天然气集输多采用气液两相混输,流型多变、流动复杂,地形起伏及压力变化等原因易使采出游离水和重烃凝析液在管网中积聚。实际运行工况输气量较小达不到临界携液气速时,积聚的液相不能被连续携带流出,积液滞留在管道内可能造成气田实际生产中集输管网压损过大、管道堵塞等问题,致使气液混输难度提高,对气田产生不利影响。因此,根据现场实测管线运行数据准确预测积液形成与否及积液程度具有重要的工程意义和现实意义,而准确预测临界携液气速是实现上述目标的前提和直接方法,对积液清除措施的选择和效能评价也具有重要意义。本文以典型气田N气田研究区块集输管网生产工况为实例。首先利用多相流模拟软件建立管网组分模型,进行了起伏混输管网流动特性研究,对比分析软件模拟计算结果与实际管网生产运行数据,优选研究区块适用的软件内置模型,进而量化表征管网积液规律,探究积液影响参数;基于上述模拟,选取具有积液代表性的地形及管道结构,对研究区块现场生产工况范围进行适度扩展,进行室内起伏环道携液动态实验,观测连续携液过程及携液现象,研究携液过程中的流型转化边界影响因素与流型分布规律,得到不同工况下的携液气速实验数值,并给出临界携液气速判定指标;然后以实验数据为支撑,基于灰色关联分析与因次分析,对携液气速影响因素进行参数相关度分析,从而选取主要影响因素结合实验数据,建立临界携液气速数值计算模型,并给出建立此种模型需要做出的基本假设和模型适用范围;最后基于此数值计算模型,选取气田J1区块,采用五种人工神经网络模型对利用数值模型计算标记的气田现场运行数据进行训练和预测,验证数值计算模型准确度,并优选预测精度较高的神经网络模型建立初始数据集,而后选取气田J2区块典型管线进行现场试验,将现场试验数据与神经网络模型预测结果对照分析,并加入初始样本空间。至此,本文提出了一种利用人工神经网络实现目标气田临界携液气速动态预测的主动学习方法。对于与本文研究相似的管道结构及气液比范围的气田,在初始训练集的基础上,运用已建立的临界携液气速数值模型将现场数据转为标记状态并再次进行训练预测,以此类推,可实现临界携液气速的有效预测,并进行数据集的动态扩充,实现对更广泛气田数据的充分利用,提高预测模型的泛化能力并扩大预测范围,适应气田大数据化的要求,从而为中低压集输管网运行优化提供指导。