岩溶地层下采动覆岩破坏与含水层扰动：知识引导的神经算子预测

《Engineering Geology》：Mining-induced overburden failure and aquifer disturbance beneath karstified strata: Knowledge-guided neural-operator prediction

　　• 一个喀斯特退化指数用于量化溶蚀引起的石灰岩强度弱化。• Karst-DeepONet 将退化状态与连续的覆岩响应场关联起来。• 应力方面的测试 R2 值达到 0.952，沉降方面达到 0.946。• 喀斯特退化程度越大，顶板失稳发生越早，垮落范围越大。• 液压支护压力记录支持了对顶板失稳时机的预测。引言喀斯特化碳酸盐岩层之下浅埋煤层开采是一个工程地质问题，受溶蚀致岩体劣化、水文地质扰动与采矿引起的覆岩变形三者的相互作用所支配。奠基性的建模工作将石灰岩裂隙的扩张与溶蚀动力学、裂隙几何形态和水力梯度联系起来（Dreybrodt, 1990）。溶蚀损伤与喀斯特裂隙会降低顶板完整性和承载能力，使其对长壁推进更加敏感（Yang et al., 2022; Zheng et al., 2024; Zhu, 2023）。含喀斯特的含煤地层通常表现出岩体完整性降低以及发育的孔隙与裂隙。在含水层下的浅煤层中，这些特征会增加对采矿扰动的敏感性。此类条件有利于在开采过程中发生不连续的顶板弯曲、分层离层、裂隙扩展和阶段性垮落（Hu et al., 2022; Li et al., 2021a; Li et al., 2023; Meng et al., 2024; Ren et al., 2024; Sun et al., 2021）。如果采矿引起的裂隙向喀斯特化含水层或富水的构造区扩展，可能将采空区相关的裂隙带与上部含水层连通。这种连通性会增加顶板失稳、异常来压、导水裂隙发育和含水层扰动的风险（Cao et al., 2024; He et al., 2021; He et al., 2023）。因此，对这类系统做出可靠评估，需要一种将喀斯特退化、采矿引起的力学响应以及顶板失稳现场证据综合表征的方法。以往研究通过室内试验、力学模型、数值模拟和现场监测研究了采矿引起的覆岩破坏。实验室与物理建模已阐明了石灰岩弱化、地层运动以及顶底板破坏的演化（Cheng et al., 2022; Lu et al., 2021a; Song et al., 2022）。现场调查和支护控制研究进一步强调了能量积聚、支护相互作用和围岩条件在地下稳定性中的作用（Das et al., 2023; Guner et al., 2023; Khademian and Sears, 2024）。经典弹性分析将采矿引起的地表移动与开挖几何形态和顶底板收敛联系起来（Berry, 1960）。当代的关键层、厚岩层以及支护—岩层模型研究了顶板破断与支护载荷需求（He et al., 2023; Pan et al., 2022; Yu et al., 2022）。数值模拟通过解析复杂地质条件下的应力重分布、塑性屈服、垮落演化和水—力耦合响应，对这些公式进行了补充（Chawla et al., 2022; Vaezi et al., 2025; Xia et al., 2024）。监测与计算研究刻画了覆岩分层离层、巷道支护性能和顶板冒落风险（Esterhuizen et al., 2021; Fattahi et al., 2024; Xie et al., 2023）。然而，实验室退化参数、模拟图像和监测曲线通常仍被视为彼此独立的证据流。不过，近期的代理模型与多保真度研究表明，工程知识与物理场数据可以在预测模型中被整合起来（Hao et al., 2021; Zhang et al., 2024）。深度学习为整合异构的工程地质证据提供了一条途径。然而，覆岩响应的预测要求空间连续性、物理一致性和对不同喀斯特与采矿条件的适应性。基于图像的深度学习已实现从隧道掌子面图像预测岩体质量等级（Kim and Yun, 2024）。在喀斯特开采中，基于模拟的深度学习已被应用于顶板来压预测（Zhang et al., 2026b）。物理约束的多模态建模也已用于求解导水裂隙带高度、来压步距和地表沉降（Zhang et al., 2026a）。Raissi 等人（2019）提出的物理信息神经网络（PINN）框架，将控制方程的残差嵌入神经网络训练中，以处理正问题和逆问题。随后的物理信息与物理约束方法被应用于固体力学反演、细观力学、地质力学固结、非饱和入渗和非线性塑性（Bekele, 2021; Haghighat et al., 2021; Henkes et al., 2022; Lan et al., 2024; Roy and Guha, 2023）。传统 PINN 通常近似单个解场，而神经算子学习的是函数空间之间的映射。Chen 和 Chen（1995）建立了非线性算子的通用逼近定理。深度算子网络（DeepONet）采用分支—主干架构（Lu et al., 2021b）。傅里叶神经算子（FNO）在傅里叶空间中参数化积分核（Li et al., 2021b）。后续工作发展了通用神经算子理论及物理信息扩展（Kovachki et al., 2023; Li et al., 2024; Wang et al., 2021）。近期的算子变体与地球物理应用进一步改进了多尺度表征、几何处理、力学场重建和反演分析（Abueidda et al., 2025; Eshaghi et al., 2025; Haghighat et al., 2024; He et al., 2024; Tripura and Chakraborty, 2023; Zhu et al., 2023）。本应用所面临的剩余挑战，在于将实验室获得的喀斯特退化与采矿引起的响应场联系起来，并将预测的顶板失稳阶段与现场观测加以评估。本研究开发了 Karst-DeepONet，一种知识引导的神经算子，将实验室获得的喀斯特退化指数与 FLAC3D/UDEC 响应场标签耦合起来，用于预测浅埋煤层开采中的覆岩响应。它将退化状态与采矿条件映射为沿采面推进过程中空间连续的应力、塑性区、垮落和沉降响应。利用 21606 工作面液压支护压力记录来评估所预测的顶板失稳时机。该框架支持基于情景的顶板控制评价以及含水层扰动风险的初步筛查。章节摘要工程地质条件与数据来源青龙煤业 21606 工作面被选作研究区，以考察喀斯特化碳酸盐岩层之下采矿引起的覆岩响应。该地点兼具浅埋 16 号煤层、裂隙型石灰岩含水层、含水顶板岩层以及长壁推进过程中连续的液压支护压力记录。这些条件为将实验室获得的喀斯特退化、数值响应场标签和现场监测证据联系起来提供了合适的基础。在本研究中，该场地喀斯特退化指数喀斯特侵蚀被表征为一种可量测的退化状态，而非定性的地质描述。分级侵蚀试验表明石灰岩完整性渐进丧失，表现为强度降低、刚度退化、孔隙结构变化和损伤增加（图 1）。这些变化直接关乎覆岩稳定性：拉弱化有利于裂缝萌生和层间离层，而抗剪强度损失则降低了对滑动和垮落的抵抗能力。对于……算子架构与损失函数Karst-DeepONet 被构建为学习退化—采矿条件与多场覆岩响应之间的连续算子。模型不仅仅在固定网格上预测响应，而是在已注册的数值域内对查询坐标处的应力、损伤状态和沉降进行估计。退化—采矿条件向量定义为：p = [KDI, H, hm, ha]其中 KDI 为喀斯特退化指数，H 为埋深，hm 为采高，ha 为相对的……耦合裂隙—垮落—沉降预测通过预测采面推进过程中的裂隙、垮落和沉降对 Karst-DeepONet 进行了评估。图 5 记录了顶板垮落响应标签的构建，而图 10 评估 Karst-DeepONet 是否在 20、60 和 90 m 推进距离上重现了相应的垮落与裂隙形态。这些阶段取自同一 UDEC 数据库，因此提供的是对空间预测性能的额外定性可视化，而非独立结论本研究开发了 Karst-DeepONet，以预测浅埋煤层开采中由喀斯特控制的覆岩破坏，并评估其对含水层扰动风险的影响。(1) 喀斯特退化指数整合了力学、孔隙结构和分形描述符，用于量化溶蚀引起的石灰岩弱化。将该指数与重建的 FLAC3D/UDEC 响应场标签耦合，把实验室尺度的退化与采矿引起的覆岩演化联系起来。(2) Karst-DeepONet 重现了连续的……CRediT 作者贡献声明Zhang Duo：可视化、方法学、调查、原稿撰写。Jin Qingtong：验证、软件、正式分析、数据管理。Zhang Yu：可视化、调查、数据管理、论文审阅与编辑。Hao Haining：验证、监督、资源提供、论文审阅与编辑。Zhang Huasheng：监督、项目管理、经费筹措、概念构思、论文审阅与编辑。利益冲突声明作者声明他们不存在可能影响本文所报告工作的已知竞争性财务利益或个人关系。致谢作者衷心感谢隧道工程国家重点实验室的同事们在本研究开展过程中提供的宝贵讨论与技术支持。同时感谢参与样本制备和数据采集的现场工程师和技术人员。Zhang Duo | Jin Qingtong | Zhang Yu | Hao Haining | Zhang Huasheng