多相流是当代工业操作中的一个关键组成部分，但多相参数的精确定量提出了一个实质性的障碍。本研究利用实验室模拟双层管道中的多传感器阵列，通过深度学习框架提高气水两相流测量精度。它采用电阻层析成像、电磁流量计以及温度和压力传感器，为深度学习模型捕获实时数据，该模型集成了经典的漂移通量模型，用于非侵入式综合测量系统。开发了两个模型，一维卷积双向长短期记忆神经网络（1D CNN-BiLSTM）和多相流估计神经网络（MFENet）-具有位置编码，多注意机制和滑动窗口。在185种不同流动条件下的测试表明，MFENet在流量预测方面具有较高的精度，气体体积流量和水体积流量的平均相对误差分别为2.45%和1.38%，优于1D CNN-BiLSTM。这强调了深度学习的能力，以提高多相流测量技术的准确性。