在采空区治理工程中，煤矸石、粉煤灰注浆技术是实现绿色填充与地质稳定的关键手段。注浆过程中，注入速率、注入压力等参数的动态变化直接反映了采空区内部的填充状态，其精准调控对工程效率与安全至关重要。传统注浆参数预测多依赖经验公式或数值模拟，难以实时响应复杂地质条件下的非线性变化，而卷积神经网络（CNN）凭借对时序数据和空间特征的强大捕捉能力，为注浆过程模拟提供了全新解决方案。

        采空区注浆数据具有显著的时空关联性：注入压力的瞬时波动不仅与当前注入速率相关，还受前期浆液扩散路径、孔隙封堵状态等历史信息影响。CNN 通过多层卷积核的滑动计算，可自动提取数据中的局部特征与全局关联，例如将连续采集的注入速率序列转化为压力变化的空间特征图谱，再通过池化层压缩冗余信息，最终通过全连接层输出压力模拟结果。这种数据驱动的建模方式，无需预设地质参数的解析表达式，能直接从现场记录的海量数据中学习潜在规律。

        模型构建需经过三个核心环节：首先是数据预处理，对原始注入速率、压力数据进行归一化处理，消除量纲差异，并通过滑动窗口法生成样本集 —— 每个样本包含前 60 秒的速率序列与对应压力序列，确保时序特征的完整性；其次是网络结构优化，采用 3 层卷积层与 2 层池化层的组合架构，第一层卷积核捕捉高频压力波动，深层卷积核提取长期趋势特征，同时引入 Dropout 层防止过拟合；最后是迁移学习训练，利用相似地质条件下的历史工程数据预训练模型，再结合当前采空区的钻孔数据进行微调，使模型快速适应新场景。

        模拟结果的工程价值体现在两个维度：在实时指导方面，当模型预测压力将超过安全阈值时，可自动调控注浆泵降低速率，避免采空区顶板受力突变引发坍塌；在单孔体积评价上，通过分析压力曲线的稳定阶段长度，结合浆液扩散系数，能精确计算单孔可注入的最大体积。例如，当模拟压力在连续 30 分钟内保持稳定且低于预警值时，该孔的有效填充体积可提升 15%-20%，显著减少重复注浆次数。

        实际应用表明，基于 CNN 的注浆模拟系统将压力预测误差控制在 8% 以内，单孔施工效率提升 25% 以上。该技术不仅实现了采空区填充的智能化管控，更通过精准的体积评价为煤矸石、粉煤灰的资源化利用提供了量化依据，为矿山生态修复与安全生产开辟了新路径。