热油管道的蜡沉积是影响管道安全运行的关键因素之一,过厚的沉积物会减小管道有效内径,严重时还会造成凝管事故。因此,积极探寻含蜡原油管道蜡沉积的影响因素蜡及蜡沉积规律,提出预测准确、普适性好、简便易行的蜡沉积模型预测实际管线中蜡沉积厚度,对于科学制定清管方案以及管道的安全运行具有重要的实际意义。目前国内外对蜡沉积预测模型的研究主要集中在根据室内实验建立热力学与动力学模型的领域,尚未见利用现场运行数据建立蜡沉积机器学习预测模型的相关文章。本文从该角度出发选题立意,以中西部某热油管道1#站至2#站站间管道A为研究对象,利用深度学习和优化神经网络方法预测现场管道蜡沉积厚度。根据室内蜡沉积实验得到不同条件下的蜡沉积速率,通过灰色关联分析对影响蜡沉积的因素按影响程度排序。针对实际管道蜡沉积的关键因素——管道进站油温,通过分析管道进站温度影响因素的时序特性,利用在时间上体现深度学习特点的LSTM-RNN预测管道进站温度。将预测得到的管道进站温度与其他蜡沉积影响因素一起作为输入特征,利用ACPSO算法优化BP神经网络,并用ACPSO-BP算法预测现场管道的平均蜡沉积厚度。最后针对现场可能出现的小样本问题,根据迁移学习的思想,提出并验证了基于相似管道数据预训练模型,提高目标管道预测精度的小样本问题解决方法。研究结果表明,利用灰色关联分析法得到的影响管输油品蜡沉积的各因素按照影响程度排序为:管壁处温度梯度、油温、壁温、管壁处原油粘度、蜡晶溶解度系数、管壁处剪切应力,管道油温与沿线温降对蜡沉积影响较大,准确计算变工况条件下的进站油温是建立蜡沉积预测模型的基础;管道出站油温、管道输量、环境温度等影响管道进站温度的因素符合时序数列特性,采用体现时间序列影响的循环神经网络（RNN）模型预测现场管道进站温度,并用LSTM记忆单元改进RNN模型的短期记忆问题,用基于MRMR的嵌入型特征选择法确定的输入特征即减少了预测时间又保证了结果准确性,预测结果表明LSTM-RNN预测精度高于RNN,且在工况变化条件下对进站温度极值以及极值出现的时间预测更加精确;以LSTM-RNN模型预测得到的2#站进站温度与1#站出站压力、1#站出站油温等7变量共同作为输入特征建立现场管道蜡沉积预测模型时,利用混沌算法优化粒子群算法能有效改善粒子群算法中粒子易陷入停滞状态的缺点;根据粒子收敛状态有针对性地调整粒子的惯性权重,建立ACPSO算法,将改进后的ACPSO、CPSO算法分别与BP神经网络结合,能够优化BP算法初始权阈值,平衡BP网络易陷入局部极值的缺点和收敛速度慢的问题;基于ACPSO-BP与CPSO-BP算法,以现场运行数据为训练样本建立管道蜡沉积厚度预测模型,ACPSO-BP算法的预测准确性远高于BP神经网络且优于CPSO-BP算法,能够实现现场平均蜡沉积厚度的精确预测;相比于用小样本直接训练导致严重过拟合,采用足量相似管道运行数据进行预训练再用少量目标管道数据微调的方式能够得到精度更高的进站温度预测模型,用于预测管道蜡沉积厚度。综上所述,本文提出的以现场数据驱动的基于优化神经网络的蜡沉积预测方法可以在一定程度为现场应用提供帮助。