论文部分内容阅读
电阻率探测(Electrical Resistivity Survey,ERS)是常用的工程地球物理探测技术，以其适用范围广、勘探效率高、经济成本低、作业方便灵活的优势，被广泛应用于公路铁路交通工程沿线地质勘查和路基病害检测、水利水电工程堤防和坝址缺陷隐患探查、城市地下空间透明探测、隧道与地下工程不良地质超前预报等领域，在国家基础设施建设方面发挥了重要作用。
电阻率探测反问题通过观测地下空间视电阻率数据重建地下电阻率分布模型，是实现地下电阻率异常体形态刻画和空间定位的主要手段。目前通常采用的线性反演方法存在依赖初始模型，易陷入局部最优，反演精度不足等问题。针对上述问题，着眼于当前飞速发展的人工智能算法，从电阻率反演的非线性本质出发，本文提出了基于深度学习方法的智能反演解决方案，采用理论分析、数值计算与现场试验等方法开展研究，从深度学习方法求解电阻率数据反问题的可行性着手，设计了电阻率深度学习反演网络ERSInvNet，在此基础上，针对网络输出模糊性、反演精度低和假异常多等问题，重点开展了基于先验约束的电阻率深度学习方法研究，构建了基于层位特征图像先验的输入约束，基于深度加权函数先验的损失函数数据项约束和基于光滑惩罚先验的正则化约束。最后，将其引入地表探测和隧道超前预报领域，分别开展了深度学习反演的数值试验、模型试验和现场试验。
本文的主要研究工作及成果如下:
(1)利用深度学习反演方法解决电阻率反问题的可行性和实现方法研究。本文分析了深度学习用于电阻率数据反演的适用性，讨论了模型电阻率异常区和视电阻率剖面中异常特征的空间对应关系，提出了基于深度卷积网络的电阻率深度学习反演思路并设计了电阻率深度学习反演网络ERSInvNet，为建立输入(视电阻率数据)到输出(电阻率模型参数)的端对端映射关系，为实现深度学习反演奠定了基础。
(2)基于先验信息的电阻率数据深度学习反演方法。针对ERSInvNet输出模糊问题、反演精度低和假异常多等问题，提出了深度学习反演中施加有效先验信息约束的解决思路。构建了层位特征图像先验输入构造，改善了电阻率数据深度变化特性给具有权值共享属性的ERSInvN创造成的网络输出模糊性问题;提出了深度加权函数先验约束构造，解决了电阻率异常区域反演精度和深部异常体反演效果问题;构造了光滑惩罚先验约束，解决了反演结果中假异常严重问题，进而建立了基于先验信息的电阻率深度学习反演方法。与传统线性最小二乘反演方法对比，ERSInvNet反演成像对电阻率异常区域表现出更准确的定位，形态刻画和电阻率值反演效果，显著提高了反演精度和准确性。此外，提出基于迁移学习的观测数据域迁移方法，为现场实测数据的反演解释奠定基础。
(3)地表电阻率探测深度学习反演实现与验证。在基于先验信息的电阻率数据深度学习反演方法基础上，实现地表ERT深度学习反演成像并进行现场试验。进一步将深度学习反演方法引入地表跨孔ERT探测场景并进行针对性改进，提出了施加全局特征向量先验信息的电位差预处理输入数据重组策略，构造了中间距离加权先验约束数据项，设计了跨孔ERT深度学习反演网络ERSInvNet-C，实现了跨孔ERT深度学习反演成像并进行物理模型试验验证。
(4)隧道电阻率超前探测深度学习反演实现与验证。采用基于比较模型分辨率矩阵方法对隧道聚焦测深观测装置进行优化，在此基础上，建立隧道电阻率深度学习反演数据集ERSDSet-T，设计了基于全连接重建三维特征，卷积输出电阻率模型的隧道电阻率反演网络ERSInvNet-T，最后通过数值模拟和现场试验验证了隧道电阻率深度学习反演方法的有效性。
电阻率探测反问题通过观测地下空间视电阻率数据重建地下电阻率分布模型，是实现地下电阻率异常体形态刻画和空间定位的主要手段。目前通常采用的线性反演方法存在依赖初始模型，易陷入局部最优，反演精度不足等问题。针对上述问题，着眼于当前飞速发展的人工智能算法，从电阻率反演的非线性本质出发，本文提出了基于深度学习方法的智能反演解决方案，采用理论分析、数值计算与现场试验等方法开展研究，从深度学习方法求解电阻率数据反问题的可行性着手，设计了电阻率深度学习反演网络ERSInvNet，在此基础上，针对网络输出模糊性、反演精度低和假异常多等问题，重点开展了基于先验约束的电阻率深度学习方法研究，构建了基于层位特征图像先验的输入约束，基于深度加权函数先验的损失函数数据项约束和基于光滑惩罚先验的正则化约束。最后，将其引入地表探测和隧道超前预报领域，分别开展了深度学习反演的数值试验、模型试验和现场试验。
本文的主要研究工作及成果如下:
(1)利用深度学习反演方法解决电阻率反问题的可行性和实现方法研究。本文分析了深度学习用于电阻率数据反演的适用性，讨论了模型电阻率异常区和视电阻率剖面中异常特征的空间对应关系，提出了基于深度卷积网络的电阻率深度学习反演思路并设计了电阻率深度学习反演网络ERSInvNet，为建立输入(视电阻率数据)到输出(电阻率模型参数)的端对端映射关系，为实现深度学习反演奠定了基础。
(2)基于先验信息的电阻率数据深度学习反演方法。针对ERSInvNet输出模糊问题、反演精度低和假异常多等问题，提出了深度学习反演中施加有效先验信息约束的解决思路。构建了层位特征图像先验输入构造，改善了电阻率数据深度变化特性给具有权值共享属性的ERSInvN创造成的网络输出模糊性问题;提出了深度加权函数先验约束构造，解决了电阻率异常区域反演精度和深部异常体反演效果问题;构造了光滑惩罚先验约束，解决了反演结果中假异常严重问题，进而建立了基于先验信息的电阻率深度学习反演方法。与传统线性最小二乘反演方法对比，ERSInvNet反演成像对电阻率异常区域表现出更准确的定位，形态刻画和电阻率值反演效果，显著提高了反演精度和准确性。此外，提出基于迁移学习的观测数据域迁移方法，为现场实测数据的反演解释奠定基础。
(3)地表电阻率探测深度学习反演实现与验证。在基于先验信息的电阻率数据深度学习反演方法基础上，实现地表ERT深度学习反演成像并进行现场试验。进一步将深度学习反演方法引入地表跨孔ERT探测场景并进行针对性改进，提出了施加全局特征向量先验信息的电位差预处理输入数据重组策略，构造了中间距离加权先验约束数据项，设计了跨孔ERT深度学习反演网络ERSInvNet-C，实现了跨孔ERT深度学习反演成像并进行物理模型试验验证。
(4)隧道电阻率超前探测深度学习反演实现与验证。采用基于比较模型分辨率矩阵方法对隧道聚焦测深观测装置进行优化，在此基础上，建立隧道电阻率深度学习反演数据集ERSDSet-T，设计了基于全连接重建三维特征，卷积输出电阻率模型的隧道电阻率反演网络ERSInvNet-T，最后通过数值模拟和现场试验验证了隧道电阻率深度学习反演方法的有效性。