基于多指标堆叠泛化模型划定露天矿坡岩面节理力学性质的均质区

为何隐蔽裂缝的强度至关重要

在露天矿中，卡车和挖掘机之上的阶梯状岩壁的稳定性决定着工作日是平常安全还是可能发生灾害。这些岩壁并非整体实体，而是被大量天然裂缝和薄面——称为节理——所切割。沿这些节理的薄岩面状况强烈影响着边坡是稳固还是失稳。本研究展示了一种现代的数据驱动方法，如何在矿壁上绘制出具有相似节理质量的区域，从而更清晰、更客观地指出哪些地段更安全、哪些地段风险更高。

破裂的岩体并不都一样

在露天矿工程中，工程师常把岩体划分为“均质区”——这些区域内的岩石表现大致相同。传统体系，如长期使用的岩石质量分级，会把许多观测压缩为单一分值。尽管对宏观决策有用，但它们可能掩盖沿节理面上那些真正重要的细尺度差异。节理在强度、湿干循环下的崩解易损性、风化程度以及节理间距密度上各不相同。把整个边坡当作一个统一体来处理，可能忽视更易发生破坏的薄弱子区。

测量真正控制边坡安全的因素

作者直接聚焦于中国西南云南一处大型铅锌露天矿的节理壁面力学性质。在同一砂岩地层内，他们采集了153份岩石样本，细致测量了五个关键指标。这些指标包括节理面在受压时的表面强度（对裸露节理用回弹锤测量）、岩石在反复湿润和干燥下的崩解抗力、两项反映风化程度的量度，以及单位长度内通过岩体的节理数量。综合这些测量可以反映节理在矿坡荷载下变弱、张开和滑动的可能性。

从现场数据到智能分区

研究者没有依赖单一评分体系或单一模型，而采用了一种称为堆叠泛化（stacked generalization）的机器学习策略。简单来说，若干不同算法先在数据上学习并对每个样本所属的岩体子区给出各自预测；随后一个“元”模型学习如何最好地把这些意见组合成一个更可靠的决定。为帮助系统识别五个指标与岩体行为之间的细微、非线性关系，作者将原始测量扩展为额外的平方项和交叉乘积项，并使用基于信息量的过滤方法仅保留最具信息性的变量。

同一边坡的四个分区

研究组以现场已识别子区的53个样本为训练集，对六种常见机器学习模型进行训练和调参，然后从三种表现最好的模型构建了一个堆叠模型。该集成模型在将岩石样本分类为四个子区上达到了约94%的平衡准确率，明显优于任何单一模型。随后，对另外100个来自视觉上难以判定区域的样本，使用堆叠模型进行分区。将全部153个被分类点绘制到矿坑的地质图上，显示出跨越边坡的四个明显均质区，每一区都有其特征性的节理强度、风化状态和节理密度。

这对更安全的矿山意味着什么

对矿山规划者和安全工程师而言，成果是更现实的地图，显示出哪些边坡固有上更强或更弱。与其假定全域适用同一组岩性参数，他们可以在稳定性计算和数值模拟中为每个区赋予不同的力学参数。这有助于缩小需要加固、排水或设计调整的重点区域，同时避免在其他地方采取不必要的过度保守措施。尽管当前工作基于一处砂岩矿床，但该方法依赖于大多数岩类都能获得的测量指标。随着来自其他场址的数据增多，这一堆叠建模框架有望成为把详细节理壁面测量转化为基于分区的、可操作的露天边坡管理建议的标准途径，以长期保持边坡安全稳定。

引用: Yu, X., Zheng, A., Ye, J. et al. Delineating homogeneous zones for rock joint wall mechanical properties in open-pit mine slope based on a multi-indicator stacked generalization model. Sci Rep 16, 5117 (2026). https://doi.org/10.1038/s41598-026-35547-w

关键词: 边坡稳定, 露天开采, 岩体节理, 机器学习, 岩土分区