物理引导CGAN

扩展工况泛化

将两流体模型解出的关键流动参数作为条件向量引导生成，使生成样本覆盖目标扩展工况，从而提升下游流量预测模型在这些工况上的泛化能力。

郑丹丹 · Yongtao, Chen · Weijie, Ni · Jilin, Ye · Wang, Maosen · 李涛

Measurement: Journal of the International Measurement Confederation 2026

参数信息

气液流量平均绝对百分比误差（MAPE）

4.62 / 3.79 %

扩展工况下气液流量MAPE

7.80 / 12.34 %

技术优势

扩展工况预测更准

在目标扩展工况下，下游ANN的气液流量MAPE分别从10.38%和22.45%降至7.80%和12.34%，说明增强数据集有效提升了模型在新工况上的泛化能力。

用物理模型引导生成

将两流体模型迭代求解的关键流动参数作为条件信息向量，引导CGAN生成目标扩展工况下的样本，使生成数据具有物理合理性。

应用场景

• 多相流测量：为气液两相流测量提供数据增强，提升流量预测模型在宽工况下的精度
• 过程工业仪表：减少过程工业中获取大量实验数据的成本，用有限数据训练更可靠的流量预测模型
• 传感器数据增强：生成符合物理约束的传感器训练样本，解决超声传感器数据不足问题