管道是输送石油、天然气的重要方式。近年来,我国管道的运营里程逐年增加,管道安全风险日益增长,重特大事故时有发生且后果严重,但是由于管道的敷设位置大部分在地下和海底,无法实现对管道的实时监测,因此管道缺陷的评估和预测在安全管理中显得尤为重要。随着数字管道的建设,管道全生命周期中逐渐形成了分布式存储模式的多源海量数据,具有数据类别多、数据量大的特点,也被称为管道大数据,研究大数据分析方法已经成为管道行业的重要发展趋势。因此本文以管道安全决策支持为目标,研究基于大数据分析的管道缺陷评估及预测方法,目的在于解决建设管道大数据以及大数据分析在管道缺陷评估和预测方法研究过程中可能遇到的问题,为未来实现管道行业大数据建设以及基于大数据思想的智能决策支持提供参考。开展了基于多源数据的管道缺陷预测研究,提出了针对管道大数据建立过程中的信息关联和数据对齐问题的解决方法,并探索大数据技术在管道缺陷预测中的应用。首先,针对内检测数据中存在的中文字段限制了内检测自动对齐实现的问题,建立了基于同义词词林的语义相似度模型,在此模型中以国际通用的Miller&Charles数据集设定权重以保证模型的普适性,并以实际内检测报告中的字段验证模型在区分度上的准确性。然后,在对齐的内检测数据的基础上研究基于数据驱动算法的管道内腐蚀缺陷的深度预测模型,该模型不同于现有的小样本情况下基于机理的预测模型,建模过程中无需获取实时监测的缺陷数据以及对应的机理研究,更适用于现场应用。同时,模型采用的广义可加模型算法能够在预测的基础上建立自变量与腐蚀深度增长之间的关系,有助于分析每一个因素的影响。开展了管道缺陷评估研究,建立了管道缺陷相关性分析模型,并探索大数据技术在传统管道缺陷评估方法优化方面的应用。首先,针对管道大数据的非线性特点,本文结合信息理论对皮尔逊相关系数进行改进并用于建立管道缺陷相关性分析模型、挖掘关键因素。该模型从条件因素与决策因素所包含的全部信息的角度分析两者之间的相关性,区别于原方法以线性相关为主的关键因素分析,更具有现实意义。然后,在相关性分析模型的基础上,以国际标准ASME B31G中的评估参数——安全系数为例,研究大数据分析方法在管道缺陷评估中的应用。通过多准则决策方法对原计算结果进行修正,缩小安全系数的选值范围,降低决策难度,同时将环境和缺陷信息的影响反映在安全系数的差异性中,使其更符合实际情况。