油气水三相输送是石油、天然气工业开发和集输工程中重要的工艺环节,多相混输技术在降低管道投资、减少运行费用等方面的显著特点使其越来越多地应用于油田集输管网、油气管网输送等领域。在多相流动的研究中,流型是分析描述多相流动的重要特征参量,压降预测计算是多相管流工艺设计的重要内容。本文的油气水三相流实验在中国石油大学(华东)大型多相流环道上完成。实验介质分别为空气、HVIW150基础油和软化水。实验中模拟获得的流型符合Lee等人的三相流型划分方法,主要有分层波浪流、段塞流和半环状流。在环道上安装了压力、差压变送器采集不同流型的压力、差压波动信号。研究确定信号滤噪方法为小波变换模极大值法进行信号滤噪,其优点是它不需要事先知道噪声所处的频率的范围,从而避免了其它滤噪方法因主观假定噪声频率范围而可能将有用的信号也滤掉的特点,从而实现了对仿真信号和采集的压力、差压波动信号的成功滤噪。根据滤噪后的实验信号,提取了三种流型差压信号的特征量,包括分形特征量、统计特征量等。其中,分形特征量包括关联维数、最大Lyapunov指数和Hurst指数,分别采用G-P算法、Wolf算法和R/S分析法进行计算,分析了流动特性,得到三个特征量都可以较明显的区分三种流型;统计特征量包括多尺度信息熵,PSD特征的波形指标和峰值指标,PDF特征的标准偏差、偏态系数和峰态系数,此外还计算了差压信号的均值、标准差和偏斜度。本文将上述特征量作为人工神经网络的输入参数,以全面地反映不同流型的波动特征。本文采用了BP神经网络进行流型的智能识别,将提取的12个特征量输入网络,对网络的层数、隐层节点数、学习速率和激励函数进行了计算选取,经过训练,正确识别率达到了76.7%;采用遗传算法进行改进,寻找BP神经网络的最佳权系数以及相应节点的阈值,BP遗传神经网络算法的收敛速度远远快于传统的BP神经网络算法,正确识别率为90%。本文采用了扩展速度的概念,对不同油水分布情况下的扩展速度进行了推导,并应用等动量取样装置对液相区进行了取样分析,发现在分层波浪流型下,液相区的截面含水率表现出明显的分布梯度,故采用了Gas-W/O-O/W型分层流模型,从而建立了新的三相分层流压降模型,以克服传统分层流模型的计算误差。计算结果和实验值符合程度较好,误差范围为0~+15.45%。