红布矿区竖井稳定性现场监测与风险预测

On-site Monitoring and Risk Prediction of Shaft Stability in Hongbu Mining Area

摘要

新城金矿红布矿区3#竖井是矿山的主提升井，其稳定性与矿山经济效益直接挂钩，亟需对其开展竖井稳定性的动态评价与风险超前预测。首先，采用深孔测斜仪开展了竖井围岩变形的监测；其次，构建了基于LSTM算法的围岩变形超前预测算法以及基于切线角、累计变形量等指标的竖井稳定性四色预警指标体系；最后，基于D-S（Dempster-Shafer）理论，建立了多源预警指标融合的竖井稳定性动态评价与风险超前预警方法。研究结果表明，3#竖井整体稳定性良好，但在-160 m中段出现局部收敛变形异常。建议加强该区段的实时监测频率，经风险评估模型测算，未来30天内发生稳定性问题的概率较低，需持续关注围岩—支护体系协同变形特征。

Abstract

Shaft stability has long been a critical concern in rock mass engineering，particularly as it pertains to underground mines.In the Hongbu mining area of the Xincheng gold mine，the 3# shaft serves as the primary hoisting shaft，and its stability is directly correlated with the mine’s operational benefits.With the depletion of shallow resources，mining activities at Hongbu are progressively transitioning to deeper levels，necessitating comprehensive research on the impact of deep mining on the stability of the 3# shaft.To facilitate dynamic evaluation of the shaft's stability and advance risk prediction，several measures have been undertaken.Initially，a deep hole inclinometer was employed to monitor the deformation of the shaft's surrounding rock.Subsequently，an advanced prediction algorithm for surrounding rock deformation wasdeveloped using the Long Short-Term Memory （LSTM） algorithm，alongside a four-color early warning index system for shaft stability based on tangent angle and cumulative deformation.Finally，utilizing Dempster-Shafer （D-S） theory，a dynamic evaluation and risk early-warning method for shaft stability was established，integrating multi-source early-warning index fusion.The findings indicate that Shaft #3 is presently in a stable condition；however，there is a notable inconsistency in deformation at approximately 160 meters，warranting further investigation.The rock mass deformation algorithm，utilizing Long Short-Term Memory （LSTM），successfully achieves advanced predictions of rock mass deformation with an accuracy rate of 99%.The evaluation of shaft stability and the advanced prediction method，grounded in Dempster-Shafer （D-S） theory，reveal that the risk value of the shaft remains below 20% throughout the monitoring period，signifying its current safe state.Furthermore，projections suggest that the shaft will continue to exhibit low risk over the next 30 days.This research provides both theoretical and empirical support for the safe and efficient operation of mining activities and introduces a novel approach to the monitoring，early warning，and risk prediction of shaft stability.

Graphical abstract

关键词

竖井 / 监测预警 / 风险预测 / LSTM算法 / Dempster-Shafer（D-S）证据理论 / 变形预测

Key words

vertical shaft / monitoring and early warning / risk forecast / LSTM algorithm / Dempster-Shafer（D-S） theory / prediction of deformation

竖井作为矿山开采的咽喉工程，尽管其工程量只占全矿井巷工程量的10%左右，但施工周期往往占矿山建设总工期的40%以上（刘溪鸽，2016；Wang et al.，2022）。作为矿山生产系统的核心载体，竖井围岩的稳定性直接影响出矿、排碴、通风和排水等全流程作业的安全运行。因此，开展竖井围岩力学响应监测并建立动态稳定性评价体系，对保障矿山安全生产具有重要意义。

近年来，竖井稳定性研究已成为岩体工程领域的热点方向（杨官涛等，2009；汪小平等，2021）。现有研究主要依托工程类比、相似模拟、数值仿真及现场监测等方法，重点关注竖井变形影响因素、开采和爆破对竖井的作用机制、断层部位井壁脆弱性评估以及支护优化策略等（赵海军等，2012；刘溪鸽，2016；张洪训等，2017；过江等，2022；罗文俊等，2022）。此外，井壁围岩力学特性和支护优化也是研究的关键方向，约束—收敛法的提出与应用为竖井支护提供了新的理论依据（Oreste，2009；Sandrone et al.，2010）。孙闯等（2013）基于Hoek-Brown准则（Hoek et al.，1997）构建了围岩特征曲线，并结合“高阻让压”理念优化二次支护时机，显著提升了竖井的稳定性。同时，采用解析法并结合数值模拟进一步深化了竖井开挖力学模型的研究（殷有泉等，2014；陈勋等，2020；郝勇浙等，2022），为竖井长期稳定性设计提供了理论支撑。尽管上述研究取得了重要进展，但仍存在以下不足：（1）数据实时性不足，现有研究多依赖数值模拟与理论分析，缺乏围岩变形的实时监测数据支撑，难以动态反映围岩真实力学响应；（2）预测精度受限，传统方法（如数值模拟和工程类比法）在处理复杂非线性变形规律时存在局限性，预测结果与实际变形存在偏差；（3）预警体系不完善，当前研究多聚焦单一指标评价，缺乏多源数据融合的动态预警机制，难以全面评估竖井稳定性风险状态。

针对上述问题，本研究以山东黄金新城金矿红布矿区3#竖井为工程背景，开展竖井稳定性动态评价与风险预测研究。通过采用深孔测斜仪对竖井围岩变形进行高精度现场监测，获取时序连续的变形数据，实现围岩力学响应的实时动态监测；在此基础上，构建了基于 LSTM 网络的变形预测模型，并引入D-S证据理论建立多源监测指标融合的稳定性评价与预警方法，有效提升了预测精度。研究成果经工程验证具有良好的实用性，可为矿山安全高效生产提供理论支撑与技术保障。

1 工程与监测布置概况

山东莱州新城金矿红布矿区3#竖井（+36~-335 m，井深约为371 m）是矿山的主提升井，其稳定性与矿山的生产效率直接挂钩，因此开展3#竖井的风险评价与超前预警是保障矿山安全高效开采的关键环节。

目前竖井围岩的实时监测手段包括深孔测斜仪、光纤传感技术、应力计和应变计等。本研究采用深孔测斜仪对竖井围岩进行监测，其优势在于具备亚毫米级位移分辨率、全天候连续监测能力及自动化数据采集特性，适应深部围岩的变形监测需求。在综合考虑工程地质条件、施工可行性及成本效益比等多重约束条件下，经技术经济比选后确定监测孔孔径为150 mm（可有效平衡仪器保护与地层扰动控制需求），孔深为206 m（覆盖竖井主要变形影响区-160 m以上层位）。钻孔布设于竖井西北方向12 m处（图1），该布设方案可有效表征竖井围岩的协同变形特征。

2 竖井围岩变形时—空维度演化特征

对于竖井围岩位移监测而言，其感知数据存在时间和空间2个维度的特征。其中，时间特征旨在分析各个监测点的位移演化情况，为灾变风险的超前评价提供重要依据；空间维度特征旨在分析不同深度下岩体变形的空间协调性特征，以此预测潜在破裂面的发生位置，为风险预警与灾害防控提供重要依据。

基于此，选取变形速率和累计变形量作为核心评价指标，通过位移—时间曲线分析时效变形特征，结合深度—位移曲线形态（V/D型）和蠕变速率梯度分析并识别潜在滑移面位置。该体系实现了围岩稳定性的时空耦合评价。

2.1 竖井围岩变形时间维度演化特征

为充分了解3#竖井围岩的变形演化特征，提取等速变形速率和累计位移等风险评价关键指标，对监测周期内（2023-06-13至2024-03-27）围岩的变形响应情况进行分析，图2所示为3#竖井不同深度的测斜仪传感器采集到的累计位移变化曲线。其中，切向位移表示沿竖井圆周切向的位移分量，反映围岩剪切变形或扭转作用，切向位移异常可能预示局部剪切破坏（如断层活化）；径向位移为垂直于井壁方向的位移分量，表征围岩的收缩或膨胀变形，径向位移突变常与围岩松动和应力重分布相关（如井壁压溃风险）。由图2可知，该竖井周边岩体变形量极小，基本维持在3 mm以内，表明竖井基本处于稳定状态。

在此基础上，提取了各个点的累计变形量、短期变形速度（7天内）和长期变形速度（开始监测至2024-03-01的平均值），并结合主观经验，计算了等速蠕变速率，结果如表1所示。由表1可知，不论是长期变形速率还是短期变形速率均维持在较低水平，进一步证明了竖井处于稳定状态。通过历史数据得出的等速蠕变速率将为后续切线角等风险评价指标的计算提供依据。

2.2 竖井围岩变形空间维度演化特征

在空间特征分析中，通过建立深度—累计位移关联曲线，可有效识别潜在滑移面位置。基于测斜仪监测数据研究（靳晓光等，2001；孙志彬等，2010；Chen et al.，2024），划分出5类典型变形模式：D型、V型、B型、r型和震荡型。其中，D型、B型和r型表明岩体出现了非连续变形，很有可能产生了破裂面或滑移面，岩体处于加速或等速蠕变阶段，具有潜在的风险；当岩体处于V型或震荡型，表明尚未产生破裂面，处于初始蠕变或等速蠕变阶段。该分类体系为围岩稳定性评估提供了量化判据。

基于上述观点，本研究分析了不同深度竖井围岩变形协调关系随时间的演化特征，图3展示了竖井的累计位移与深度之间的关系。由图3可知，切向位移在-40~-120 m呈现出V型，在-120~-200 m呈现出D型，变形在空间维度上呈现出一定的不协调，在-160 m左右变形量相对较大，存在一定的风险，但由于整体变形量较小，因此出现灾害的概率不高。对径向位移，其变形模式最初呈现出V型，但是随着时间的推移，-160 m附近岩体的变形速度超过其余区域，变形模式逐渐演化成D型，同样印证了-160 m处存在非协调性变形，具有一定的潜在风险，但是由于整体位移量较小，发生灾变的概率较低。

基于多源监测数据的时空演化分析表明，3#竖井整体稳定性良好，但-160 m深度区域存在显著变形异常，建议将该区域列为重点监测段，实施位移速率阈值预警机制，确保工程安全运营。

3 竖井风险评价与预测

3.1 基于LSTM算法的监测数据超前预测

（1）LSTM基本原理

LSTM是解决长序列训练中长期依赖问题的循环神经网络结构（赵保兵，2024）。该算法在标准RNN（循环神经网络）的基础上，通过引入门控结构改变了神经元结构，可以删除或增加节点信息，这种门控结构的设计允许LSTM模型更好地捕捉长序列间的依赖关系。除此之外，LSTM还有很多优势：与GRU（门控循环单元）相比，性能更优；与ARIMA（自回归积分滑动平均模型）和Prophet相比，其在处理非线性关系时表现更佳；与SVR（支持向量回归）相比，在处理大规模时间序列数据时计算速度较高。综上所述，LSTM在捕捉长期依赖关系和处理非线性数据方面具有明显优势，特别适用于竖井围岩变形监测等复杂任务，其整体网络结构如图4所示。

LSTM由遗忘门、输入门和输出门组成，其中遗忘门决定从细胞状态中丢弃的信息，得到遗忘部分信息的神经元状态C_t，具体计算过程表示为

f_t=\sigma \left(W_{\mathrm{f}}\bullet \left[h_{t-\mathrm{1}},x_t\right]+b_{\mathrm{f}}\right)（1）

式中：f_t 为遗忘门的输出值；h_t-1为t-1时刻的输出值；x_t 为t时刻的输入值；［h_t-1，x_t ］表示将h_t-1和x_t 进行矩阵拼接；W_{\mathrm{f}}为遗忘门的网络层权重；b_f为遗忘门的网络层偏置；σ（•）为Sigmoid激活函数。

经过遗忘门的遗忘作用之后，还需要根据最新的状态补充一些有用的信息，而输入门会根据x_t 和h_t-1决定加入多少新的信息到细胞状态中，具体添加信息由输入门i_t 和候选向量{\tilde{C}}_t决定，二者计算公式为

i_t=\sigma \left(W_{\mathrm{i}}\bullet \left[h_{t-\mathrm{1}},x_t\right]+b_{\mathrm{i}}\right)（2）

{\tilde{C}}_t=\mathrm{t}\mathrm{a}\mathrm{n}h\left(W_{\mathrm{c}}\bullet \left[h_{t-\mathrm{1}},x_t\right]+b_{\mathrm{c}}\right)（3）

通过遗忘门和输入门的协同作用，系统实现了历史信息的动态筛选（遗忘门）与新特征的有效融合（输入门），为细胞状态的更新提供了重要基础，细胞状态具体更新方法可表示为

C_t=f_t\times C_{t-\mathrm{1}}+i_t\times {\tilde{C}}_t（4）

最后，输出门决定最终的输出值，其具体结构如图4所示，细胞状态通过tanh层［式（5）］后与输出门计算结果［式（6）］相乘得到输出结果h_t。

o_t=\sigma \left(W_{\mathrm{o}}\bullet \left[h_{t-\mathrm{1}},x_t\right]+b_{\mathrm{o}}\right)（5）

h_t=o_t\times \mathrm{t}\mathrm{a}\mathrm{n}h\left(C_t\right)（6）

（2）基于LSTM算法的监测数据超前预测

本研究以历史采集数据作为LSTM算法的数据集，同时，鉴于时间序列预测长度不宜超过样本长度的30%，以90天历史数据作为LSTM的输出，未来30天变形数据作为输出，以此实现网络的训练，并采用边缘计算的方式，动态整理监测数据，进行感知数据的超前预测，图5展示了算法的预测效果。由图5（a）~5（e）可知，针对不同深度传感器的监测数据，该算法均取得了较为理想的预测结果，图5（f）展示了LSTM算法预测与实测结果关系图，可知该算法的预测精度较高，R²=0.9938，证明了LSTM算法应用在竖井围岩变形监测方面的有效性。同时，通过分析结果可知，直至2024年3月30日，岩体并不会出现显著的位移变化，竖井依旧处于稳定的状态。基于该预测结果，可实现缺失数据的智能补全，以此减少数据缺失等问题带来的数据挖掘算法难以正常运行等问题，可为后续竖井稳定性的预测提供重要保障。

3.2 基于D-S证据理论的竖井风险实时评价与超前预测

（1）竖井稳定性评价指标体系构建

竖井围岩处于蠕变过程，许强等（2008，2025）认为等速变形阶段的位移速率v是一恒定值，通过用位移除以v的形式将位移—时间曲线的纵坐标变换为与横坐标相同的时间量纲：

T=\frac{\Delta S}{\nu }（7）

式中：ΔS为某一监测周期边坡位移量；v为等速位移阶段的位移速率，第3.1小节已经计算出3#竖井各测点的等速蠕变速率，如表1所示；T为变换后与时间相同量纲的纵坐标值。

位移曲线的切线角α定义如下：

\mathrm{t}\mathrm{a}\mathrm{n}\alpha =\frac{\Delta T}{\Delta t}（8）

当α<45°时，岩体处于减速蠕变阶段，不存在灾变的可能；当α=45°时，岩体进入等速蠕变阶段；当α>45°时，岩体进入加速蠕变阶段，存在发生灾变的可能性。目前该指标已被国内外学者推广应用（Crosta et al.，2003；郭延辉等，2024；许强等，2025），经过大量工程验证，证明了该指标的有效性，并给出了该指标对应的四级预警指标体系，如表2所示。

值得注意的是，当前等速蠕变速率的计算依赖于历史的监测数据，由于目前蠕变曲线并不完善，提取的等速蠕变速率可能存在一定的误差，进而对最终的风险评价结果造成影响（郭延辉等，2024）。针对此问题，本研究一方面通过定期观察监测数据，动态更新等速蠕变速率，以此不断提高等速蠕变速率的精度，另一方面基于现场工程经验和历史案例分析算法（Zhang et al.，2022），确定了累计变形量和变形速率分级预警评价阈值，形成更为综合全面的竖井稳定性评价预警指标体系，如表2所示。在此基础上，采用D-S证据理论，进行多源指标的融合，以解决上述问题，提高风险评价精度。

为进一步量化不同预警等级与灾变风险之间的关系，基于前人研究成果，认为4个等级灾变概率分别处于0~0.25、0.25~0.50、0.50~0.75和0.75~1.00之间，在此基础上，通过拟合的方式，分别确定了切线角［式（9）］、累计变形量［式（10）］、变形速率［式（11）］与风险之间的关系，为多源数据融合条件下竖井稳定性评价与风险预测创造条件。

R_{\alpha }=\mathrm{0.079}{\mathrm{e}}^{\mathrm{0.0249}\alpha }（9）

R_s=\mathrm{0.0215}S-\mathrm{0.1884}（10）

R_{\nu }=\mathrm{0.5}\nu -\mathrm{0.5}（11）

（2）基于D-S理论的多源竖井风险实时评价及预测

结合实时监测和LSTM的超前预测数据，采用D-S证据融合上述指标，进行竖井风险的实时评价和超前预测。竖井的稳定性状态被定义为识别框架 Θ=｛A，B｝，其中A表示竖井处于不稳定状态，而B表示竖井处于稳定状态。以切线角的风险评价结果R_α 、基于累计位移的风险评价结果R_s 和基于变形速率的风险评价结果R_v 作为证据源，根据式（9）~式（11）确定基本信任分配原则，分别构建描述竖井稳定性状态的mass函数，如表3所示。基于D-S证据理论，通过Dempster合成规则，将描述竖井不稳定状态的3个指标分别作为m₁~m₃按照式（12）融合，计算融合多源评价指标后的竖井处于不稳定状态的概率R_f，从而达到风险综合评价的目的。

R_{\mathrm{f}}=({\mathrm{m}}_{\mathrm{1}}⨁{\mathrm{m}}_{\mathrm{2}}⨁{\mathrm{m}}_{\mathrm{3}})(\mathrm{A})=

\frac{\mathrm{1}}{K}{\sum }_{A_{\mathrm{1}}\bigcap A_{\mathrm{2}}\bigcap A_{\mathrm{3}}=A}{m}_{\mathrm{1}}(A_{\mathrm{1}})\bullet m_{\mathrm{2}}(A_{\mathrm{2}})\bullet m_{\mathrm{3}}(A_{\mathrm{3}})（12）

式中：K={\sum }_{A_{\mathrm{1}}\bigcap A_{\mathrm{2}}{A}_{\mathrm{2}}\bigcap A_{\mathrm{3}}\ne \varnothing }{m}_{\mathrm{1}}(A_{\mathrm{1}})\bullet m_{\mathrm{2}}(A_{\mathrm{2}})\bullet m_{\mathrm{3}}(A_{\mathrm{3}})=\mathrm{1}-{{\sum }_{A_{\mathrm{1}}\bigcap A_{\mathrm{2}}\bigcap \bullet \bigcap A_{\mathrm{3}}=\varnothing }{m}_{\mathrm{1}}(A_{\mathrm{1}}{)}_{}\bullet m_{\mathrm{2}}(A_{\mathrm{2}}{)}_{}\bullet m_{\mathrm{3}}(A_{\mathrm{3}})}_{}。

通过上述方法，结合实时采集数据与超前预测数据，对3#竖井稳定性情况进行分析，图6所示为2023年11月2日至2024年3月1日的3#竖井风险评价结果以及未来一个月的超前预测结果（2024-03-01至2024-03-31）。需要说明的是，该时间段的选取主要基于以下2点考虑：一是经过一段时间的监测，能够确保监测仪器的稳定运行，从而获得可靠的监测数据；二是选取最新监测数据，有助于提高对未来时段竖井稳定性风险预测的准确性。由图6可知，各监测点的风险值均小于0.2，属于蓝色预警范畴，且随着时间的推移，风险动态评价结果逐渐降低，仍属于蓝色预警状态，预测结果同样表明未来一段时间竖井依旧处于稳定状态。事实上，由于本研究采用先验式预警模式，等速蠕变速率等指标对于风险值影响显著，由于当前蠕变曲线并不完善，导致等速蠕变速率计算存在问题，致使计算出的切线角等指标偏大，进而导致相应的风险值偏大。实际上对于灾害预警而言，该方法是一种保守的模式，对于灾害防控具有一定的意义，可最大程度上保障3#竖井的稳定运行，为矿山的安全高效生产提供理论与技术支撑。

4 结论

（1）深孔测斜仪数据显示，3#竖井围岩变形量较小，竖井基本处于稳定状态。但是，由不同深度的变形协调性分析结果可知，-160 m存在变形不协调问题，需要进一步强化监测。

（2）基于LSTM算法实现了未来一个月内竖井位移的预测，预测结果R²超过99%，证明了该方法具有较强的可靠性，预测结果可为竖井风险的超前预测提供重要参数。

（3）建立了基于D-S证据理论的竖井稳定性动态评价及超前预测方法，分析结果表明，3#竖井风险值小于20%，处于蓝色预警状态，具有较强的稳定性，但同时需要继续加强监测，避免灾害的发生。

参考文献

[1] Chen H， Wu H G，2024.Method for determining the position of landslide slip-surface with a typical inclinometric curves［J］.Journal of Mountain Science，21（2）：413-432.

[2] Chen Xun， Yin Shenghua， Chen Shunman，et al，2020.Influence of deep mining under multilayer goaf on the stability of hanging shaft［J］.Mining Research and Development，40（9）：27-32.

[3] Crosta G B， Agliardi F，2003.Failure forecast for large rock slides by surface displacement measurements［J］.Canadian Geotechnical Journal，40（1）：176-191.

[4] Guo Jiang， Jiang Niming， Cheng Xin，2022.Numerical simulation study on shaft construction process of water-rich moraine layer［J］.Gold Science and Technology，30（5）：733-742.

[5] Guo Yanhui， Huo Yuan， Mao Xiaojuan，et al，2024.Research on early warning criterion of landslide critical sliding tangential angle based on improved Nishihara model［J］.Journal of Natural Disasters，33（5）：96-108.

[6] Hao Yongzhe， Zhang Fei， Wang Hao，2022.Analysis of the influence of multiple goafs on shaft stability based on 3DMine-Rhino-FLAC^3D ［J］.China Mining Magazine，31（2）：65-71.

[7] Hoek E， Brown E T，1997.Practical estimates of rock mass strength［J］.International Journal of Rock Mechanics and Mining Sciences，34（8）：1165-1186.

[8] Jin Xiaoguang， Wang Lansheng， Li Xiaohong，2001.Determination and advanced forcasting on slide plane position for landslide［J］.The Chinese Journal of Geological Hazard and Control，（1）：14-16.

[9] Liu Xige，2016.Numerical Simulation on Effect of Mining of Ⅺ# Ore Body on Stability of Main Shaft at Xincheng Gold Mine［D］.Shenyang：Northeastern University.

[10] Luo Wenjun， Guan Kai， Zhu Wancheng，et al，2022.Influence of blasting vibration near main shaft on its stability in Xincheng gold mine［J］.China Mining Magazine，31（5）：121-127.

[11] Oreste P，2009.The convergence-confinement method：Roles and limits in modern geomechanical tunnel design［J］.American Journal of Applied Sciences，6：757-771.

[12] Sandrone F， Labiouse V，2010.Analysis of the evolution of road tunnels equilibrium conditions with a convergence-confinement approach［J］.Rock mechanics and rock engineering，43：201-218.

[13] Sun Chuang， Zhang Xiangdong， Zhang Jianjun，2013.Stability analysis of vertical shaft surrounding rock and supporting system in deep fault fracture［J］.Journal of China Coal Society，38（4）：587-594.

[14] Sun Zhibin， Yang Xiaoli，2010.Sliding characteristics analysis of land slide based on the deep displacement［J］. Journal of Changsha University of Science and Technology（Natural Science），7（2）：43-47.

[15] Wang X， Liu Z， Fan Y Y，et al，2022.Destruction characteristics and control countermeasure of shaft surrounding rock mass in complex geological environment［J］.Sustainability，14：13329.

[16] Wang Xiaoping， Kou Yongyuan， Guo Yunlin，et al，2021.Study on the stability of 14 row return air shaft in No.1 ore body hanging wall lean ore of Jinchuan No.2 mining area［J］.Me-tal Mine，50（6）：165-171.

[17] Xu Qiang， Chen Guoqing， Wei Tao，et al，2025.Dynamic charac-teristics of stress，sliding force and deformation during the evolution of sudden failure landslide［J/OL］.Chinese Journal of Rock Mechanics and Engineering，1-14［2025-01-15］.

[18] Xu Qiang， Tang Minggao， Xu Kaixiang，et al，2008.Research on space-time evolution laws and early warning-prediction of landslides［J］.Chinese Journal of Rock Mechanics and Engineering，（6）：1104-1112.

[19] Yang Guantao， Li Xibing， Liu Xiling，2009.Minimum safety factor method for stability analysis of vertical shaft surrounding rockmass and supporting system［J］.Journal of China Coal Society，34（2）：175-179.

[20] Yin Youquan， Li Ping’en， Di Yuan，2014.Instability of shaft excavation and mechanism of rockburst［J］.Chinese Journal of Theoretical and Applied Mechanics，46（3）：398-408.

[21] Zhang Hongxun， Liu Xige， Guan Kai，et al，2017.3D delineation of the shaft safety pillar of Xincheng gold mine and its numerical excavation［J］.Metal Mine，46（3）：19-24.

[22] Zhang P， Deng W， Liu F，et al，2022.Establishment of landslide early-warning indicator using the combination of numerical simulations and case matching method in Wushan open-pit mine［J］.Frontiers in Earth Science，10：960831.

[23] Zhao Baobing，2024.Prediction of rock pressure in roadway working face based on optimized LSTM network［J］.Coal Technology，43（2）：54-56.

[24] Zhao Haijun， Ma Fengshan， Xu Jiamo，et al，2012.Shaft deformation and failure due to rock mass movement induced by underground backfill mining of a metal mine［J］.Chinese Journal of Geotechnical Engineering，34（2）：340-348.

[25] 陈勋，尹升华，陈顺满，等，2020.多层采空区下深部矿体开采对上盘竖井稳定性的影响［J］.矿业研究与开发，40（9）：27-32.

[26] 过江，蒋倪明，程鑫，2022.富水冰碛层竖井施工过程数值模拟［J］.黄金科学技术，30（5）：733-742.

[27] 郭延辉，霍圆，毛肖涓，等，2024.基于改进西原模型的滑坡临滑切线角预警判据研究［J］.自然灾害学报，33（5）：96-108.

[28] 郝勇浙，张飞，王昊，2022.基于3DMine-Rhino-FLAC^3D的多采空区对竖井的稳定性影响分析［J］.中国矿业，31（2）：65-71.

[29] 靳晓光，王兰生，李晓红，2001.滑坡滑动面位置的确定及超前预测［J］.中国地质灾害与防治学报，（1）：14-16.

[30] 刘溪鸽，2016.新城金矿Ⅺ#矿体回采对主竖井稳定性影响的数值模拟［D］.沈阳：东北大学.

[31] 罗文俊，关凯，朱万成，等，2022.新城金矿主井附近工程爆破振动对其稳定性影响分析［J］.中国矿业，31（5）：121-127.

[32] 孙闯，张向东，张建俊，2013.深部断层破碎带竖井围岩与支护系统稳定性分析［J］.煤炭学报，38（4）：587-594.

[33] 孙志彬，杨小礼，2010.基于深部位移的边坡滑动特征分析［J］.长沙理工大学学报（自然科学版），7（2）：43-47.

[34] 汪小平，寇永渊，郭赟林，等，2021.金川二矿区1#矿体上盘贫矿开采对14行回风井的稳定性影响研究［J］.金属矿山，50（6）：165-171.

[35] 许强，陈国庆，魏涛，等，2025.突发型滑坡形成过程中应力—滑动力—变形动态变化特征研究［J/OL］.岩石力学与工程学报，1-14［2025-01-15］.

[36] 许强，汤明高，徐开祥，等，2008.滑坡时空演化规律及预警预报研究［J］.岩石力学与工程学报，（6）：1104-1112.

[37] 杨官涛，李夕兵，刘希灵，2009.竖井围岩—支护系统稳定性分析的最小安全系数法［J］.煤炭学报，34（2）：175-179.

[38] 殷有泉，李平恩，邸元，2014.竖井开挖的不稳定性和岩爆的力学机制［J］.力学学报，46（3）：398-408.

[39] 张洪训，刘溪鸽，关凯，等，2017.新城金矿竖井保安矿柱的三维圈定与模拟回采［J］.金属矿山，46（3）：19-24.

[40] 赵保兵，2024.基于优化LSTM网络的巷道工作面矿压预测［J］.煤炭技术，43（2）：54-56.

[41] 赵海军，马凤山，徐嘉谟，等，2012.金属矿充填开采岩体移动对竖井围岩的变形破坏［J］.岩土工程学报，34（2）：340-348.

基金资助

国家自然科学基金项目“深部软弱流变地层中巷道围岩—支护相互作用时空耦合效应研究”(52004053)