通过符号贝叶斯网络对腐蚀管道的物理可解释剩余强度预测

为何管道安全与每个人息息相关

现代生活依赖于广泛的埋地和水下管道网络，这些管道默默地将天然气和石油长距离输送。当这些管道发生腐蚀时，金属壁会变薄并最终可能破裂，导致爆炸、火灾和污染。工程师试图预测受损管道还能保持多少强度，以便及时维修或更换。本文提出了一种新的预测方法，既具有很高的精度，又以清晰、类似物理的公式解释其推理，便于工程师信任。

老化管道内部的潜在危险

加压钢制管道常被称为能源基础设施的生命线，但它们不断与恶劣环境作斗争。腐蚀会慢慢侵蚀管壁，形成凹坑和沟槽，削弱管体。如果内部压力过高，腐蚀部位可能发生破裂。传统工程公式用于估算此类管道的剩余强度，但通常过于保守，且难以推广到不同管径、材料或缺陷形状。更复杂的数值仿真虽然精确，但耗时且在条件变化时必须重做。这在日常安全评估中造成了速度、精度与可操作性之间的艰难权衡。

黑箱式人工智能不足以保障安全

近来的机器学习进展表明，计算机可以学习将管道几何、材料属性和缺陷尺寸与管道失效时的压力联系起来的复杂模式。诸如神经网络和集成树模型等方法已超过简单公式的表现。然而，它们通常表现为黑箱：给出预测却不揭示背后的物理推理。在安全关键的应用场景中（例如决定是否继续使用某段管道），工程师和监管者需要的不仅是一个答案——他们需要理解该答案为何合理。事后解释工具可以提供线索，但不能替代基于工程直觉的清晰、紧凑的方程。

将学习与可读规则的新型结合

作者提出了名为符号贝叶斯网络（Symbolic Bayesian Networks, SyBN）的框架，旨在结合两者优势：高预测精度与可被人理解的见解。SyBN 有两条并行工作的主支路。一条是贝叶斯神经网络，为每个输入特征（如管径、壁厚、钢材强度，以及腐蚀缺陷的深度、长度和宽度）分配概率权重。该分支学习数据中的复杂非线性关系并量化预测的不确定性，尤其是在测量稀少的区域。第二条是深度符号回归模块，试图用由加减乘除等基本运算构成的简单数学表达式来表示相同关系。两个分支之间的自适应“门”逐样本决定在多大程度上强制符号部分去匹配神经网络，同时保持表达式的简洁性和物理合理性。

方法验证

为评估 SyBN，研究者使用了一个包含 453 个腐蚀管道案例的基准数据集，这些案例来自全尺寸爆破实验和经过精心校准的计算机仿真。每个数据点包括描述管道及其缺陷的八个输入参数和测量到的破裂压力。该数据具有挑战性：管径跨度超过一个数量级，缺陷形状差异较大，目标破裂压力具有很大变异性。将 SyBN 与标准模型（包括线性回归与岭回归、支持向量回归、k 近邻、随机森林、梯度提升树和 XGBoost）比较时，SyBN 在所有常用误差度量上表现最佳。得益于其对特征重要性的贝叶斯处理和符号分支的正则化效果，SyBN 在重复运行中也生成了更稳定的结果。

哪些因素最重要

团队还考察了 SyBN 如何评估不同输入的影响力。贝叶斯神经网络自然会学习其最依赖的特征，并将这些权重与 SHAP（广泛使用的机器学习解释方法）进行比对。两种视角一致地表明，管壁厚度是决定破裂压力的主导因素，其次是钢材的刚度和缺陷长度，而极限抗拉强度和缺陷宽度的作用较小。两种独立解释方法的一致性增加了对模型捕捉真实物理效应而非虚假模式的信心，且模型生成的符号表达式为工程师提供了可直接检查、测试乃至纳入设计规范的公式。

对更安全管道的意义

简而言之，这项工作表明可以构建一种既能预测腐蚀管道可能何时失效、又能以工程师可读的方程解释其推理的人工智能系统。SyBN 在准确性上优于现有机器学习方法，提供了预测的不确定性区间，并突出显示了哪些管道特征最为重要。尽管当前研究侧重于腐蚀的静态快照，而非随时间演化的损伤增长，但该框架指向了将实时传感器数据与透明、可信模型结合的未来监测系统。对公众而言，这意味着维护决策有了更充分的信息依据——最终可减少意外管道失效的发生。

引用: Chen, M., Zhang, Y., Ye, Y. et al. physically interpretable residual strength prediction of corroded pipelines via symbolic Bayesian networks. Sci Rep 16, 8151 (2026). https://doi.org/10.1038/s41598-026-41914-4

关键词: 管道腐蚀, 结构健康监测, 可解释的机器学习, 符号回归, 基础设施安全