1 背景与问题

管道在油气集输、城市管网、化工装置中长期服役，面临内腐蚀、冲蚀、应力腐蚀开裂等多种退化机制。定期内检测（MFL/UT/导波）积累了大量的“好”样本（壁厚正常）和少量的“坏”样本（穿孔、泄漏、超标），但位于二者之间的过渡态——壁厚损失10%–25%、浅点蚀、微裂纹、腐蚀速率加速但尚未达到维修阈值——样本极为稀缺。这种样本分布导致纯数据驱动的分类/回归模型在过渡区的外推能力不可靠，容易出现误放（将过渡判为好）或误报（将好判为过渡），前者带来安全风险，后者造成不必要的开挖和停产。

物理信息神经网络（PINN）为解决这一问题提供了新路径。PINN通过在损失函数中嵌入控制方程、边界条件、单调性约束等物理先验，使得模型即使在标注数据稀疏的情况下，也能借助物理残差在无标签配点上获得监督信号。近年来，PINN在油气内腐蚀速率预测、海底管道多因素腐蚀率建模、超声导波壁厚反演、MFL缺陷量化等管道场景中均有探索，证明了物理约束对少样本泛化的有效性。

然而，PINN的输出通常是连续的物理场（壁厚、应力、腐蚀速率）或标量（失效压力、剩余强度因子），如何将这些物理信号转化为可执行的运维决策——何时复检、何时降压、何时维修——仍需要一个结构化、可审计、概率化的决策层。近期出现的“System One”类结构化概率决策模式（如TypeSafe Jev）为此提供了可行的技术路径：它将决策问题抽象为choice（分类路由）、score（严重度打分）、noul（是否判断）三类原语，返回校准后的概率分布，适合与PINN的物理输出对接。

本文提出一种PINN + 结构化概率决策的融合架构，并在PipeMind多模态智能检测平台的扩展框架下讨论其规划接入方案。PipeMind已具备多模态感知（视觉/超声/漏磁）、小样本/零样本风险识别、缺陷生成智能体、健康度分析与数字健康档案等能力，其可扩展架构为PINN物理约束层和结构化决策层的嵌入提供了天然接口。需要说明的是，本文所讨论的方案尚处于探索阶段，许多细节有待实际验证，文中观点仅供参考。

2 总体架构

系统分为五层，自上而下依次为：

第一层：数据接入层

主要接入两类数据：

• 检测报告：MFL/UT/导波的内检测原始数据、开挖验证报告、超声点厚记录等。这些数据是缺陷定量评价的直接依据，且一般不涉及生产经营秘密。

• 资产主数据：管道口径、公称壁厚、钢级、敷设方式、焊缝/弯头/三通位置、投运年限、高后果区标识等。这些信息在设计阶段就已固化，属于静态设备台账。

我们刻意避开了SCADA实时压力/温度/流量、介质成分（CO₂、H₂S、pH、含水率）等生产经营敏感数据，因为这些数据往往涉及商业秘密或安全管控，且获取难度大。那么，没有这些数据PINN还能工作吗？我们认为是可以的——至少在初期阶段，可以通过简化物理约束来绕过对工况参数的依赖。例如，壁厚退化ODF中的腐蚀速率可以用一个“等效腐蚀系数”代替，该系数通过历史检测数据反演得到；力学约束只需知道运行压力（可从检测报告中的设计压力或MAOP推算），而不需要实时SCADA。当然，这会导致模型精度有所牺牲，但在过渡样本极少的场景下，一个“粗糙但物理一致”的模型往往比“精细但数据不足”的黑箱更可靠。

数据脱敏建议：对所有管道标识符（如管线编号、桩号）进行哈希或随机化处理；地理位置信息模糊到公里级；检测报告中的人名、公司名删除；资产主数据中的业主信息替换为代号。脱敏后的数据可在内部研发环境中使用，不影响模型训练和评估。

第二层：特征与标准计算层

从检测报告和资产数据中提取关键特征：壁厚损失率、点蚀深度、缺陷长度/宽度、缺陷间距（轴向/环向）、剩余壁厚最小值等。然后按通用规范计算工程指标：

• 按ASME B31G/Modified B31G、DNV-RP-F101计算允许压力 和剩余强度因子RSF。

• 按API 1163评估检测精度，并按B31G的3t轴向间距准则和DNV的周向重叠准则判断缺陷是否构成相互作用组合。

第三层：PINN物理层

以坐标（里程、环向、时间）和基础属性（口径、壁厚、钢级）为输入，输出剩余壁厚、腐蚀速率、环应力、失效压力、物理残差综合分和不确定度U。损失函数包含：

• 数据项：少量好/坏/过渡标注的MSE。

• 单调约束项：无修复时壁厚不增，腐蚀速率随某些因素（如温度、流速）的方向性变化（如有介质数据可激活，否则仅保留壁厚单调）。

• 壁厚退化ODE项：，其中 r 由网络学习，不依赖外部参数。

• 力学代数项：B31G/DNV公式的残差，以及缺陷深度与失效压力的方向约束。

第四层：结构化决策层

接收PINN输出的结构化state，按choice（好/过渡/复检/维修）、score（0–5严重度）、noul（是否物理不合理/是否90天内复检/是否转人工）三类原语返回校准概率。该决策模式的核心是将物理信号转化为可路由的动作概率，而非自由文本判断。我们预计这种模式能很好地适应管道运维中“标准明确但样本不足”的特点。

第五层：业务规则与工单层

硬规则优先执行（如、壁损≥80%公称、点蚀深度超限、组合缺陷超标准等直接触发工单）；PINN物理残差超阈值的样本打回重算；决策层概率经PINN不确定度衰减后，按分桶策略路由至自动监测、复检工单、人工审核或System 2详细评估（B31G Level 2/3、RSTRENG、FEM）。

PipeMind在该架构中的定位为平台载体：其多智能体引擎负责调度PINN训练与推理任务，数字健康档案存储每段管道的物理状态轨迹与决策历史，缺陷生成智能体可在过渡样本不足时产生物理合理的候选样本供PINN过滤。

3 机理约束设计

针对管道内部缺陷的多种退化机制，PINN物理层采用分层约束策略，避免在外部参数不足时写入错误的强物理假设。

3.1 内腐蚀单调约束

均匀CO₂腐蚀在限定温度区间内（通常<60°C–80°C，视FeCO₃结垢拐点而定）满足温度升高、CO₂分压升高、流速升高导致腐蚀速率升高的单调关系。这些单调性可写作软约束损失：

但请注意，如果没有介质数据，这些约束无法直接施加。我们建议的替代方案是：仅保留“壁厚随时间单调不增”这一普适约束，这是在任何管道上都成立的物理事实。至于腐蚀速率与工况的关系，可以通过后续引入介质数据后再激活。我们认为，宁缺毋滥——一个简单的单调约束也比一个错误的复杂约束要好。

3.2 壁厚退化ODE与守恒

壁厚随时间的变化可表示为：

其中 r 由神经网络隐式学习，不依赖外部参数。在无修复、无内衬的条件下，作为硬性不等式约束。该ODE残差在时空配点上计算，无需标签数据，是小样本场景下最重要的无监督物理信号。

3.3 力学代数约束

薄壁管环向应力，腐蚀缺陷处的失效压力按Modified B31G或DNV-RP-F101计算：

PINN不仅输出 ，还施加方向约束：缺陷深度 d 增大时不增，壁厚 t 减小时不减。缺陷相互作用按B31G的3t轴向间距准则和DNV的周向重叠准则进行组合评估。

这里的运行压力 p 可以从设计压力或MAOP中取一个保守值（例如0.72×SMYS），不需要实时SCADA。虽然这会损失一些精度，但在过渡态判断中，保守假设往往更安全。

3.4 MFL/UT物理一致性

当接入MFL内检测数据时，PINN可附加磁偶极正演残差：将预测的缺陷长、宽、深映射到理论漏磁信号，与实测信号的差异作为物理损失项。类似地，超声导波可用频散曲线或Pochhammer-Chree频率方程的残差作为约束。这类约束完全基于检测数据本身，不涉及任何生产经营信息。

4 结构化概率决策与业务规则融合

PINN的输出（壁厚、腐蚀速率、失效压力、物理残差、不确定度）经特征工程组装为结构化state，送入决策层。决策层采用choice/score/noul三类原语：

• Choice：从{好, 过渡, 复检, 维修}中选择，返回各选项的校准概率。业务规则定义每类的物理含义，例如“好”对应壁损<10%、点蚀深度<10%、margin>1.25、物理残差低、不确定度低。

• Score：按0–5级严重度打分，0为无减薄，5为泄漏/穿孔倾向。打分依据为壁损率、点蚀深度、腐蚀速率、剩余强度因子等的加权组合。

• Noul：对“是否物理不合理”“是否90天内复检”“是否转人工/System 2”等二值问题返回0–1概率。

决策执行遵循三条原则：

原则一：硬规则优先。凡触及ASME B31G/DNV安全阈值（如 、壁损≥80%公称、点蚀深度超限、组合缺陷失效压力低于运行压力）的管段，直接生成维修/降压工单，不依赖决策层的概率输出。

原则二：物理门禁。 PINN综合物理残差 超过拒判阈值的样本（如壁厚回弹、缺陷加深但失效压力不降），无论决策层概率多高，均打回重算或转人工审核。

原则三：概率衰减与分桶路由。决策层输出的原始概率经PINN不确定度 U 和高后果区权重衰减后，得到有效概率：

衰减后的概率按分桶路由：高置信（如 ≥ 0.85且 U 低且margin >1.25）自动纳入常规监测；中置信（ ≥ 0.5 或 U  中等）生成复检工单或排队人工审核；低置信（最高概率<0.5或 U 高或高后果区）强制人工或System 2详细评估。

这种“物理硬边界 + 概率软路由 + 人工兜底”的三层决策结构，既利用了PINN在小样本下的物理泛化能力，又通过结构化概率输出保持了决策的可审计性和可干预性。我们预计这种模式在实际应用中能够较好地平衡安全与效率。

5 小样本过渡态增强闭环

过渡样本稀少是本场景的核心困难。在PipeMind可扩展架构下，我们规划了如下增强闭环：

1. 参数化生成：基于通用腐蚀经验模型（如Norsok、De Waard），在不同假设工况下生成壁厚退化轨迹；对点蚀和冲蚀，采用损伤变量ODE或经验冲蚀率模型生成局部缺陷演化序列。这里生成的工况参数不必与实际生产数据一致，只需覆盖可能的物理范围即可。

2. PINN物理过滤：生成样本经PINN物理层计算 ，拦截壁厚回弹、方向违约、力学不一致等物理不合理样本。仅通过过滤的样本进入候选池。

3. 人工抽标与回流：对PINN打分处于中位区间的样本，按一定比例抽检人工标注；标注结果回灌生成器，减少后续废样产出。

4. 主动学习：对决策层输出高不确定度、高物理残差的管段，优先安排超声/相控阵复检或开挖验证，新数据用于更新PINN参数和决策阈值。

该闭环不依赖大量人工标注过渡样本，而是通过“机理生成 + 物理过滤 + 少量人工校验”的方式构建物理可行的过渡样本库，供下游分类和剩余寿命模型使用。我们认为这种方法在当前数据环境下是比较务实的选择。

6 性能评估框架

系统的性能评估分物理层、决策层、业务层三个维度，所有指标均以通用规范和历史数据为基准，不虚构现场数字。

6.1 物理层评估

• 回归精度：剩余壁厚、腐蚀速率、失效压力的MAE/RMSE/R²，按壁损区间（0–10%、10–25%、>25%）分层统计。

• 物理约束满足率：单调违约率（无修复段壁厚回升比例）、方向违约率（缺陷加深但失效压力不降比例）。

• 不确定度校准：可靠性图与期望校准误差（ECE），确保90%置信区间实际覆盖率接近90%。

6.2 决策层评估

• Choice分类：各类别的Precision、Recall、F1-score，重点监控过渡类的Recall（漏过渡代价高）和维修类的Precision（误报维修代价高）。

• Score打分：与开挖确认的壁损等级的Spearman秩相关系数、平均绝对误差。

• Noul二分类：AUC-ROC、AUC-PR、校准曲线与ECE。

• 分层校准：按管道类型（直管/弯头/焊缝）、壁损区间分别计算ECE，确保校准在各子群一致。

6.3 业务层评估

• 过渡态召回率：历史开挖/复检确认为过渡的管段中被系统路由为“过渡”或“复检”的比例。

• 误报率：被路由为“复检/维修”但实际为好的比例。

• 不必要的开挖下降率：对比纯阈值规则，系统减少的无意义开挖百分比（需控制风险不增加）。

• 及时性：从数据接入到决策输出的端到端延迟。

长期运维还需监控模型漂移（数据分布变化、物理残差趋势、校准恶化），设置性能衰退阈值（如过渡类F1下降超5%）触发重训。

7 落地实施过程

PipeMind平台正在按以下四个阶段推进落地，每个阶段都包含明确的目标、输入输出和验收标准。需要强调的是，这些阶段划分是基于我们的经验推测，实际应根据试点反馈灵活调整。

   阶段一：轻量试点

目标：验证PINN+结构化决策在仅有检测报告和资产数据条件下的可行性。

输入：2–3条历史检测数据完整的管线（MFL/UT报告、开挖验证记录、资产台账）。

动作：

• 部署1D壁厚退化ODE PINN，仅含壁厚单调约束和B31G力学代数项。

• 搭建结构化决策层，实现好/过渡/复检/维修四类路由（choice）和严重度打分（score）。

• 用历史开挖数据做离线回测，计算过渡态召回率和误报率。

输出：可行性评估报告，包含性能指标和改进建议。

标准：过渡态召回率不低于纯阈值规则的80%，误报率不高于纯阈值规则的120%。

   阶段二：物理约束扩展

目标：引入MFL/UT物理一致性约束，提升缺陷量化精度。

输入：阶段一的数据 + 原始MFL信号/超声波形（如有）。

动作：

• 增加磁偶极正演残差或超声频散残差作为PINN损失项。

• 接入缺陷生成智能体，构建物理过滤的过渡样本库。

• 重新训练并对比阶段一的性能。

输出：扩展后的模型和评估结果。

验收标准：缺陷尺寸反演的拟合优度（Gof）达到文献报道水平（如0.95以上）。

   阶段三：主动学习闭环

目标：建立“模型建议→现场复检→数据回流”的持续改进机制。

输入：阶段二的模型 + 现场复检计划。

动作：

• 对高不确定度、高物理残差管段自动派发复检工单（超声/相控阵）。

• 新检测数据回流更新PINN参数和决策阈值。

• 监控模型性能随数据增加的变化曲线。

输出：闭环运行报告，包含学习曲线和成本效益分析。

验收标准：经过三轮主动学习后，过渡态F1提升不少于15%。

   阶段四：全平台集成

目标：将PINN物理层和决策层嵌入PipeMind多智能体引擎。

输入：阶段三的成熟模型 + PipeMind平台API。

行动：

• 将PINN推理和决策路由封装为标准服务。

• 与数字健康档案、合规审计、任务规划模块联动。

• 实现从感知到决策再到执行的全链路智能化。

输出：集成后的系统原型和用户手册。

验收标准：系统在模拟环境中稳定运行30天，无重大故障。

8 结论

管道内部缺陷检测中的小样本过渡态问题是工业智能化的典型瓶颈。PINN通过物理约束在少标注条件下提供了可靠的物理场预测能力，结构化概率决策模式则将物理信号转化为可审计、可路由的运维动作。两者的融合，形成了“物理保下限、概率做路由、规则守底线”的三层决策架构。PipeMind平台的可扩展设计为该融合架构的落地提供了良好的载体。本文所提出的方案尚处于探索阶段，后续将通过轻量试点逐步验证其有效性，并根据反馈不断迭代。我们相信，这种“物理+数据+决策”三位一体的思路，有望为管道完整性管理提供一条切实可行的智能化路径。