地下工程安全设计、油气开发井眼稳定分析均需精准地应力方向数据，但传统测量方法成本高昂且无法实现空间连续性—— 如何突破这一行业瓶颈？本文提出的 AI 驱动框架不仅实现了全球\(S_{Hmax}\)方向的连续映射，预测准确率达 77.4%，更在川藏铁路应用中创下1.3° 的超低误差，为大型工程与地质研究提供全新解决方案。
标题: Global maximum horizontal principal stress orientation: A high-precision machine learning framework based on multi-source heterogeneous data fusion 译文: 全球最大水平主应力方向：基于多源异构数据融合的高精度机器学习框架 期刊: Engineering Geology (IF = 8.4) DOI: https://doi.org/10.1016/j.enggeo.2025.108276 |
1. 钻孔破裂观测（如井眼崩落、钻井诱导裂缝）、水力压裂等实地测量成本高、周期长，无法提供连续的应力场方向数据；震源机制解（FMS）依赖长期高密度地震监测，难以覆盖特定工程区域；
2. 全球地应力方向实测数据（如世界应力图 WSM 数据库）空间分布不均、高度分散，缺乏统一整合与系统分析手段，限制区域乃至全球尺度应力场认知；
3. 断层、剪切带等复杂地质构造会干扰测量仪器部署，导致应力扰动，进一步降低传统方法的适用性。
地应力方向是地下工程设计、碳封存盖层完整性评估、断层活动预测的核心参数，现有方法的局限已成为工程安全与地质研究的关键瓶颈，亟需低成本、高连续性的精准预测方案。
开发基于多源异构数据（地形数据 + 地应力实测数据）融合的机器学习框架，解决传统方法的空间不连续与高成本问题，实现全球最大水平主应力方向的连续、高精度预测。
1. 首次将视觉 Transformer（ViT）与多层注意力机制结合，融合地形特征（DEM、坡度）与邻域应力模式，突破传统方法的技术局限；
2. 基于 32464 条质控数据训练，预测准确率达 77.4%，在 4 个构造差异区域验证稳健性，川藏铁路应用误差低至 1.3°；
3. 生成全球最大主应力方向分布图，为大型线性工程（如川藏铁路）规划提供关键数据支撑；
4. 揭示全球构造应力场空间分布规律，为板块运动与深部地球动力学研究提供新视角。
通过整合数字高程模型（DEM）、坡度数据与邻域应力测量数据，利用 ViT 架构提取地形潜特征，结合注意力机制融合多源信息，对比筛选最优机器学习模型（XGBoost），最终实现全球最大主应力方向预测与映射。
1. 地形与地表数据预处理
采用 NOAA 的 ETOPO 2022 全球地形模型（60 角秒分辨率），将高程数据转换为坡度数据（解决高程归一化后细节丢失问题），并将样本从 25×25 像素重采样为 50×50 像素，平衡细节与计算效率。
地形数据处理图，含 “凉山彝族自治州高程 - 坡度转换” 与 “样本重采样” 子图
2. 地应力方向数据筛选与领域特征提取
从WSM 数据库筛选质量等级 A-C 的 32464 条数据（排除误差超 25° 的 D/E 级数据），通过并行计算获取每个数据点的 5 个最近邻点，提取距离、深度、方位角余弦等邻域特征，并基于距离 - 应力方向相关性筛选异常数据。
全球应力分布图
应力方向特征数据预处理流程图
邻域数据点距离与应力方向相似性相关性图
WSM 质量分级方案
应力数据指标统计分析表
3. 多源数据融合与模型架构设计
采用 ViT 架构处理 DEM 与坡度双通道输入，通过 Multi-Head Self-Attention（MHSA）机制提取地形全局特征；融合邻域应力特征后，输入 MLP、随机森林、XGBoost 等 6 种机器学习模型，通过超参数优化筛选最优模型。
全球最大主应力方向预测架构
各机器学习模型超参数汇总表
4. 模型评估指标设计
考虑地应力测量不确定性，将最大主应力方向方向按 10° 间隔离散为 18 类，采用 Acc1（精确匹配）、Acc2（±1 类正确）、Acc3（±2 类正确）及 F1 分数（Macro-F1、Weighted-F1）评估模型性能，其中 Acc3 对应工程可接受的 ±20° 误差范围。
1. 机器学习结果
在测试集对比中，XGBoost 模型的 Acc3 达 77.4%，Macro-F1 与 Weighted-F1 均优于 LGB、随机森林、LR 等模型，且类间预测方差最小，避免了 LR 模型因线性决策边界导致的类别不平衡问题。
六种机器学习模型的混淆矩阵
六种模型的性能对比图
六种模型的平均性能指标汇总表
2. 多构造区域验证稳健性强
在英国约克郡、阿尔及利亚瓦尔格拉、美国堪萨斯、中国四川 4 个区域验证中，预测与实测S_Hmax方向一致性高，其中阿尔及利亚瓦尔格拉地区（稳定地层）平均误差仅 2.6°，余弦相似度达 0.99；仅四川部分断层区域因局部应力扰动误差略高（28.92°），但整体区域仍保持方向一致性。
四个验证区域的实测与预测S_Hmax方向对比图
四个区域的预测误差与余弦相似度分布图
区域验证数据集汇总表
3. 川藏铁路案例验证
在川藏铁路 50km 缓冲区采样 500 个点，经克里金插值生成连续应力场，4 个关键验证点（如桑珠岭隧道、色季拉山隧道）平均误差仅 10.64°，其中色季拉山隧道误差最低（1.3°），证实框架对复杂构造工程的适用性。
川藏铁路沿线高精度应力方向表征图
铁路沿线四个验证点的实测与预测S_Hmax方向对比表
4. 全球最大主应力方向揭示构造规律
全球分布图显示：稳定大陆内部（如北美东部）呈 NE-SW 向，青藏高原受印欧板块碰撞影响应力方向从西向东呈 N-S 至 NNE-SSW 旋转；中低纬度应力方向变化频繁，高纬度相对稳定，且板块边界（如南美西海岸）应力方向与俯冲方向垂直。
全球S_Hmax方向分布图
澳大利亚及周边、青藏高原、北美西部边缘的区域S_Hmax方向详细图
各大陆S_Hmax方向玫瑰图
该文提出的多源异构数据融合机器学习框架，首次实现了全球最大水平主应力方向的连续高精度预测，克服了传统测量方法的空间不连续与高成本局限，为工程实践与地质研究提供了创新工具。
1. 为地下工程选线（如隧道轴部设计）、油气井眼稳定性分析、碳封存盖层完整性评估提供低成本、高时效的数据支撑，尤其解决了川藏铁路等大型线性工程前期数据稀缺问题；
2. 全球S_Hmax方向分布图填补了非洲、南极洲等数据稀疏区域的应力场认知空白，为理解板块运动动力学与全球构造应力场演化提供了关键数据支撑；
3. 验证了 ViT 与注意力机制在多源地质数据融合中的有效性，为地学领域机器学习应用提供可复用框架，后续可结合断层活动、GPS 形变数据进一步提升模型对局部构造的敏感性。
原文摘要
Understanding the continuous spatial distribution of in-situ stress orientations is essential for safe and efficient underground engineering; however, traditional measurement methods are constrained by prohibitive costs and time requirements. We present a novel AI-driven framework that fuses neighborhood stress orientation patterns with topographic features through Vision Transformer (ViT) architecture and multi-layer attention mechanisms. This approach enables the first continuous, high-precision global mapping of maximum horizontal principal stress (S_Hmax) orientations. Trained and validated on 32,464 quality-controlled records, the model extracts latent spatial stress orientation patterns across diverse tectonic settings, achieving 77.4 % prediction accuracy. Validation across four tectonically distinct regions confirms the framework’s robustness, including its successful application to the Sichuan-Tibet Railway corridor where prediction errors reached as low as 1.3◦. This approach overcomes the spatial continuity and cost limitations inherent in traditional stress orientations characterization, revealing significant application prospects from infrastructure planning to fault activity prediction. Together, these results demonstrate that integrating heterogeneous geoscientific data within an artificial intelligence framework enables high-precision prediction of stress orientations, offering novel insights into the evolution of global tectonic stress fields.
译文
准确获取地应力方向的连续空间分布对地下工程的安全高效开展至关重要，但传统测量方法受限于高昂的成本与冗长的时间需求。本文提出一种新颖的人工智能驱动框架，通过视觉 Transformer（ViT）架构与多层注意力机制，实现邻域应力方向模式与地形特征的融合。该方法首次达成全球最大水平主应力（S_Hmax）方向的连续、高精度映射。基于 32464 条质量控制数据进行训练与验证后，该模型可提取不同构造背景下的潜在空间应力方向模式，预测准确率达 77.4%。在 4 个构造特征差异显著的区域开展验证，证实了该框架的稳健性，包括在川藏铁路走廊的成功应用（预测误差低至 1.3°）。该方法克服了传统地应力方向表征方法固有的空间连续性与成本局限，在基础设施规划、断层活动预测等领域展现出重大应用前景。综上，研究结果表明，在人工智能框架中整合异构地学数据可实现地应力方向的高精度预测，为理解全球构造应力场的演化提供了全新视角。
声明：本文内容由解读人员在生成式人工智能技术辅助下创作而成，相关观点仅为解读人员基于论文内容的个人分析，不代表原文作者、期刊及本公众号立场，仅供读者学术交流参考，不构成任何决策建议。论文版权归属于原作者\相应期刊\出版方，本公众号不提供任何论文全文的下载、转发、存储或分发服务，亦不鼓励任何侵犯论文版权的行为。如有版权侵权情况，请权利持有人及时与我们联系，我们将立即采取相应措施。
点击"阅读原文"查看更多