目前工业界采用人工识别的方法，对整条管线的惯性检测单元(IMU)应变检测数据进行逐段识别的做法存在耗时多、识别效率不高以及判断标准不一致等问题。鉴于此，通过建立机器学习模型，提出了弯曲变形危险管段智能识别方法，实现了对冻土区融沉变形管段的智能识别。首先统计了漠大一线冻土区管线中弯曲应变值超过0.125%的管段，包括弯头段、凹陷段和融沉导致的弯曲变形段等，使用1阶数字低通滤波法降低IMU应变检测数据中的噪声干扰，然后结合几何/漏磁检测数据截取IMU应变检测数据中不同管段类型的样本数据，从中提取了11种典型数据特征值，利用主成分分析法对11种特征值进行降维处理，最后建立决策树和随机森林模型进行识别分类。研究结果表明，不同管段类型的长度特征是影响模型分类效果的重要因素，在测试集中决策树模型出现了过拟合，识别准确率大幅下降，随机森林模型识别准确率达到了90%以上。该识别方法为管线完整性评价提供了技术基础。

来源平台：石油机械