AI驱动矿山灾害管理的演进趋势：从统计模型到物理信息神经网络与可解释AI的综述

Earth energy science. · 2026-10-24 · 期刊论文

• 一句话结论：该综述认为，AI/机器学习在岩爆预测、边坡稳定性分析与瓦斯突出预报等任务中已显示出应用潜力，但纯数据驱动模型受数据稀缺、类别不平衡与物理一致性不足制约，深度学习黑箱性也限制其在安全关键场景的可信度；整体属叙述性综述，证据档位为C。
• 研究设计与做法：研究设计为综合性文献综述，梳理AI在矿山地质灾害管理中的应用演进，从早期统计与机器学习模型到近期深度学习进展；材料未报告检索数据库、检索时限、纳入排除标准、纳入文献数量及偏倚风险评估方法。
• 主要结果：主要结果为定性归纳：作者称先进模型通过识别地震、地质与生产监测等多源大数据中的复杂模式，在岩爆预测、边坡稳定分析与瓦斯突出预报等任务上取得成功；材料未报告具体效应量、置信区间、p值或预测准确率等定量数据。
• 机制或解释：作者解释，纯数据驱动模型的效果受数据稀缺、数据集不平衡及缺乏物理一致性限制；深度学习黑箱性构成可解释性与可信度障碍。作者提出物理信息神经网络（PINNs）与可解释AI（XAI）为关键前沿，目标是兼顾精度、泛化性与工程可解释性。
• 局限与边界：局限包括：属叙述性综述，未报告系统检索与定量合并方法，结论强度有限；未按矿种、地区或灾害类型分层；材料未报告利益冲突与资金来源；对各类模型性能差异缺乏可核验的量化比较。
• 可否落地：落地含义：提示AI可用于矿山灾害由被动响应向数据驱动预警转变，但当前证据不足以支持其在安全关键决策中替代工程判断。PINNs与XAI方向值得科研投入；临床与工程应用前需外部验证与可解释性评估，证据档位为C（专家综述层面）。

🔗 打开原文

Chaoran Huang, Ruiyu Liang, Chengguo Zhang 等

本文摘自《每日前沿研究简报 · 2026-10-26》「AI 科研智能体 / AI 科学家」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。