饱和-非饱和渗流过程的预测在离子型稀土原地浸矿中十分重要,目前基于物理信息神经网络(Physics-informed neural network,PINN)的大尺度渗流预测研究较少。本研究基于PINN构建了适用于原地浸矿工程模拟的长时间、大尺度的神经网络预测模型。应用该模型对不同训练样本数量、不同土壤类型和不同时空尺度情况下的饱和-非饱和渗流预测进行了研究。研究结果表明,在对柱浸实验进行预测时,使用实验数据验证时拟合度为0.959,在不同数据量、不同类型土壤的训练集下的预测值与数值模拟结果相比,拟合度都达到了0.98。模型在对10 m深土柱进行预测时发现,使用0.4%的模拟数据进行训练,拟合度为0.90,使用1%的模拟数据时,拟合度上升至0.98,湿润峰时程曲线的最大误差降低至0.36%。本模型为离子型稀土原地浸矿的渗流过程预测提供了新思路和理论支撑。