多孔介质广泛存在于自然界和各种工农业生产场景中,其中包含的互不相溶多相流体之间具有复杂的流动特性。对这种形式的流动进行建模和求解,对于提高采油工业的生产效率、地下水资源的保护、温室气体的地质贮藏等有着重要的实际意义。传统的研究手段如实验研究和数值模拟,需要昂贵的实验设备或者大量的计算资源和时间成本。近些年来,随着计算机领域的深度学习算法不断地发展和成熟,神经网络作为一种代理模型被广泛地应用到各种物理问题中,其具有计算速度快、精度高等优点。本文采用卷积神经网络模型来学习和预测非均质多孔介质中不相溶两相流体之间的流动过程,实现了对流场的快速预测,同时还能给出预测结果的不确定性分析,使得结果更具有可靠性和稳定性。主要工作有以下几点:1.在第一部分工作中,实现了对多孔介质中两相驱替到达出流边界时流场的预测。把对不相溶的两相流体饱和度场的预测转化成图像分割问题,使用计算机视觉领域的语义分割神经网络模型,直接以多孔介质二维的随机几何结构为输入,学习和预测其中的饱和度场及压力场的分布。并针对自然界中多孔介质具有稀疏性和异质性不同的特性,在具有不同特征的多孔介质中验证了模型具有良好的预测精度和泛化能力。为了更好地理解模型的工作原理,最后还通过神经网络内部特征图的可视化,解释了这一黑箱模型内部的预测过程。2.在第二部分工作中,对模型进行改进,实现了对动态的多孔介质中两相驱替流场在任意时刻下的预测。分别以嵌入循环模块、以时间特征图为输入这两种方式,引入了时间信息,使得模型可以对多帧的动态流场同时进行预测。在训练过程中,使用迁移学习的方法,加载预训练模型的参数,使得当前模型所需的训练集样本数减少同时在精度上有所提升。而且模型只需要经过在某些离散时刻下的观测数据训练,就有能力预测在任意时刻下的变化流场。3.在第三部分工作中,对模型和算法做进一步的改进,构建新的贝叶斯神经网络模型,得到流场预测结果的不确定性定量分析。以贝叶斯原理为理论基础,通过Dropout层给定了模型参数的伯努利先验分布,使用蒙特卡洛采样法得到具有后验分布参数的模型,随后在此基础上对流场的预测结果进行了不确定分析,使得预测结果即使在没有数值解作为参照的情况下,也具有可置信度的度量。