矿井冲击地压是煤矿深部开采中的世界性难题，具有突发性、破坏性强等特点，严重威胁煤矿安全生产。西部矿区是我国能源生产的重要基地，复杂资源禀赋环境与安全高效规模化生产的双重挑战下，长期承受冲击地压等动力灾害的潜在威胁。传统的冲击地压预警手段在数据全面性、准确性和实时性等方面有待加强，创新突破迫在眉睫。
西安科技大学“全国高校黄大年式教师团队”通过多学科交叉融合与技术创新，在灾变机理研究、智能监测方法和工程应用方面取得突破进展，成功地将DeepSeek大语言模型等人工智能技术引入冲击地压智能预测研究领域，构建了Temporal Fusion Transformers神经网络模型，研发了矿井冲击地压多变量智能预报方法，实现了b值、能量指数、累积视体积和施密特数等4个关键参数表征预测，形成了冲击地压发生多维度预测预报指标体系及的预警云平台，云平台融合海量地质、开采和微震等多源异构数据，利用深度神经网络强大的非线性处理能力和DeepSeek大语言模型的强大推理能力，实时更新预警参数、超前预警冲击地压，推动了矿井安全监测从传统经验判断向数据驱动、智能决策的范式转换，突破了冲击地压预警向“云-边-端”协同的智能化体系更迭，为冲击地压精准调控提供理论基础。
目前，团队正着手解决预警系统的自适应学习能力问题，深度融合DeepSeek大需要模型，打造"感知-分析-决策-执行"的冲击地压预警大模型，该模型将具备更强的时空预测精度和结构化参数自适应优化能力，进一步提升冲击地压监测预警的水平，推动预警技术向“精准化、自适应、全透明”方向发展，实现冲击地压预警从“静态分析—动态推演—主动防控”的跨越。
