深部地下工程建设中，岩体破裂震源实时定位是岩爆、硬岩大变形等动力灾害实时监测预警的关键核心环节，直接决定了监测系统的整体效能。然而，深部工程普遍面临快速掘进带来的动态挑战：地下工程持续向前推进，岩体空腔不断扩展、围岩速度结构随之变化，波传播路径不再固定；传感器阵列也需随掌子面或工程变化前移而频繁重新布设。这意味着走时模型必须频繁更新，而传统走时差方法与现有深度学习方法每次更新均需要重新训练或重新计算，耗时极长，难以跟上工程快速施工掘进的节奏，无法满足工程岩体劣化实时定位与动力灾害实时预警需求。
针对上述技术难题，山区河流开发保护与治理全国重点实验室戴峰教授团队首次提出并建立了基于物理信息神经网络（PINN）的走时建模框架—MSLoc-PINN，为深部地下工程微震震源实时定位提供了全新范式。在方法设计方面，团队将程函方程作为物理约束嵌入神经网络损失函数，使走时预测严格遵循波传播的基本物理规律；同时引入残差连接与自适应权重机制，有效提升了模型训练的稳定性与收敛性能。进一步，团队建立了基于迁移学习的快速适应策略，地下工程开挖过程中传感器布局和岩体速度结构发生变化时，模型能够实现实时快速调整，显著提升了训练效率与工程部署能力。
研究结果表明，MSLoc-PINN在梯度速度模型、层状速度模型及含空腔速度模型等多种工况模型下，走时预测精度均显著优于传统快速行进法和均匀速度模型。在高原极端环境重大工程的应用中，MSLoc-PINN的定位误差较均匀速度模型降低65%，精度提升显著；微震事件空间分布与工程现场岩爆损伤区域高度吻合，验证了该方法在极端复杂地质条件下的鲁棒性与工程实用性。效率方面，MSLoc-PINN采用离线生成走时场、在线查表定位与动态迁移更新三步流程：离线阶段预计算走时场表，在线阶段自动查表定位，开挖推进或传感器调整时通过迁移学习更新模型，整体效率提升10倍，能够满足快速掘进条件下微震实时定位的工程需求。
上述研究成果在线发表于岩石力学与工程领域期刊Journal of Rock Mechanics and Geotechnical Engineering，论文题目为“Real-time microseismic source localization in deep tunnel using physics-informed neural networks”，四川大学山区河流开发保护与治理全国重点实验室为论文唯一单位，戴峰教授为通讯作者，水利水电学院博士研究生宋丁然为论文第一作者。
该成果解决了传统方法在走时建模精度与计算效率之间的权衡难题，突破了纯数据驱动模型对大量标注数据极度依赖的技术瓶颈。研究得到了国家自然科学基金委杰出青年科学基金及新基石科学基金“科学探索奖”等的资助。
论文链接：https://www.sciencedirect.com/science/article/pii/S1674775526005305
授权专利：ZL2025 1 1976774.2
