气液两相流广泛存在于核反应堆的各个子系统中。相比于单相流，气液两相流的流动与传热行为更为复杂。其参数精确测量对于反应堆设计、日常运行监控和事故处置有着重要意义。电导探针是一种基于气液两相电导率存在显著差异而开发的两相流参数测量方法，具有成本低、结构简单等优点，能够适应空泡份额、气泡速度、界面面积浓度等不同两相流参数测量需求。现有的电导探针信号处理方法忽略气泡仅穿过部分探头、气泡穿过前后探头时间倒置等情况的信号，信号数据利用的低效阻碍精确高效的瞬态测量，需要大量的采样和气泡计数来控制误差。本项目开发了一套基于机器学习方法的高精度低泄漏电导探针及其信号处理技术，开发了高精度低泄漏电导探针及其信号处理算法，并建立电导探针和气泡可视化实验装置，对算法进行改进和验证。

开发机器学习方法驱动的电导探针信号处理方法将电导探针的信号转换为泡状流两相参数时均值。为满足训练神经网络所需的数据需求，建立了电导探针-气泡相互作用的物理模型，通过给定气泡速度，位置的初始条件，模拟给定气泡在电导探针测量中产生的信号，生成数据集。使用测试数据集评估机器学习驱动的电导探针信号处理方法，可计算界面面积浓度、索特平均直径及气泡平均速度。制作电导探针，搭建单相气泡可视化实验平台和池式沸腾试验台架，并使用高速摄像机对电导探针进行标定，记录实验数据对机器学习方法进行方案验证。

本项目已完成了物理模型建立，模拟程序开发，数据集制作以及机器学习方法训练，并完成了电导探针制作及气液沸腾界面电导探针测量系统的搭建及测试工作。在模拟数据中对机器学习方法和传统方法进行比较，结果表明，机器学习在减少采样要求和提高误差的收敛速度方面具有较为显著的优势。