引言
在喀斯特化碳酸盐岩层下开采浅部煤层是一个工程地质问题,受溶蚀作用导致的岩体劣化、水文地质扰动和采动覆岩变形之间相互作用的控制。基础性建模将石灰岩裂隙的扩大与溶蚀动力学、裂隙几何形态和水力梯度联系起来(Dreybrodt, 1990)。溶蚀损伤和喀斯特裂隙降低了顶板完整性和承载能力,增加了对长壁推进的敏感性(Yang et al., 2022; Zheng et al., 2024; Zhu, 2023)。含喀斯特的含煤地层通常表现出较低的岩体完整性和发育的孔隙及裂隙。在含水层之下的浅部煤层中,这些特征可增加对采动扰动的敏感性。这些条件有利于在开采过程中发生不连续顶板弯曲、层间分离、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)。如果采动裂隙向喀斯特化含水层或富水构造区扩展,它们可能连通采空区裂隙带与上覆含水层。这种连通性增加了顶板失稳、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,对这些系统进行可靠评估需要集成表示喀斯特劣化、采动力学响应和顶板失稳现场证据。
以往研究通过室内试验、力学模型、数值模拟和现场监测来研究采动覆岩破坏。实验室和物理模型试验阐明了石灰岩弱化、岩层运动和顶底板破坏演化(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突出了能量积聚、支护作用和围岩条件对地下稳定性的作用(Das et al., 2023; Guner et al., 2023; Khademian and Sears, 2024)。经典弹性分析将采动地表移动与开挖几何形状和顶底板收敛联系起来(Berry, 1960)。当代关键层、厚层和支护-岩层模型研究了顶板断裂和支护载荷需求(He et al., 2023; Pan et al., 2022; Yu et al., 2022)。数值模拟通过解决应力重分布、塑性屈服、垮落演化和复杂地质条件下的水-力耦合响应来补充这些理论(Chawla et al., 2022; Vaezi et al., 2025; Xia et al., 2024)。监测和计算研究已表征覆岩离层、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,实验室劣化参数、模拟图像和监测曲线通常仍被视为独立的数据流。然而,最近的代理建模和多保真度研究表明工程知识和物理场数据可以在预测模型中集成(Hao et al., 2021; Zhang et al., 2024)。
深度学习为整合异质工程地质证据提供了一条途径。然而,覆岩响应预测需要空间连续性、物理一致性和对变化喀斯特与开采条件的适应性。基于图像的深度学习已实现了从隧道掌子面图像预测岩体质量等级(Kim and Yun, 2024)。在喀斯特采矿中,基于模拟的深度学习已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涉及导水裂隙带高度、顶板来压距离和地表沉降(Zhang et al., 2026a)。Raissi等人(2019)引入的物理信息神经网络(PINN)框架将控制方程残差嵌入神经网络训练中用于正向和反问题。随后的物理信息和物理约束方法已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)。与传统PINN通常近似个体解场不同,算子学习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结果。深度算子网络(DeepONet)使用分支-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和物理信息扩展(Kovachki et al., 2023; Li et al., 2024; Wang et al., 2021)。最近的算子变体和地球物理应用进一步改善了多尺度表示、几何处理、力学场重构和反演分析(Abueidda et al., 2025; Eshaghi et al., 2025; Haghighat et al., 2024; He et al., 2024; Tripura and Chakraborty, 2023; Zhu et al., 2023)。当前应用剩余的难点是将实验室获得的喀斯特劣化与采动响应场联系起来,并对照现场观测评估预测的顶板失稳阶段。
本研究开发了Karst-DeepONet,这是一种知识引导的神经算子,将实验室获得的喀斯特劣化指数与FLAC3D/UDEC响应场标签耦合,以预测浅部煤层开采中的覆岩响应。它将劣化和开采条件映射到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工作面的液压支护压力记录评估预测的顶板失稳时间。该框架支持基于场景的顶板控制评估和含水层扰动风险的初步筛查。