油水两相流广泛的存在于石油开采及储运过程中,如原油开采过程中的井口采出液、产液地层中的油水混合物、油气储运管道中的油水两相流动等。油水两相流的流动状态识别及参数检测具有重要意义。首先,生产过程的管道压降预测,管道设计及维护工作需要准确的对油水两相流的流动状态进行识别,需要明确油水两相流的流型演化及迁移机制,两相流仪表的设计也需要流动状态的清晰解析。另外,油水两相流的流动参数是油田动态生产的重要资料,油田生产管理的优化,生产策略的动态调整及成本核算均需要对生产过程中的油水两相流参数进行精确测量。基于此,本文开展了基于深度学习的油水两相流参数检测方法研究,主要工作如下:(1)提出了基于无监督式深度堆叠自编码器结构的油泡流非均匀相检测方法。该方法通过使用无监督学习方式的堆叠稀疏自编码器对油泡流中的非均匀相进行了检测。避免了获取标签的过程,简化了识别流程,结果表明可准确的检测油泡流中存在的非均匀相。同时,结合流动工况及聚并信号的统计数量特征研究了油水两相流泡状流的聚并动力学机制。(2)提出了基于多元特征向量及长短时网络(Long Short-Term Memory,LSTM)的油水两相流含水率预测网络模型。构造了两相流多元特征参数向量,充分挖掘信号中的含水率信息,设计了基于深层LSTM的含水率预测网络,该网络通过多元特征参数向量实现了含水率的预测,预测结果的RMSE达到了0.74。(3)提出了基于时空特征的油水两相流流型识别方法,通过构建的CNN-LSTM复合网络,实现了油水两相流流型的识别,该复合网络结合了CNN与LSTM的结构优点,既可获得流型图像的空间特征,又能在时间依赖上进行建模,使得流型的识别基于空间和时间特征。实验结果表明,该方法可有效的进行流型的识别,预测的准确率达到0.98。