含蜡原油管输时的蜡沉积现象是影响管道安全运行的重要问题,严重时甚至会堵塞管道,威胁原油安全输送。同时,当不同种类的原油混合后,其流变性和析蜡特性都会发生改变,管道的蜡沉积规律更加难以预测。因此,针对不同种类含蜡原油及其混油的管输过程,建立高精度、适用性好的蜡沉积预测模型,指导含蜡原油管道安全运行具有重要意义。本文拟基于传统的蜡沉积动力学模型、以及具有非线性处理优势的人工神经网络和支持向量机算法,开展基于机器学习的含蜡原油管道蜡沉积智能算法研究,具体的研究工作如下:首先,以大庆原油、俄罗斯原油及其不同比例的混合原油作为实验油样,进行包括粘温关系、析蜡热特性参数和凝点等基础物性和流变性参数测定。在此基础上,采用室内小型环道蜡沉积模拟实验装置进行实验,利用单因素实验方法对油壁温差、油温、流速和混油掺混比例等四种因素对蜡沉积速率的影响规律进行分析,并基于灰色关联理论得到除掺混比例外各影响因素的主次关系为:油温>流速>油壁温差。其次,在动力学模型方面,考虑到蜡沉积过程中的沉积物蜡含量、蜡分子扩散系数中的相关不确定因素对蜡沉积速率的影响,为使模型预测更为准确,基于粒子群优化算法对RBF神经网络和支持向量机两种蜡沉积预测模型对蜡沉积速率分别进行预测,以平均相对误差、平均绝对误差、标准差和均方根误差四个指标对包括蜡沉积动力学模型在内的三个模型的预测结果进行对比分析。结果表明,基于粒子群优化的支持向量机模型预测值平均相对误差最小,预测结果最接近实验值;经优化后RBF神经网络的平均相对误差减小幅度更大,优化效果更好;蜡沉积去倾向系数法的四项误差指标均大于其他两个模型,其预测数据的离散程度最大。最后,根据三种模型的对比分析结果,采用粒子群优化算法对RBF神经网络模型和支持向量机模型进行参数优化,并使用优化后的模型对前文中37组实验数据中的蜡沉积速率进行预测,相比于未经优化的模型,经过优化后的模型预测精度更高,预测数据离散程度减小。根据这一实验基础,对庆哈输油管道的实际运行情况进行蜡沉积速率预测。其中,优化后的RBF神经网络与支持向量机模型平均相对误差下降分别为7.50%与2.27%,优化后的RBF神经网络比支持向量机的精度提升更高,但RBF神经网络的平均相对误差仍高于支持向量机。