文章标题：基于机器学习算法的天然气管道泄漏预测与风险评价

文章作者：成庆林1　梁涛1　杨金威2　刘悦1　鲁璐1　曲泽众1
关 键 字：管道泄漏预测;机器学习;风险评价;特征工程;XGBoost
文章摘要：

针对天然气管道泄漏风险防控需求,研究构建基于机器学习算法的管道泄漏预测与风险评价模型。采集某区域天然气主干管网2023—2024年多源异构数据,涵盖运行监测、管道属性、环境风险等17项特征因子,经小波去噪、缺失值填补及地理信息系统(Geographic Information System,GIS)空间插值等预处理,构建含3 760条记录的时空数据集。对比极端梯度提升(Extreme Gradient Boosting,XGBoost)、轻量级梯度提升机(Light Gradient Boosting Machine,LightGBM)等5种算法,基于Optuna优化超参数,采用5折交叉验证评估模型性能。结果表明,XGBoost模型性能最优,准确率92.15%、受试者工作特征曲线下面积值0.974,压力梯度、瞬时流量差值、历史泄漏频率等为关键驱动特征。结合特征重要性划分低、较低、较高、高4个风险等级,提出分层防控策略与“数字孪生”系统开发等通用措施。研究结果为管道泄漏预警与风险管控提供了数据驱动的科学方案,可有效提升运维效率与安全水平。