严寒地区“三高”原油输送需要较高的温度和压力,因此造成了大量的碳排放。为减少碳排放量,需要综合考虑管道特性、油品物性、环境等因素,进行输油管道生产运行方案优化。其中,管道工艺参数计算精度对于运行方案的成败具有关键作用。由于影响因素众多,传统的工艺计算模型存在着较大的偏差,对生产运行方案的合理性造成了一定的影响。随着机器学习广泛应用于多个行业并取得较好效果,加之输油管道数字化普及后积累了大量的生产运行数据,为采用机器学习方法开展输油管道工艺计算研究奠定了基础。本文以东北地区某输油管道为研究对象,基于神经网络开展了管道运行参数计算、设备能耗计算和生产运行优化的研究,取得的研究成果如下:首先,采用Python语言,基于管道历史运行数据,研究建立了BP温降计算模型,相较传统拟合温降模型,计算精度有所提升,为加快模型收敛速度,优化模型结构,将BP神经网络与遗传（GA）算法优势结合,建立了GA-BP温降模型,选取实测数据进行计算,并进行模型比选。结果表明,GA-BP温降计算模型的准确度最高,平均绝对误差为0.151℃,平均相对误差相比传统模型降低了7.64%,模型精度提升明显。其次,针对管道压降计算,训练了GA-BP压降计算模型,相比传统压降计算模型,准确度略微提升,为进一步提高计算精度,采用粒子群（PSO）算法结合自适应BP神经网络建立了改进PSO-BP压降计算模型,分别选用传统压降、GA-BP、改进PSO-BP模型对实测数据进行计算,其中改进PSO-BP模型的平均绝对误差最小,为0.02MPa。相较传统压降模型,平均相对误差降低了13.16%。然后,采用主成分分析法,对加热炉和输油泵的能耗影响因素进行了分析,并分别建立了基于改进PSO-BP的加热炉耗油量、输油泵耗电量计算模型,实测数据验证结果表明,改进PSO-BP耗油耗电计算模型相较于传统耗油耗电计算模型,平均相对误差分别降低了3.82%和3.5%。最后,基于神经网络工艺计算模型,建立了以碳排放量最低为目标函数,以管道输油任务、运行参数及设备特性为约束的生产运行方案优化数学模型,运用遗传算法进行求解,典型工况下,优化后的单日碳排放量平均降低了9.75%。在此基础上,考虑设备可靠性曲线和平均无故障运行时长,给出了全年管道运维方案,在保证任务输量及设备安全合理运行的同时,每年可降低CO2排放量1095.4吨,相比原方案减少了8.22%,减排效果显著。