一种多模块深度学习的气液两相旋流流型识别方法及系统

本发明涉及数据处理技术领域，提供了一种多模块深度学习的气液两相旋流流型识别方法及系统，该方法包括：获取压降信号，并对压降信号进行数据切片处理；通过训练好的分类预测模型对螺旋气流的流型进行分类预测，具体包括：通过CNN网络提取数据切片处理后的压降信号的时域特征以及频域特征；对时域特征以及频域特征进行增强处理，获取增强后的时域特征以及频域特征；对增强后的时域特征以及频域特征进行特征融合处理，获取融合特征向量；根据融合特征向量以及全连接层对螺旋气流的流型进行分类预测。本发明能够实现对多维度、多尺度特征的联合建模，从而提高复杂旋流工况下的流型识别准确率和系统鲁棒性，具备良好的工程实用性与工程价值。