Angesichts der Probleme traditioneller Methoden bei der Charakterisierung der Heterogenität von Grundwasser-Aquiferen, wie unzureichende Genauigkeit und hohe Vorhersagekosten, wurde basierend auf numerischen Simulationen und Laborsandkastenversuchen ein tiefenlernendes Modell DL-ERT vorgeschlagen, das physikalische Mechanismen integriert. Dieses Modell optimiert mittels Residualnetzwerken die starke Datenlernkapazität von CNN-GRU (Convolutional Gated Recurrent Unit) und nutzt die Vorteile der elektrischen Widerstandstomographie (ERT), welche physikalisches Vorwissen einsetzt. Es wurde mit mehreren traditionellen Inversionsmodellen verglichen, um die Genauigkeit der Darstellung des Durchlässigkeitskoeffizienten in Grundwasser-Aquiferen zu untersuchen. Die Ergebnisse zeigen: (1) Der Trainings- und Validierungsverlust des Modells sinkt schnell und nähert sich null, mit nahezu synchroner Konvergenz, was auf eine hervorragende Konstruktionsstrategie des DL-ERT-Modells hinweist, das Datenmerkmale schnell und effektiv erlernen kann; (2) Anhand einer Testprobe wurde ein Vergleich der Inversionskarten des Durchlässigkeitskoeffizienten von ERT, CNN-GRU und DL-ERT durchgeführt. Es wurde festgestellt, dass einzelne Algorithmen nicht gleichzeitig die hochdurchlässigen Bereiche auf beiden Seiten erfassen können, während DL-ERT ein großes Vorhersagepotenzial für diese Bereiche zeigt, mit einer Anpassungsgenauigkeit von 0,906; (3) Laborsandkastenversuche wurden durchgeführt, um den Fusionierungsalgorithmus mit der traditionellen Kriging-Interpolation, CNN-GRU und ERT zu vergleichen. Die Anpassungsgenauigkeiten der einzelnen Modelle betrugen jeweils 0,895, 0,707, 0,760 und 0,836. Es zeigt sich, dass DL-ERT die Schwächen einzelner Algorithmen teilweise kompensiert und im Vergleich zu CNN-GRU und ERT eine Verbesserung der Vorhersagegenauigkeit von 7 % bis 17 % erzielt, was das Potenzial des Modells für ingenieurtechnische Anwendungen belegt.

Durchlässigkeitskoeffizient; elektrische Widerstandstomographie; konvolutionale Gated Recurrent Unit; physikalische Gesetze; Inversion und Vorhersage