水是生活中人们必不可少的资源,城市供水系统的正常运作是保障人们正常生活与工作的重要基础。内腐蚀作为地下管网破裂与其它故障的重要诱因,其危害性大,而又不易被发现,同时,国内的供水管网大多服役时间超过五年,随着使用时长的增加以及在运行维护过程中管理措施不当等等各方面因素的影响,地下供水管网系统往往存在着不同程度的隐患,并伴随着各种用水方面的相关问题。影响地下供水管网内腐蚀的因素较为复杂,各种因素之间又相互作用,当前业内各位学者们对该问题并没有建立一种通用的腐蚀速率预测模型。本文以此问题切入,设计了一种新的人工神经网络模型用于供水管道内腐蚀速率的计算,并进行了相关实验进行验证,主要研究内容如下:(1)供水管道内腐蚀速率是受到多个影响因素共同作用的回归问题。利用神经网络进行回归计算过程中,影响因素数据的选取至关重要。本文中将矿区地下管网普查项目中采集的部分灰口铸铁管相关数据资料进行整理,并依据内腐蚀研究专家学者们的研究成果对内腐蚀影响因素的重要程度选定了相关参数。(2)采用量子方势阱对对粒子群算法进行改进,并使用改进的QPSO算法对人工神经网络模型进行连接权值的优化,所构建的神经网络经验证具有控制参数少,收敛效果好的优点。结合在矿区地下管网普查项目中整理的数据,对腐蚀速率进行了评估预测计算,实验结果证实本文中提出的QPSO神经网络模型对所选地区灰口铸铁管内腐蚀的速率计算较为符合实际情况,具有一定的参考价值和意义。