引言
全球能源需求持续增长。虽然太阳能和风能等新能源正在快速发展，但在可预见的未来，以石油、煤炭和天然气为代表的传统化石燃料仍将占据主导地位（Feng et al., 2017; He et al., 2016）。然而，易于开采的常规原油资源正逐渐枯竭，产量递减率每年达到5-7%。因此，非常规石油资源，特别是储量丰富的稠油，已成为保障能源安全和维持储量替代的关键（Sui et al., 2016）。然而，由于其高黏度和较差的流动性，稠油给管道输送带来了重大挑战（Sun et al., 2022）。
为降低输送能耗，工业上通常采用加热、稀释或乳化等降黏技术。遗憾的是，这些方法往往伴随着高能耗、成本增加或环境问题（Henaut et al., 2007; Hasan et al., 2010）。在现有方案中，水润滑输送技术被认为是一种有前景的替代解决方案（Babakhani Dehkordi et al., 2019）。因此，准确预测稠油-水多相流系统的压降对于优化管道系统设计以及实现安全经济运行至关重要。
世界各地的众多研究人员对稠油-水共输技术进行了实验和理论研究。表1总结了具有代表性的稠油-水两相流实验研究。基于前期研究（Martinez et al., 1988; Vedapuri, 1999; Bannwart et al., 2004; Vuong et al., 2009），在中高含水率的水平管道中，稠油-水两相流主要呈现六种典型流型：分层流（ST）、三相分层流（TPS）、水层上方的油包水分散体（DW/O&W）、水层上方的水包油分散体（DO/W&W）、水包油分散体（DO/W）以及核心环状流（CAF）（Brauner, 1998）。CAF可稳定存在的工况范围及相关压降是实验研究的重点。例如，Arney等人（1993）对高黏度油水环状流中的摩擦因子和持液率进行了研究，Rodriguez等人（2009）进行了稠油环状流的全尺寸实验。
针对不同流型，研究人员建立了相应的理论预测模型。对于分层流，基于积分质量和动量平衡的双流体建模方法由Taitel和Dukler（1976）针对气液分层流提出，已被广泛采用，并在该框架内开发了适用于油水系统的改进模型（Brauner, 2003）。对于分散流，通常采用均相模型计算压降，其核心在于确定有效混合物黏度，其中Brinkman公式（Brinkman, 1952）和其他经验模型被广泛应用（Brauner, 1998）。在高混合流速下，可能发生从水连续分散流（DO/W）到油连续分散流的相反转，这伴随着压降的急剧增加（Brauner, 2003）。对于环状流，压降预测模型需要特别考虑油核与周围水环之间的相互作用。代表性模型包括经验Arney模型、Brauner和Ullman（Brauner and Ullmann, 2002）针对同心CAF的双流体模型，以及Sun等人（Sun et al., 2022）提出的偏心CAF模型。然而，这些依赖于流型的机理模型通常基于简化假设，可能导致预测结果与实验结果之间存在显著偏差，特别是当假定的流型并未实际发生时。稠油-水多相流系统是一个受多因素耦合影响的复杂非线性系统，这些因素包括混合流速、含水率、管道几何形状以及流体的物理性质。传统建模方法难以实现对压降的可靠泛化预测，而这对于输送管道设计至关重要，因为此时主导流型通常是未知的。
近年来，机器学习（ML）作为数据驱动方法的代表，为处理此类复杂非线性系统提供了强大工具（Vinuesa and Brunton, 2022; Vinuesa et al., 2023; Xiao et al., 2024）。通过利用标记数据集建立输入与输出之间的映射模型，智能建模在多相流领域展现出巨大潜力。所采用的核心算法包括线性回归（LR）、支持向量回归（SVR）、决策树（DT）、随机森林（RF）和神经网络（NN）等（Tao et al., 2023）。最近，将物理约束嵌入学习目标的物理信息机器学习方法已成为流体动力学应用中的强大范式。Raissi和Perdikaris（2018）Osman和Aggour（2002）率先开发了一种基于反向传播人工神经网络的预测模型，以13个关键参数作为输入来预测水平和近水平油-水-气多相流中的压降，平均绝对相对误差仅为3.4%，显著优于传统经验关联式。Al Wahaibi等人（2024）开发了一种自适应神经模糊推理系统，用于水平和近水平多相管道中的压降预测，证明了数据驱动方法在超越传统经验和机理方法、提高预测精度方面的潜力。Sun等人（2025）利用粒子群优化（PSO）改进的BP神经网络来预测高黏度油水水平环状流中的压力梯度，MAPE低至3.58%。在油水两相流的具体背景下，Azizi和Awad（2016）应用人工神经网络预测垂直和倾斜管道中的持水率，证明了数据驱动方法在多相流参数估计中的可行性。Kaleem等人（2024）进一步将混合集成机器学习方法应用于多相流产量预测，并证明了将数据驱动模型与特征分析相结合对复杂石油生产系统的有效性。
文献综述表明，混合机器学习模型在设定复杂输入输出模型参数值方面具有显著优势。作为一种高效回归方法，LSSVM可以有效缓解传统经验模型中常见的过拟合、对冗余特征敏感以及高计算复杂度等问题。然而，其预测性能高度依赖于超参数的选择。PSO及其变体已广泛用于机器学习模型中的超参数优化。例如，Yang等人（2024）将自适应PSO与LSSVM集成在一个混合预测框架中，证明基于PSO的优化可以有效提高LSSVM的预测性能。WOA模拟座头鲸的觅食策略，结构简单、可调参数少，并在全局探索与局部开发之间实现了更好的平衡。其收敛速度和精度优于PSO等传统优化器（Amar et al., 2022; Alizadeh et al., 2022; Bahrami et al., 2022; Hadavimoghaddam et al., 2020）。
本研究的主要贡献包括：（i）首次将LSSVM应用于非核心环状稠油-水两相流的压降预测，涵盖现场相关温度（60-80°C）下的分层流、三相分层流和分散流流型；（ii）提出PCC-GRA混合特征筛选方法，从更大的候选特征集中定量识别四个主导控制特征；（iii）开发具有逐次迭代概率切换和速度同步的PSO-WOA混合优化器，其优化性能与网格搜索、随机搜索、贝叶斯优化、独立PSO和独立WOA在相同5折交叉验证目标下进行了系统比较；（iv）在具有可比管径的独立数据集上进行外部验证（Luo et al., 2017; D = 25.8 mm）。
