打开网易新闻 查看精彩图片

如何让城市地面塌陷预测既“准”又“快”，一直是城市安全领域的难题。近日，清华大学深圳国际研究生院副教授王飞团队将高精度物理仿真与深度学习相结合，构建了一套名为“GC-Net”的地面塌陷快速预测框架，能够在数据稀缺的条件下，快速推演塌陷过程并直观展示风险区域，为城市地下安全防控提供了新的技术手段。

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。

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。

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”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。

采写：南都N视频记者 伍曼娜 通讯员 贾宇辰 吴鸿瑶