石油作为工业的血液，在世界能源消费中已占相当大的份额，处于主导地位。目前，在针对流型识别方面已经提出了很多种方法，由于已知的多种方法虽然都能达到测量的要求，但同时也存在着缺点和不足。因此，提高原油开采中流型识别的准确性，是目前需要研究的重点。
       本设计的ECT系统主要有三大模块组成：电容传感器模块、数据采集模块和图像重建模块。其系统结构如图1所示。

本设计通过COMSOL仿真软件对传统的电容层析成像（ECT）系统进行仿真设计，建立电容传感器模型，并针对系统的管壁厚度、极板厚度、极板覆盖率和极板个数等关键参数进行优化，经过计算，得出更精确的16极板的传感器参数。以该传感器为基准，设计了一种16极板的ECT流型识别系统，通过该系统得到近千组的流型数据。
       本设计针对传统的ECT流型识别度低的问题，通过Bagging的思想应用于整合机器学习算法，并应用于ECT系统的流型识别。在现有随机森林分类器的基础上进行改进，通过对单独一小类流型进行识别，获取各类流型的识别标签，并通过组合策略的原则将多个小类别得到的标签结果进行重组，最终获取多种流型分类结果。对8种典型流型的实验结果表明，该方法继承了传统的随机森林的分类特点。在5～40dB信噪比的情况下，识别度有明显的提升，而且识别度最高可达99.93%，表明了这种方法抗噪声干扰能力强，是一种适用于工业多相流检测和识别的方法。该系统可以推广到油气、油水、固气、固液等多相流，以及医药加工、煤炭、冶金、火焰测量、润滑密封等工业领域。