如何讓城市地面塌陷預測既“準”又“快”，一直是城市安全領域的難題。近日，清華大學深圳國際研究生院副教授王飛團隊將高精度物理仿真與深度學習相結合，構建了一套名為“GC-Net”的地面塌陷快速預測框架，能夠在數據稀缺的條件下，快速推演塌陷過程並直觀展示風險區域，為城市地下安全防控提供了新的技術手段。

圖.GC-Net總體技術路線：由CFD-DEM耦合仿真生成多場景數據，經網格化採樣與風險表徵後訓練快速預測模型

研究團隊構建了“物理仿真生成數據—網格化提取風險特徵—深度學習快速推演”的技術路線。首先，利用計算流體動力學—離散元法(CFD-DEM)耦合模擬，刻畫水流作用下土顆粒遷移、地下空洞擴展、土拱失穩及地表塌陷的漸進演化過程;隨後，通過系統改變土體流失出口的位置、尺寸和類型，以及水流速度、方向和土體參數等條件，生成覆蓋不同塌陷與非塌陷狀態的多場景模擬數據。

為將複雜仿真結果轉化為可用於人工智能模型訓練的標準化樣本，研究團隊提出網格化數據採樣流程，並構建地層塌陷風險指數，將網格內土體運動速度與空洞、塌陷狀態進行統一表徵。該方法實現了從連續物理過程到結構化風險數據的轉換，為數據稀缺條件下訓練地面塌陷預測模型提供了可複用的數據基礎。在模型構建方面，研究團隊進一步設計了位置處理模塊，用於捕捉塌陷區域、土體流失出口及流場之間的空間關係，並與增強卷積神經網絡融合，提高模型對複雜塌陷形態的識別能力。結果表明，GC-Net能夠較好識別地層失穩和塌陷風險區域，在預測精度、擬合效果和誤差控制方面均表現出較好的優勢。

圖2.GC-Net在真實工程案例中的代表性預測結果：展示時間尺度對齊後的風險分佈與塌陷範圍估計

為檢驗模型在真實複雜場景中的適用性，團隊選取我國南方某城市軌道交通工程建設過程中發生的一起典型地面塌陷事故開展獨立案例驗證。結果顯示，GC-Net能夠較好再現地層逐步失穩、土拱破壞及地表漏斗狀塌陷形成過程，預測結果與真實事故中的塌陷形態和影響範圍較為吻合。

該研究為城市地面塌陷事故的快速後果預測、風險可視化和應急決策提供了新的技術路徑，也為數據稀缺條件下地質災害智能預測提供了參考。

相關成果以“基於混合模擬與深度學習方法的城市尺度地面塌陷動態與風險預測”(City scale prediction of ground collapse dynamics and risks using hybrid simulation and deep learning methods)為題，發表於國際工程地質領域權威期刊《工程地質學》(Engineering Geology)。

論文通訊作者為王飛，第一作者為清華大學深圳國際研究生院2024級安全工程專業碩士生賈宇辰和2025屆安全工程專業碩士畢業生何青倫。該研究得到深圳市自然科學基金等項目的資助。