《Expert Systems with Applications》：Dual-branch multi-scale feature alignment for gas-liquid two-phase flow pattern identification
编辑推荐：
•设计一种用于流型识别的双分支多尺度特征对齐模型。•设计一种能够分离瞬态与宏观流动特性的多尺度特征对齐模型。•设计一种能够自适应抑制工业光学噪声的优化特征提取模块。•采用共享权重的双分支结构来对齐正交的空间传感器特征。•该模型仅有1.60M个参数，重量轻，非常适合在边缘计算环境中
- •
设计一种用于流型识别的双分支多尺度特征对齐模型。
- •
设计一种能够分离瞬态与宏观流动特性的多尺度特征对齐模型。
- •
设计一种能够自适应抑制工业光学噪声的优化特征提取模块。
- •
采用共享权重的双分支结构来对齐正交的空间传感器特征。
- •
该模型仅有1.60M个参数，重量轻，非常适合在边缘计算环境中使用。
引言
在页岩气开采过程中，井筒内气液两相流的流动特性对于生产预测和安全监测至关重要。准确的流型识别是建立可靠的气液两相流软测量模型和理论模型的基础（OuYang, Jin, Bai, & Ren, 2023），它为页岩气井生产参数的动态评估和多模态感知提供了重要的理论支持（Jiang et al., 2024a），从而帮助企业有效应对由间歇性流动引起的管道压力波动（Saini & Banerjee, 2023），并在复杂工况下实现多维度特征优化，最大化经济效益（Yu et al., 2024）。
现有的流型识别技术主要分为直接观测和多传感器间接测量两类。由于井下环境存在极高的温度、压力以及复杂的非线性混沌特性，传统的观测方法难以获取高质量的流场特征（Ren, Jin, & OuYang, 2024b）。因此，基于间接测量结合深度学习的方法逐渐成为主流。例如，Wongsaroj等人（2025）通过将超声测量技术与机器学习算法相结合实现了流型分类；Kuang、Rana和Zhao（2023）则利用非侵入式超声传感器与卷积神经网络共同完成了复杂流型的识别；Liu等人（2023）则运用机器学习算法对水平管道中的气液旋流模式进行了分类。此外，为了解决工业环境中的高频噪声和基线漂移等复杂干扰问题，Chang、Yuan和Li（2025）提出了一种基于谱注意力机制的改进小波网络，为在复杂背景噪声下进行稳健的特征提取提供了新方法。
为克服工程上的限制，基于一维时间序列信号的无创测量方法逐渐兴起。Ma等人（2024）提出了一个用于流型及相分数预测的智能传感框架；Suo、Sun、Shi、Lu和Shen（2025）则进一步利用多传感器数据融合和软计算模型显著提升了质量流量的测量精度。然而，传统传感器容易受到干扰，而近红外光学传感器由于其较高的时空分辨率，已成为理想的选择。最近，Wu、Xue、Li、Li和Wu（2025）探索了将CNN与光学载波微波干涉仪相结合用于两相流量测量，展现了光学传感在复杂流动条件下的巨大潜力。
近年来，深度神经网络在处理非线性时间序列映射方面表现出了出色的性能。Zhang和Zhang（2023）利用格拉姆角场和密集连接网络提高了识别精度；而Li、Zhang和Chen（2023）则通过物理驱动深度学习增强了模型的泛化能力。在时空特征捕捉方面，Tang、Jin、Ren、Pan和Bai（2023）提出了基于多高度电极的识别框架，Ma等人（2025）则提出了一种用于流型识别的混合深度学习模型；而Ren、Jin和Wang（2024a）则利用交叉指型电导率传感器实现了对倾斜管道段中气液两相流液膜厚度的精确测量。在多域特征识别领域，Zhang和Wang（2023）证明了基于多域特征提取的深度学习方法在流型识别中具有显著优势。此外，Jiang等人（2024b）引入了Transformer架构，大幅提升了流量估计的上限。为了更精准地提取具有区分度的特征，并实现多源传感器数据之间的深度协同，Saihood等人（2025）提出了一种基于注意力引导的融合模型，表明空间选择性注意力机制在复杂工业参数的特征聚合和表示增强方面具有优势；Chen等人（2025）构建的多尺度跨通道Transformer进一步验证了跨通道建模在两相流参数测量中的有效性。此外，近期在更广泛的智能诊断系统方面的研究也印证了这一先进理念。例如，Zhang等人（2025）在深度神经网络中提出了一种新的桥接注意力机制，该机制在从复杂背景中分离关键目标特征方面表现出色。同样，为了解决异构数据处理问题，Zhou、Luo、Gong和Peng（2025）开发了一种混合多模态融合方法，该方法在解决跨模态数据冲突和提升系统性能方面效果显著。
在页岩气开采和管道输送过程中，流体动力学和系统行为往往具有极强的复杂性。为了全面分析和建模这些复杂的工业过程，先进的系统识别策略具有非常重要的指导意义。例如，人们已经开发出分层随机梯度算法，用于有效分离和识别多变量ARX模型（Ding, Xiao, Xu, & Fang, 2024）。此外，为了解决结构上的复杂性，针对具有记忆非线性的非线性夹心式系统，人们采用了基于自适应学习的量化参数识别方法（Li, Zhang, & Ren, 2026）；而对于存在时延的多项式Hammerstein模型，则提出了分离结构识别方法（Yu, He, & Jia, 2025）。这些方法为建模页岩气和多相管道系统中常见的耦合、非线性、时延动态提供了互补的工具，也为本研究中的架构设计提供了参考。
尽管取得了这些显著成果，现有方法仍面临一些挑战。现有模型往往难以处理非常长序列中的动态依赖关系。例如，Wang等人（2025）提出的用于预测复杂工业旋转过程的改进框架表明，通过并行时间卷积实现多尺度特征分离，同时建模长期和短期的动态时间依赖关系，是提高复杂工业时间序列模型泛化性能的关键。此外，气液界面突然变化产生的瞬态动态信息在传统滤波方法中很容易丢失。另外，实际运行条件下的光学噪声也需要更针对性的通道校准机制。为了解决上述研究缺口，本文提出了一种端到端的双分支多尺度特征对齐网络DMFANet，以实现气液两相流型的准确识别。本研究的主要贡献如下：
- 1.
本文提出了一种多尺度窗口处理模块MWPM，其设计灵感来源于多尺度1D-CNN架构（Cui, Chen, & Chen, 2016）。该模块利用不同尺度的标准滑动窗口对原始信号进行多粒度分析，从而有效分离出高频瞬态细节和低频宏观趋势。
- 2.
本文还引入了一种基于Squeeze-and-Excitation（SE）机制的一维通道注意力模块OCAM（Hu, Shen, & Sun, 2018）。该模块能够根据全局上下文信息自适应地校准特征通道，从而精准捕捉界面经过时的关键信号变化，同时有效抑制多余的光学噪声。
- 3.
针对超长的双通道传感信号，本文设计了一种权重共享的双分支特征对齐结构，以减轻深度神经网络中的优化难题。该结构与MWPM和OCAM相结合，构成了用于气液两相流型识别的DMFANet。在自行构建的数据集上进行的大量对比实验和消融实验均证明了该模型的有效性。
章节摘录
整体网络架构
本文提出了用于气液两相流型识别的DMFANet，其整体流程图如图1所示。如图1的网络输出所示，该系统可将内部流体状态划分为五种典型的流型。为明确结构相似的流型之间的物理差异：塞流的特点是气体和液体块体以准周期性交替出现，且在不同高度处界面相对干净、平滑
实验数据采集
本研究的基础数据是从一个气液两相流模拟井实验平台中收集的，如图5所示。实验测试段为一个内径为20毫米的垂直透明亚克力圆柱形管道。实验所用的工作流体为空气和自来水。总的气水体积流量设置在5到120立方米/天的范围内，含水率则在0到100%之间变化。
在上述物理条件下，本研究
结论
本文提出了用于气液两相流型识别的DMFANet。通过将MWPM、OCAM以及权重共享的双分支结构有机结合，该方法能够在环境干扰下有效对齐正交的传感器信号，并提取出稳定的流体动力学特征。实验评估结果表明，DMFANet的分类准确率为97.63%，F1值为97.28%。此外，由于该模型的参数量仅为1.60M，体积小巧
CRediT作者贡献说明
Weihang Kong：资金获取、概念构思、研究实施、方法设计、结果验证、初稿撰写、审稿与编辑。Hao Zhou：数据整理、研究实施、方法设计、初稿撰写、结果验证、软件应用。Yuan Xiao：研究实施、方法设计、初稿撰写、结果验证、软件应用。Yang Li：方法设计、审稿与编辑、结果验证、形式分析。
利益冲突声明
作者声明，他们不存在任何可能影响本文研究结果的已知利益冲突或个人关系。
Weihang Kong|Hao Zhou|Yuan Xiao|Yang Li
