随着城市化进程的加快和基础设施的扩展，深部挖掘已成为地铁系统和高层建筑等重大项目的基石，支撑着城市的密集化和可持续发展[1]。然而，由于复杂的地质条件、密集的周围结构和复杂的施工程序，挖掘项目充满了不确定性和潜在风险[2,3]。典型的风险如挡土墙变形、管道沉降和相邻建筑物的开裂之间存在强烈的耦合，并且会随时间演变，它们的相互作用在时空进程中常常被放大。如果没有及时的预测和控制，这些风险可能会演变成挖掘不稳定或结构失效，对公共安全构成严重威胁[4]。这突显了迫切需要一个能够捕捉多风险协同演变的智能框架，从而推进主动的风险预防和弹性挖掘管理。
随着建筑信息模型（BIM）和自动化监控的普及，深部挖掘已成为一个数据丰富的岩土工程领域。密集的传感器网络提供了高频、近乎实时的测量数据，而BIM则整合了地质条件、结构参数、施工顺序和相关的现场信息。这些进步使得风险建模更加复杂，并加速了从经验评估向数据驱动决策支持的转变[5]。因此，诸如随机森林[6]、支持向量机[7]和神经网络[8]等人工智能方法被越来越多地用于通过利用高维特征和非线性模式来预测与挖掘相关的响应。尽管取得了这些进展，但准确预测耦合多风险的时空演变仍然具有挑战性，通常导致可靠性和泛化能力有限。这种困难还因监测数据的异质性和强非线性而进一步加剧[9]。
基于这些进步，当前数据驱动方法的一个关键局限性在于它们依赖于监测数据中的统计相关性，而不是挖掘行为的物理规律。实际上，挖掘活动常常会引发连锁反应，其中风险在空间和时间上强烈耦合。例如，挡土墙的变形可能会在坑外引起地面沉降和基底隆起。土壤位移的进一步传播又可能导致相邻建筑物和埋设管道的沉降或开裂。这种墙-土-管道相互作用机制已被广泛研究，并有相应的分析解决方案[[10], [11], [12]]。然而，纯粹的数据驱动模型很少将这些力学洞察转化为明确的建模约束。没有物理指导，预测结果可能会违反工程原理，并对数据分布的变化高度敏感，在训练领域之外的条件下表现不佳。这一研究空白促使人们开发出一个将力学耦合明确嵌入到深部挖掘多风险预测中的预测框架。
除了缺乏力学耦合之外，大多数现有的数据驱动模型仅强调时间模式，这限制了它们捕捉挖掘引起的风险时空共演变的能力[13]。描述这些依赖性对于理解风险传播和实现早期检测和主动控制至关重要[14]。在这方面，基于图的表示方法通过将监测点视为节点并将它们的时空相互作用编码为边来提供灵活的解决方案。图卷积网络（GCN）随后在非欧几里得域上聚合邻域信息[15]，以提取风险拓扑中的空间结构和局部依赖性。结合时间模块，基于GCN的模型（如时序图卷积网络（TGCN）和注意力时序图卷积网络（A3TGCN）在隧道[[16], [17], [18]]和挖掘[[19], [20], [21]]中显示出强大的风险预测潜力，通过联合建模空间依赖性和时间演变。
然而，现有的基于GCN的模型仍然存在两个关键挑战。首先，它们主要依赖于节点属性，未能充分利用边信息，从而削弱了它们表示多源风险之间空间和物理耦合相互作用的能力。其次，它们通常缺乏明确的先验知识约束，使其对噪声、异常值和数据分布的变化敏感。物理信息神经网络（PINN）通过将控制偏微分方程（PDE）作为损失约束来解决相关问题，从而可以提高物理场预测的准确性和鲁棒性[22]。基于PINN的方法已在岩土工程中得到应用，如土壤固结[23]、孔隙压力消散[24]、隧道诱导变形[25]和滑坡预测[26]。然而，大多数研究集中在单一响应任务上，很少与时空图学习结合，以表示深部挖掘中的异构监测对象和耦合多风险演变。这些空白促使人们开发出一个将边语义与力学约束相结合的物理信息时空图模型，以实现可靠的多风险预测。
为了解决这些限制，本研究提出了一种物理信息增强型时序图卷积网络（PI-ETGCN），用于深部挖掘中多风险变形响应的时空预测。为此，需要解决三个关键研究问题：（1）如何在不断变化的挖掘条件下表示和量化力学耦合的风险关系；（2）如何将机械先验嵌入到可学习的图中，以提高物理一致性和预测稳定性；（3）如何在保留这些先验的同时捕捉多风险的时空特征。PI-ETGCN的核心创新在于将墙-土-管道耦合机制明确嵌入到图神经架构中，将物理原理与数据驱动学习无缝结合。通过用工程一致的先验约束预测结果，PI-ETGCN在数据有限和分布变化的情况下提高了物理一致性和可解释性。
更具体地说，PI-ETGCN基于一个三阶段机械模型，该模型派生出可作为可学习机械先验的分析解。这些解被参数化，以生成自适应的、物理驱动的边特征，编码多风险之间的力学相互作用，并在现场条件下实现动态细化。同时，施工相关信息被纳入节点特征，形成多源风险图（MRG）。技术上，PI-ETGCN结合了增强型图卷积网络（EGCN）和基于门控循环单元（GRU）的时间模块，共同聚合MRG中的施工相关节点特征和力学耦合边特征。混合目标进一步将基于物理的约束与数据驱动的损失相结合，以强制墙-土变形的一致性并提高预测稳定性。从实际角度来看，PI-ETGCN实现了高保真的时空预测，用于早期风险检测和决策支持，同时在具有挑战性的条件下（例如样本有限、噪声和异常值）仍保持准确性和鲁棒性，从而支持在更广泛工程应用中的实际和可扩展部署。
本文的其余部分组织如下。第2节介绍了PI-ETGCN，包括机械先验基础、MRG构建和网络架构。第3节提出了一个实际案例研究。第4节评估了PI-ETGCN的预测能力，并检验了核心模块的贡献。第5节总结了结论并概述了未来的工作。
