随着工业革命后世界各国工业化的发展,能源的需求量不断增加,使得以CO2为代表的温室气体超量排放,在此背景下CCS(碳捕集与封存)技术应运而生,越来越被重视。在CO2以液态形式长距离运输的过程中,由于压力、温度的变化,一部分CO2会转换成气态,从而以气液两相流的形式存在。为了准确得到管道内的流体状态,保证运输安全,管道内流体的质量流量和气体体积分数的实时监控测量至关重要。参考相关文献,了解国内外对CCS技术的研究进展,和各种测量设备和测量技术手段之后,本文提出了一种基于科里奥利流量计和神经网络相结合的CO2气液两相流质量流量和气体体积分数预测系统。利用BP神经网络搭建数学模型,针对BP神经网络容易陷入局部极小的问题,引入遗传算法对BP神经网络的初始权值进行优化。将实验中科里奥利流量计测得参数和差压流量计测量值作为神经网络模型的待选输入,经过计算挑选最适合的输入变量,然后根据经验公式确定神经网络的结构参数,完成模型构建。对250 kg/h～2716 kg/h的液体质量流量和0～30%的GVF(气体体积分数)进行了两系列试验,即试验Ⅰ和试验Ⅱ。试验期间的流体温度约为20℃。从试验I收集142个数据集进行神经网络模型的训练,从试验Ⅱ记录53个数据集,以测试神经网络的性能。绘制了原始数据和预测数据的相对误差图,其中垂直和水平安装条件下的优化后的质量流量相对误差分别不大于±1.5%和±2.5%。与原始未修正的相对误差相比,该方法在测量精度上有了显著提高。另外,用同样的神经网络对气体体积分数进行预测,在大多数情况下,垂直和水平安装条件下的GVF预测值相对误差小于±10%和±20%。对测试结果分析表明了神经网络与科里奥利流量计结合应用于CO2气液两相流参数测量的可行性,有效性。