管道腐蚀影响因素众多,并具有模糊性和随机性的特点,且因素之间存在复杂的关联关系,传统的管道腐蚀诊断和预测方法往往存在不适用性。大数据和人工神经网络以其较强的自适应学习能力、强大的非线性映射能力以及并行处理能力,适用于求解传统方法无法建模解决的多因素关联问题。因此,将大数据的分析和挖掘方法应用于管道腐蚀诊断和预测方面是管道腐蚀控制和寿命预测的重要发展方向。此外,管道内检测数据作为腐蚀数据的重要组成部分,其准确性往往受内检测器本身及环境因素的制约。有必要研究内检测数据比对和内检测器检出概率,以此来减小数据误差和判定内检测器的性能,进而提高管道腐蚀诊断和预测的准确性。在分析管道腐蚀数据的基础上,搭建了用于进行大数据挖掘分析的管道腐蚀数据库。数据库采用以地理位置信息为基准的方式,并构建了数据逻辑模型。为进行管道数据比对、检出概率分析、腐蚀诊断和预测提供了数据平台。在分析内检测数据产生误差原因的基础上,根据内检测数据的特点提出了关键点对齐的7个步骤,并在缺陷匹配中,提出了以三个位置信息进行匹配的方法以及腐蚀点分类的规则,为更新腐蚀数据库和减小误差提供了依据。根据内检测开挖数据及缺陷点漏检的情况,提出了基于开挖数据的POD模型和基于缺陷尺寸的POD模型。两个模型分别从未检出缺陷率和缺陷尺寸两个方面出发,构建了概率模型,并根据实际数据,判定了内检测器的性能,进而验证了内检测数据的准确性。在对土壤腐蚀性因素分析的基础上,构建了T-S神经网络模型,依据腐蚀因素等级分类标准对网络模型进行了训练,测试结果表明误差控制在较小的范围内,能较好的对土壤腐蚀性进行诊断。在灰色关联分析的基础上,建立了基于BP神经网络的腐蚀预测模型,该模型以腐蚀影响因素参数作为输入,腐蚀速率作为输出,充分利用了神经网络的优点,在实例分析中,预测结果可靠。