具备记录一致性与输入健康筛查的水平管道气液两相流型边界感知双模态识别

《Ocean Engineering》：Boundary-aware dual-modal recognition of gas-liquid flow patterns in horizontal pipelines with record consistency and input health screening

　　

•电导率-压力记录支持水平管道流动状态识别。
•记录一致性特征指示过渡态和不确定记录。
•分组评估可防止记录级识别中的窗口泄漏。

引言
海上油气集输管道、海底管道和管道-立管系统通常输送气液两相流体。流型变化会改变压降、持液率、界面波动和局部载荷，这些变化影响流动保障、运行稳定性和监控决策。近期的海洋工程研究也表明，监测到的系统状态必须在明确定义的工况或结构条件下进行解释（Zhang等，2026a；Zhang等，2026b；M.-W. Li等，2024）。对于海洋和离岸结构，响应建模已与定义载荷条件下的浮式桥梁模块和分级三明治板相关联（Ye等，2025；M. Li等，2026）。Xu等（2023）将流型识别确定为深水气液管道-立管系统中流动保障的关键要素。Li等（2022）和Qiao等（2024）将流型识别作为海底跳管和Z型离岸管道监控中的核心问题。

气液流型识别研究已从经验流图转向基于传感的测量、数据驱动建模和智能识别。Gomez Camperos等（2024）、Qiu等（2025）和Guesmi等（2025）的综述表明，当前工作结合了流型机理、信号测量和机器学习建模。基于流图、机理模型或视觉解译的传统识别方法在解释转变机理方面仍然有用，但其适用性对管径、倾斜度、流体性质、入口条件和传感器位置较为敏感。海上油气管道通常在变化的路由和流动条件下运行，单一经验准则难以扩展至边界状态和瞬态过程。因此，数据驱动模型需要在提高对工况变化的耐受性的同时保持物理可解释性。

识别性能受到信号质量和传感模态的强烈制约。电导率信号反映局部相态占据、界面通过和气液分布，已广泛用于水平气液流识别。Hernández等（2006）使用电导信号和神经网络进行快速两相流分类，Fan和Yan（2014）验证了电导探头在水平管道段塞流测量中的判别能力。压力和差压信号提供系统级动态信息；例如，das Neves等（2024）从实验压力信号中识别水平管道流型。其他测量技术，包括超声传感、断层成像、伽马射线吸收和柔性阵列，也被用于扩展流型的观测空间（Liang等，2021；H. Liu等，2024；Hanus等，2024）。多普勒频谱和差压/超声研究进一步表明额外传感模态如何扩展流型描述符（Liu等，2021；Shi等，2024）。近期综述进一步将气液两相流测量与智能数据分析方法联系起来（Fan等，2026）。

机器学习和深度学习已使气液流识别从手工特征和浅层分类器扩展到时间序列建模、图像编码和深度神经网络。其他智能识别任务中的时频注意力模型和高效多模态适配也反映了从异构信号中获取紧凑特征的更广泛趋势（H. Wu等，2026；X. Liu等，2026）。Lin等（2020）使用深度学习预测倾斜管道中的两相流型。Zheng等（2022）使用ResNet1D-34识别低持液率管道流型，Xu等（2021）使用LSTM模型捕捉与流型变化相关的时间特征。基于图像和振动的识别也已通过卷积神经网络进行了探索（Nie等，2022；Chen等，2023）。

近期研究已转向更复杂的模型结构和工程设置。Qiao等（2024）使用带有LSTM层的卷积神经网络进行Z型离岸管道两相流识别。Ma等（2025）和Wang等（2025）开发了水平气液流的混合深度学习模型。W. Li等（2025）将随机森林优化与SHAP分析相结合进行管道流型预测，Wu和Zhang（2024）使用熵和复杂网络描述符进行气液流型识别。Shi等（2025），Shi等（2026）进一步研究了用于水平气液流识别的混合深度学习和时空特征融合策略。

面向部署的识别受益于对处于稳定流型之间过渡区域的记录的显式处理。邻近流型边界附近的样本往往包含混合结构。它们的电导率响应、压力波动和局部窗口输出可能分散在多个稳定类别中。单个稳定标签可能会掩盖边界状态风险，即使名义类别预测看起来相当自信。现有的水平管道和复杂管道研究已展示了同步多源信号和记录级组织的可行性。das Neves等（2025）发布了一个包含同步加速度、压力、空隙率和高速摄像测量的水平管道数据集，Tang等（2023）表明同步多源传感有助于表征流动响应。对于被划分为窗口的记录，评估协议也必须确保同一记录的窗口位于同一折中。Sasse等（2025）总结了监督学习中的数据泄漏场景，Liu和Zhou（2024）讨论了时间相关样本在交叉验证中乐观误差估计问题，Jakovljevic等（2024）使用阻塞交叉验证进行过程建模。

传感器输入状态的变化也可能改变识别输出的工程含义。零偏漂移、增益变化、累积漂移和分辨率降低会改变特征分布。这些变化可能导致异常的稳定标签或在退化的输入上产生错误报警。Yuan等（2024）从系统控制角度讨论了传感器退化和故障下的风险评估。Wang等（2024）在感知系统中引入了一种传感器容错策略，W. Wu等（2024）使用信息论评估了传感器故障对结构健康监测可靠性的影响。

可靠性和维护研究已使用退化过程建模、失效特征学习和预测性维护指标来支持健康评估（Dai等，2022；H. Li等，2025a；Z. Xu，2025）。置信度感知诊断为安全关键机械在不确定条件下的决策提供了相关背景（H. Li等，2025b）。浮式风力涡轮机的动态分析已量化了系泊失效条件下的结构响应（Ding等，2026）。数据驱动的数字孪生和基于SCADA的可靠性模型也已为海上风能系统中的状态更新和故障率预测而开发（Qian等，2026；Kong等，2026a）。海洋和离岸系统研究还考虑了浮式风力涡轮机和系泊系统的失效模式和短期监控预测（Kong等，2026b；Liu和Guedes Soares，2026；Liu等，2026b）。

上述文献表明，从窗口化电导率-压力记录中进行流型识别存在三个实际需求。首先，评估必须保留原始记录边界，因为从同一100秒记录中切割的窗口具有高度相关性。其次，邻近稳定流型边界附近的记录需要输出语义，以区分显式过渡/不确定指示与仍然在物理上可接受的稳定输出。第三，输入状态变化应在将识别输出用于监控解释之前进行筛选。这些需求促使本文开发了边界感知双模态框架。该框架在记录级组织同步电导率-压力数据，使用稳定闭集锚点和有监督过渡/不确定分支，通过候选集评估保留的稳定标签，并在受控输入变化下应用独立的输入健康筛选层。

本文做出了三项贡献。
（1）为同步电导率-压力流型识别建立了泄漏控制的记录级协议。
（2）开发了一种记录一致性表示，用于利用记录内窗口响应进行过渡/不确定状态指示。
（3）将边界状态输出语义与输入健康筛选相结合，以分离显式未知输出、候选可接受的保留输出、边界违规和输入驱动的保护性覆盖。

实验片段

实验平台与同步双模态采集
实验在一个内径为50毫米的水平气-水两相流回路上进行。工作介质为空气和自来水，测试在正常室内温度和压力条件下（25°C和101.325 kPa）进行。空气和水通过Y形入口进入水平测试段，电导率和压力传感器位于入口下游4000毫米处。配对传感器记录局部相分布变化和压力

整体框架
本研究的流型分类在同步记录级进行。每条100秒的电导率-压力记录是特征提取、模型训练和评估的单位，从同一记录切割的五个窗口保持在同一外层折中。这种组织对于边界状态分析很重要，因为过渡记录可能在同一记录内包含不同的局部响应，而其流状态标签分配给整个记录。图6

基线设置与协议完整性
表4总结了分组评估中使用的模型配置。表中列出的超参数在外层折评估之前固定，未从外层测试折中选择任何参数。在每个外层训练集内，MultiRocket从列出的alpha集中选择Ridge系数，InceptionTime和WR-DSFNet使用分层的20%子集确定早停轮次。每个配置在种子42下每个外层折拟合一次，报告的总体

结论
本文研究了使用同步电导率-压力记录进行水平气液管道边界感知双模态流型识别。记录级分组协议将每条100秒记录的五个窗口保持在同一外层折中，减少了窗口化评估中的泄漏。基于电导率的稳定分支达到了0.9304的准确率，为统一识别任务提供了稳定的闭集锚点。

统一任务B分支使用双模态全局特征

CRediT作者贡献声明
Yuanjian Yang：写作-原稿、可视化、验证、软件、方法学、调查、形式分析、数据整理。
Hongwei Yin：写作-审阅与编辑、监督、资源、项目管理、方法学、资金获取、概念化。
Zihao Zhang：可视化、验证、调查、数据整理。
Junyu Guo：写作-审阅与编辑、资源、调查、数据整理。
Yichao Yin：写作-审阅与编辑、监督、资源。

数据可用性
数据可按要求提供。

资金支持
本工作由重庆科技大学研究生创新项目（项目编号：YKJCX2520817）支持。

利益冲突声明
作者声明他们不存在已知的竞争经济利益或个人关系可能影响本文所报告的工作。

Yuanjian Yang | Hongwei Yin | Zihao Zhang | Junyu Guo | Yichao Yin