Thermal and Fluid Science，2024，155： 111207.

[23]LIU L， ZHANG JR，HU B，et al. Flow patern transition and void fraction prediction of gas-liquid flow in helically coiled tubes[J]. Chemical Engineering Science， 2022， 258： 117751.

[24]VAN NIMWEGEN A T， PORTELA L M， HENKES R A W M. The effect of surfactants on air-water annular and churn flow in vertical pipes.Part 1：Morphology of the air-water interface[J] International Journal of Multiphase Flow，2015，71： 133-145.

[25]VAN NIMWEGEN A T， PORTELA L M， HENKES R A W M. Theeffect of the diameter on air-water annular and churn flowin vertical pipes with and without surfactants[J].International Journal of Multiphase Flow，2017，88： 179-190.

[26]VAN NIMWEGENAT，PORTELALM，HENKESRA. The effect of surfactants on vertical air/water flow for prevention of liquid loading[J].SPEJournal，2016，21（2）：488-500.

[27]LIU YH，LUO C C， ZHANG L H， et al. Experimental investigationof the surfactant effect on liquid removal in vertical pipes ［J]. Journal of Petroleum Science and Engineering， 2020， 185：106660.

[28]王貴生，張宇豪，王志彬，等.泡沫排水采氣井筒流動規(guī)律實驗研 究[J].西南石油大學學報（自然科學版），2023，45（5）：107-118. WANG Guisheng， ZHANG Yuhao， WANG Zhibin， et al. An experimental study of the flow characteristicsof foam drainage well [J]. Journal of Southwest Petroleum University （Science amp; TechnologyEdition），2023，45（5）：107-118.

[29]ZHANG K， ZHANG K， BAO R. Prediction of gas explosion pressures：A machine learningalgorithm based on KPCA and an optimized LSSVM [J]. Journal of Loss Prevention in the Process Industries，2023，83：105082.

[30]NAVI M，MESKIN N，DAVOODI M. Sensor fault detection and isolation of an industrial gas turbine using partial adaptive KPCA [J] .Journal of ProcessControl，2018，64： 37-48.

[31]XUE JK， SHEN B. A novel swarm intellgence optimization approach： Sparrow search algorithm [J] .Systems Science amp; Control Engineering，2020，8（1）：22-34.

[32]LUWJ，LIJ Z，WANGJY，et al.A CNN-BiLSTM-AM method forstock price prediction[J].Neural Computing and Applications，2021，33（10）： 4741-4753. （收稿日期：2024-12-22；修回日期：2025-02-11）

［編輯李春燕]