多相泵是实现原油提取中油气水封闭混合传输的关键设备[[1], [2], [3]]。在时变条件下，泵腔和阀体中的油气水三相流表现出非稳态、不均匀、多尺度以及多物理场耦合的特性，这是由于复杂的界面动态行为与不规则阀运动的相互作用所致[1,3,4]。由此产生的气液空化现象和油水乳化会降低泵的效率并导致一些故障[[2], [3], [4], [5], [6], [7]]。建立多相泵的动态特性（如流量和相含量）与传输条件参数之间的关系，对于优化泵的结构和实时调整多相流状态是非常必要的。
已经使用了机理模型、计算流体动力学（CFD）模型和实验测量方法来描述多相流的特性。由于对多相流过程中相变、界面和流动不稳定性的物理知识了解有限，大多数现有的机理模型都描述的是稳态气液流动[[5], [6], [7], [8], [9], [10]]。然而，油气水三相流的行为更为复杂，包括油气水分层流动和油水乳化流动[2,4,11]。目前，CFD模型通常基于经验选择某种湍流模型[3,[6], [7], [8], [9], [10]]。实际上，单一模型不足以描述具有多种流动模式的整个动态过程。此外，为了有效捕捉不同时间尺度上的相间相互作用，通常需要高分辨率网格，这会导致计算时间和资源的增加。因此，仍然难以快速描绘不同条件下的多相流特性并实现多相流状态的实时监测。
鉴于有限的多相流测试技术无法从实验中获得大量可靠的数据，结合传统传感器和先进信息处理技术的测量方法受到了广泛关注。相关方法、小波分析、高斯过程回归、神经网络和深度学习建模工具等被用于流动模式识别、相分数检测、流量预测和流场重建[2,4,5,[11], [12], [13], [14], [15], [16], [17], [18], [19]]。然而，这些方法大多应用于管道中的气液两相流。只有少数研究基于阵列多传感器信息融合技术对管道中的油气水三相流流量进行了预测[11,18]。与管道中的流动特性不同，多相泵中的流动特性更为复杂，因为存在复杂的界面动态行为与多相泵运动部件的相互作用[2,19]。特别是对于高粘度和腐蚀性的原油，很难在泵腔内安装足够的传感器来收集足够的信息数据。在这种情况下，本文采用了数据增强技术来创建可用于多相泵三相流动态特性建模的数据。
最近，几种数据增强方法（如时间变分自编码器（TimeVAE）、时间生成对抗网络（TimeGAN）和时间去噪扩散概率模型（TimeDDP）因其强大的生成能力而被应用于不同任务的数据生成[[20], [21], [22], [23], [24], [25], [26], [27]]。它们通常学习时间序列数据的时间特征来生成相似的样本。实际上，不同工作条件下的三相流过程具有不同的周期性特征，因为多相泵的周期性运动各不相同。此外，每个周期内的流动过程具有不同的阶段特征。这意味着一个好的数据增强方案应该能够捕捉三相流的局部和全局动态信息。
与TimeGAN和TimeDDP相比，TimeVAE架构的主要优势在于它可以控制潜变量来生成过渡样本[20,21]。这有助于TimeVAE更好地捕捉不同条件下的三相流过程特征。然而，传统的TimeVAE数据增强方案可能需要更多的原始样本。因此，本文开发了一种基于物理知识的两阶段数据增强策略。在第一阶段，将过程知识和数据中的量化不确定性结合起来，对每种工况进行局部数据增强。在第二阶段，收集第一阶段中所有不同条件的现有数据，作为TimeVAE的原始数据，进行进一步的全局数据扩展。
具体内容组织如下：第2节探讨了多相泵中油气水三相流的特性。第3节提出了一种基于物理知识的两阶段数据增强策略，以丰富流动过程的动态信息。第4节通过比较几种模型的预测结果来证明所提方法的优越性。最后，第5节总结了本文的工作。
