煤與瓦斯突出是指在隧道挖掘過程中瓦斯和煤的動態劇烈噴發，是地下工程中最具破壞性的危險之一，對人員安全和項目經濟可行性構成嚴重威脅（Lei等人，2025；李勇等人，2025；王等人，2022）。隨著挖掘深度的增加，地質條件和瓦斯發生情況的惡化，這些突發的突發性和破壞強度持續增強（劉濤等人，2023；尹山等人，2024；唐等人，2022；張曉等人，2022）。由于這一復雜系統的高度非線性，傳統的靜態評估方法難以捕捉災難演變的瞬態和變化特征，導致早期預警系統存在時間延遲和僅依賴被動防御機制的局限性（Agrawal等人，2023；張等人，2024）。因此，迫切需要建立一個能夠深度整合實時監測風險特征和傳統指標的瓦斯突出安全態勢感知模型。這樣的模型對于實現向主動態勢感知的轉變至關重要，從而滿足在復雜深地環境中進行主動預防和控制的需求。

在煤層隧道挖掘過程中，廣泛使用切屑解吸指數、氣體壓力和切屑量等指標來表征前方煤體的瓦斯發生情況、地質結構和物理參數（郭等人，2026；紀等人，2023；舒等人，2023；張剛等人，2022）。雖然基于這些指標的傳統臨界值方法可以部分識別突出風險，但測量過程耗時且勞動強度大。因此，這些方法阻礙了動態風險評估，無法捕捉挖掘過程中突出災害的時間演變規律（郭等人，2024；王等人，2020；王等人，2024；張凱等人，2020；張等人，2023）。最近，監測技術的進步促進了動態預警方法的發展。利用非接觸式技術，如聲發射（AE）、電磁輻射（EMR）和微地震信號，這些方法實現了連續監測和動態評估（任等人，2025；芮等人，2024；舒等人，2022；岳等人，2025）。然而，干擾信號的區分仍然是一個持續存在的挑戰，往往導致預警結果受到環境噪聲的影響而非實際危險的前兆（陳等人，2024；Kursunoglu和Onder，2019；李等人，2023）。

相比之下，氣體濃度監測數據包含了更豐富的潛在預警信息。研究人員廣泛分析了氣體濃度序列的統計、分形和混沌特征，以提取突出的預警信號（陳等人，2025；劉炳龍等人，2024；劉曉等人，2023；宋等人，2019）。同時，機器學習和神經網絡框架被用于預測氣體濃度，以促進主動預警（Akda?和Fi?ne，2023；張勇等人，2020）。然而，盡管在災害評估和預警技術方面取得了顯著進展，但仍存在一些關鍵挑戰。首先，傳統靜態指標與實時監測數據的整合不足，導致綜合風險信息利用不足。其次，傳統的機器學習和神經網絡模型嚴重依賴大規模標記數據集，這與實際風險樣本的稀缺性相矛盾。最后，氣體濃度動態的高度非線性往往導致長期預測的準確性不佳，從而限制了這些方法在實地應用中的效果。

為了解決這些挑戰，預訓練的大型語言模型（Pre-LLMs）提供了一個新的視角。從根本上說，LLMs是在大規模語料庫上訓練的基礎模型，在自然語言處理任務中表現出色，同時具備預測建模所需的復雜推理和上下文識別能力（李宏等人，2025；林等人，2024；趙等人，2024）。重要的是，LLMs的核心架構可以無需大量重新訓練即可適應預測任務。研究人員已經進行了大量研究，將時間序列數據與LLMs架構對齊，使其在醫學、交通和材料科學等多個領域得到廣泛應用（Atangana Njock等人，2025；Moon等人，2025；徐和劉，2025）。這一范式為解決煤礦瓦斯分析中的關鍵瓶頸提供了有希望的新途徑，特別是風險樣本的稀缺性和長期預測的不足。此外，LLMs處理多模態知識的能力（涵蓋文本、語言和圖像）引起了研究界的廣泛關注。通過利用這種知識來對齊多模態數據，這些模型促進了不同數據類型的整合，從而解決了多源異構數據融合的傳統難題（Chan等人，2025；金等人，2024；林等人，2025；劉晨等人，2025）。然而，將通用LLMs的語言能力成功應用于瓦斯災害預防特定領域，需要克服時間序列數據的語義對齊和異構輸入融合的挑戰。具體來說，連續的氣體時間序列數據缺乏語義上下文，這意味著直接輸入無法充分激活LLMs的推理潛力。相反，用于突出預測的關鍵傳統指標是低頻數據，具有時空不對齊的特點。因此，需要一個強大的融合機制來保持這些靜態指標在模型中的物理約束效果。

本文提出了STime-LLMs，這是一個多模態瓦斯突出安全態勢感知框架，它將SHAP提示技術與Pre-LLMs相結合。首先，我們使用SHAP方法從時間序列數據中提取關鍵特征，生成描述性文本提示。同時，利用補丁重編程技術將連續的時間序列切片映射到預訓練模型可理解的文本嵌入中，實現時間特征和語言語義之間的深度對齊。然后，利用Pre-LLMs的強大跨領域推理能力，預測氣體濃度和風速監測數據的長期演變趨勢。同時，指定的池化和門控機制將低頻靜態指標（如鉆屑量和地質結構）作為物理約束嵌入到評估和預測過程中，從而減輕單一來源數據中的潛在偏差。最后，在態勢感知層中，我們構建了一個基于模糊邏輯的決策模型。該模型對LLM生成的動態預測和傳統靜態指標進行決策級融合。通過計算這些多維指標的隸屬度，該框架實現了對瓦斯突出安全狀況的定量評估。

本文的主要貢獻如下：首先，我們提出了一種基于Pre-LLMs的長期瓦斯突出預測新范式，在樣本量小和非線性條件下顯著提高了氣體濃度預測的魯棒性和泛化能力；其次，我們設計了一種利用SHAP文本提示和門控機制的多模態語義對齊方法，有效解決了連續時間序列數據與離散文本知識之間的語義對齊問題，同時整合了靜態指標；最后，我們構建了一個瓦斯突出安全態勢感知模型，通過模糊邏輯將LLMs的動態預測輸出與靜態地質指標深度整合，實現了從被動監測到主動態勢感知的轉變，為深隧道中的災害預防和控制提供了有效方法。

實時氣體濃度監測數據是評估瓦斯突出風險的基本指標，因為這類災害的前兆階段總是伴隨著氣體濃度的異常波動。因此，本研究采用特征挖掘和分析技術從這些數據中提取顯著的預警特征。通過系統地分析四個不同維度的實時監測數據，包括分布、趨勢、峰值等

總之，本研究在結構化建模框架內利用SHAP分析從時間序列數據中提取強相關的時變特征信息。通過雙模態框架的文本分析模塊，我們為時間序列輸入提供了上下文背景和關鍵局部特征信息。此外，時間序列數據經過重新編程，生成與Pre-LLMs兼容的數據表示，而SHAP衍生的文本信息則

在本研究中，我們使用Pre-LLM BERT，將訓練和驗證限制在補丁重編程、時間序列數據和SHAP文本提示的雙模態融合以及態勢評估上。與STime-LLMs的完整參數微調相比，我們的方法只需要少量的時間序列數據和15個訓練周期即可完成模型訓練。訓練過程中建立的參數配置詳見表3

本文提出了STime-LLMs，這是一種能夠將深隧道實時監測數據與文本特征和靜態指標整合的多模態模型。該框架代表了隧道挖掘過程中瓦斯突出安全態勢感知（評估和預測）基礎模型的重大方法論進步。具體結論如下：

1.

通過引入文本語義表示來增強道路監測數據的利用

田赫：方法論。尹山：形式分析。張朝陽：形式分析。王恩遠：可視化、驗證。李中華：寫作——審閱與編輯、監督。劉炳龍：寫作——審閱與編輯、原始草稿、方法論。

作者聲明他們沒有已知的財務利益或個人關系可能影響本文所述的工作。

本研究得到了中國國家重點研發計劃（2022YFC3004705）、貴州省科技規劃項目（編號[2023] General 279）和江蘇省科技計劃專項基金（BM2022013）的支持