摘要
为应对各行业技术进步所带来的矿物需求不断增长，深部地下开采作业的扩展已成为必然。随着矿山向更深部延伸，此类环境相关的安全风险日益严峻。为降低这些风险，必须对地下矿井作业区进行全面评估，以评估潜在损害并预防运输巷道和采场的破坏。然而，使用传统地面监测仪器获取变形数据并进行分析，往往不足以预测危险，尤其是在深部地下矿山复杂地质构造中。近年来，大数据结构化方面的进展以及智能算法的开发，显著提升了应对复杂挑战的能力，尤其是在地下空间基础设施管理方面。机器学习（ML）方法，如监督学习、强化学习和无监督技术，已被证明是监测和检测地下环境损害的有力工具。本文重点综述了机器学习在地下巷道和采场损害评估与监测中的应用，展示了这些技术在提高深部开采作业安全性和运行效率方面的影响。这些技术能够实现实时数据处理、模式识别和预测分析，为结构完整性和潜在破坏早期预警系统提供了新的见解。应用各种机器学习技术所获得的结果表明，在某些情况下，这些方法产生的结果可能堪比甚至超越成熟经验方法所获得的结果。
