由于工业制造水平的提高,科技新材料的研究发展,工业设备越来越趋于精细化,小型化。由于其精细的结构,灵敏的动态响应,低能耗和高效的转换效率,微小型设备被广泛应用于许多领域,例如石油、化工、医疗等。小通道内的两相流动特性不同于常规通道,这是由于表面效应在小通道内的影响最大,同时壁面润湿性、管道截面形状、粘性力以及粗糙度等的影响也在加大。两相流系统的安全运行受流动特性和传热特性的影响较大,而流型影响着流动特性和传热特性,因此,流型的辨识至关重要。而气液两相流的压差波动信号由流体的流动状况决定,蕴含了丰富的信息,与流型有着非常密切的关系。因此研究小通道气液两相流型的在线辨识与预测具有重要的工业应用价值和学术价值。本文结合高速摄像图对光电传感器模拟信号和压差波动信号进行线性统计分析实现了小通道气液两相流型的初步辨识;对压差波动信号进行混沌分析从非线性分析的角度研究两相流波动过程,进一步提高了流型辨识的准确性;建立了基于压差波动信号的Volterra自适应短期预测和LSTM循环神经网络预测模型实现了小通道气液两相流型的在线辨识与预测。首先,本文利用自行搭建的小通道气液两相流型测试实验平台,通过调节不同的气相和液相的流量,利用高速摄像机可以拍摄到本实验选取的三种管径下的小通道气液两相流中出现的流型的清晰的高速摄像图,进行流型的初步辨识。对通过高速摄像机获得的小通道气液两相流的流型所对应的的光电传感器模拟信号图进行流型的分析与辨识。由于对测试实验的的光电传感器模拟信号图和压差波动信号图的分析只是单纯的从线性的角度对信号波动图进行的流型分析辨识,没有涉及到气液两相流动的非线性特性分析。而压差波动信号蕴含着丰富的流型信息,在实验过程中易于采集,不会对两相流动状态产生影响,因此采用基于混沌的非线性分析对压差波动信号进行混沌分析,绘制吸引子图,从而实现了对小通道气液两相流的流型更准确的分析辨识。通过建立基于Volterra自适应滤波器的压差波动信号预测模型与基于LSTM循环神经网络的压差波动信号预测模型,对压差波动信号进行预测,对两种预测结果进行比较分析。通过高速摄像机获得了气泡流、塞状流、弹状流、弥散流和波状流五种典型流型的高速摄像图像,结合光电模拟信号和压差波动信号的对比分析证实了基于混沌吸引子图的小通道气液两相流流型辨识的优越性;通过对比分析基于相空间重构的Volterra自适应滤波器预测模型和LSTM循环神经网络预测模型,对小通道气液两相流压差波动信号的预测结果,发现两种预测模型都可以实现压差波动信号的预测,而基于混沌相空间重构的Volterra自适应预测模型对小通道气液两相流的预测结果更准确。在Volterra自适应预测模型下的三种管径的压差波动信号的预测结果中,2mm管径的气液两相流流型的压差波动信号预测结果的均方误差总体最小,预测效果最准确;在LSTM循环神经网络预测模型下,3mm管径的各个流型的压差波动信号的预测结果最好,呈现出管径越大预测结果越准确的现象。实验中所测得的五种流型中,基于混沌相空间重构的Volterra自适应预测模型对气泡流流型的压差波动信号预测均方误差最小;基于LSTM循环神经网络预测模型对弹状流的压差波动信号的预测均方误差相对较小,预测结果较好。