随着城市轨道交通、地下管网和地下空间工程快速建设，复杂地层中的渗流、土体流失和施工扰动可能破坏地下土拱结构，进而引发突发性地面塌陷。地面塌陷的孕育与发展过程往往更具隐蔽性，真实事故数据难以连续获取。传统数值模拟难以满足多工况快速分析与应急研判需求，深度学习模型又高度依赖大规模、高质量训练数据。如何兼顾物理可信度、预测效率与空间可解释性，是地面塌陷智能预测面临的关键挑战。

近日，清华大学深圳国际研究生院副教授王飞团队在城市地面塌陷后果快速预测与风险可视化方面取得新进展。研究团队提出融合高精度物理仿真与深度学习的地面塌陷预测框架GC-Net，为地面塌陷事故数据稀缺、数值模拟耗时长以及复杂致灾因素难以统一建模等问题提供了新的解决思路。

图1.GC-Net总体技术路线：由CFD-DEM耦合仿真生成多场景数据，经网格化采样与风险表征后训练快速预测模型

研究团队构建了“物理仿真生成数据—网格化提取风险特征—深度学习快速推演”的技术路线。首先，利用计算流体动力学—离散元法（CFD-DEM）耦合模拟，刻画水流作用下土颗粒迁移、地下空洞扩展、土拱失稳及地表塌陷的渐进演化过程；随后，通过系统改变土体流失出口的位置、尺寸和类型，以及水流速度、方向和土体参数等条件，生成覆盖不同塌陷与非塌陷状态的多场景模拟数据。

为将复杂仿真结果转化为可用于人工智能模型训练的标准化样本，研究团队提出网格化数据采样流程，并构建地层塌陷风险指数，将网格内土体运动速度与空洞、塌陷状态进行统一表征。该方法实现了从连续物理过程到结构化风险数据的转换，为数据稀缺条件下训练地面塌陷预测模型提供了可复用的数据基础。在模型构建方面，研究团队进一步设计了位置处理模块，用于捕捉塌陷区域、土体流失出口及流场之间的空间关系，并与增强卷积神经网络融合，提高模型对复杂塌陷形态的识别能力。结果表明，GC-Net能够较好识别地层失稳和塌陷风险区域，在预测精度、拟合效果和误差控制方面均表现出较好的优势。

图2.GC-Net在真实工程案例中的代表性预测结果：展示时间尺度对齐后的风险分布与塌陷范围估计

为检验模型在真实复杂场景中的适用性，团队选取我国南方某城市轨道交通工程建设过程中发生的一起典型地面塌陷事故开展独立案例验证。结果显示，GC-Net能够较好再现地层逐步失稳、土拱破坏及地表漏斗状塌陷形成过程，预测结果与真实事故中的塌陷形态和影响范围较为吻合。

该研究为城市地面塌陷事故的快速后果预测、风险可视化和应急决策提供了新的技术路径，也为数据稀缺条件下地质灾害智能预测提供了参考。

相关成果以“基于混合模拟与深度学习方法的城市尺度地面塌陷动态与风险预测”(City scale prediction of ground collapse dynamics and risks using hybrid simulation and deep learning methods)为题，发表于国际工程地质领域权威期刊《工程地质学》（Engineering Geology）。

论文通讯作者为王飞，第一作者为清华大学深圳国际研究生院2024级安全工程专业硕士生贾宇辰和2025届安全工程专业硕士毕业生何青伦。该研究得到深圳市自然科学基金等项目的资助。

论文链接: https://doi.org/10.1016/j.enggeo.2026.108965

文/图：贾宇辰

编辑：吴鸿瑶

审核：林洲璐、叶思佳