基于知识引导迁移学习框架的膏体管道输送堵塞风险图谱

《Scientific Reports》：Clogging risk mapping of cemented paste pipeline transport using a knowledge guided transfer learning framework

　　管道堵塞是水泥化浆体尾矿回填（CPB）输送中的一个关键可靠性约束。现有的机器学习研究主要从相对一致的数据集中预测流变性、压降、沉积速度或堵塞诊断，但CPB堵塞风险映射往往不得不使用稀疏记录、异质标签和缺失的运行变量。本研究提出了一种知识引导的迁移学习框架，用于筛查与堵塞相关的输送故障。该框架将可用的坍落度和屈服应力测量值转换为统一的流动性指数（UFI），将UFI与固体质量浓度相结合建立可解释的图表先验，并通过潜在过程先验和蒙特卡洛边缘化来表示未报告的入口流速和管道直径。带有抖动的自举样本提供了用于预训练的人工源数据集，随后在由52条记录（在主标签定义下有6条正例）组成的编译数据集上进行微调和评估。证据通过包含两类的重复分割、LOPO案例级分析、标签敏感性定义、先验学习消融、配对基线比较、UFI不确定性传播和过程先验敏感性测试进行评估。所得的风险图将稀疏现场记录与显式先验信息相结合，显示出在更高固体浓度和较差流动性下筛查分数合理增加，这为设计筛选、诊断场景比较和选择需要更详细水力评估的案例提供了透明工具。