目前工业界采用人工识别的方法，对整条管线的惯性检测单元(IMU)应变检测数据进行逐段识别的做法存在耗时多、识别效率不高以及判断标准不一致等问题。鉴于此，通过建立机器学习模型，提出了弯曲变形危险管段智能识别方法，实现了对冻土区融沉变形管段的智能识别。首先统计了漠大一线冻土区管线中弯曲应变值超过0.125%的管段，包括弯头段、凹陷段和融沉导致的弯曲变形段等，使用1阶数字低通滤波法降低IMU应变检测数据中的噪声干扰，然后结合几何/漏磁检测数据截取IMU应变检测数据中不同管段类型的样本数据，从中提取了11种典型数据特征值，利用主成分分析法对11种特征值进行降维处理，最后建立决策树和随机森林模型进行识别分类。研究结果表明，不同管段类型的长度特征是影响模型分类效果的重要因素，在测试集中决策树模型出现了过拟合，识别准确率大幅下降，随机森林模型识别准确率达到了90%以上。该识别方法为管线完整性评价提供了技术基础。

惯性测量单元（Inertial Measurement Unit,IMU）可检测得到管道全线的弯曲应变海量数据，但目前缺乏高效利用IMU数据进行管道定量评价的方法。为此，提出一种基于IMU应变检测数据的冻土区融沉风险段管道识别方法，其主要包括IMU应变数据预处理方法，即数据对齐和弯头、凹陷、三通等非融沉段大应变特征识别方法，以及通过预设识别阈值和待查异常管段建立的地质灾害段快速定位方法。采用该识别方法对漠大一线冻土区管道2013—2018年的IMU检测数据进行了识别分析，识别结果与几何检测数据吻合较好。在此基础上，统计了该冻土区管道不同区域的异常管段分布情况，结果表明：季节冻土区较多年冻土区地质变化点更多，但变化较小。该研究为地质灾害地段管道的完整性评价提供了定量数据，能够用于解决目前管道外部载荷无法确定的技术瓶颈，是管道完整性评价技术发展的重要方向。（图5，表1，参20）

针对冻土区管道易受融沉、冻胀等地质灾害的影响而发生管道位移、形变的问题,开发了一种高精度的惯性导航系统对管道实施内检测,从而获得检测器的位置、姿态信息,并在此基础上,提出了管道弯曲应变及位移的计算方法。在计算位移时,针对管道计算轨迹发散的问题,提出了使用外部特征点修正误差的方法;在计算管道位移或弯曲应变的变化量时,针对重复检测中存在里程差的问题,提出了将固定长度管道数据对齐后再做对比的方法。通过现场实际应用验证了该系统及方法的可行性及检测精度,为管道事故的预防和合理维护提供了科学依据,对保证冻土区长输油气管道的安全运行具有现实意义。