Research on Prediction Method for Groundwater Permeability Coefficient Based on DL‑ERT Model

LIANG Yue; SHU Yunlin; LIU Gangqing; XU Bin; ZHAO Shuo; YANG Xiaoxia

doi:10.13409/j.cnki.jdpme.20250417002

您当前的位置：

首页 >

文章列表页 >

Research on Prediction Method for Groundwater Permeability Coefficient Based on DL‑ERT Model

更新时间：2025-12-12

- Research on Prediction Method for Groundwater Permeability Coefficient Based on DL‑ERT Model
- Journal of Disaster Prevention and Mitigation Engineering Vol. 45, Issue 5, Pages: 1032-1041(2025)
- 作者机构：
  
  1.重庆交通大学河海学院，重庆 400074
  2.重庆交通大学国家内河航道整治工程技术研究中心，重庆 400074
  3.重庆交通大学水利水运工程教育部重点实验室，重庆 400074
  4.重庆市综合交通运输研究所有限公司，重庆 401121
- 作者简介：
- 基金信息：
- DOI：10.13409/j.cnki.jdpme.20250417002
  CLC： TU411
- Received：17 April 2025，
  
  Revised：2025-06-14，
  
  Published：28 October 2025
- 稿件说明：
移动端阅览
梁越,舒云林,刘港庆等.基于DL‑ERT模型的地下水渗透系数预测方法研究[J].防灾减灾工程学报,2025,45(05):1032-1041.

LIANG Yue,SHU Yunlin,LIU Gangqing,et al.Research on Prediction Method for Groundwater Permeability Coefficient Based on DL‑ERT Model[J].Journal of Disaster Prevention and Mitigation Engineering,2025,45(05):1032-1041.
梁越,舒云林,刘港庆等.基于DL‑ERT模型的地下水渗透系数预测方法研究[J].防灾减灾工程学报,2025,45(05):1032-1041. DOI： 10.13409/j.cnki.jdpme.20250417002.

LIANG Yue,SHU Yunlin,LIU Gangqing,et al.Research on Prediction Method for Groundwater Permeability Coefficient Based on DL‑ERT Model[J].Journal of Disaster Prevention and Mitigation Engineering,2025,45(05):1032-1041. DOI： 10.13409/j.cnki.jdpme.20250417002.

摘要

针对传统方法刻画地下水含水层非均质性时面临的精度不足、预测成本高等问题，基于数值模拟和室内砂箱试验，通过残差网络优化集成卷积门控循环单元（CNN‑GRU）的强大数据学习能力和电阻率层析成像法（ERT）运用物理先验信息的优势，提出一种融合物理机理的深度学习算法—DL‑ERT模型。将其对比多个传统反演模型，探讨融合算法在地下水含水层的渗透系数刻画精度。结果表明：（1）模型的训练损失和验证损失都快速下降并趋近于零，且两者的收敛几乎同步，表明DL‑ERT模型的构建策略优秀，能快速有效的学习数据特征；（2）以某一测试集样本为例，对比ERT、CNN‑GRU和DL‑ERT对该样本的渗透系数反演云图，发现单一的算法模型均不能同时注重左右两侧的高渗区域刻画，而DL‑ERT则对高渗区域表现出极大的预测潜力，其拟合精度达到了0.906；（3）制作室内砂箱试验，将融合算法与传统的克里金插值法、CNN‑GRU以及ERT作对比运用，得到各模型的拟合精度值分别为0.895、0.707、0.760和0.836。可以发现，DL‑ERT确实在一定程度上弥补了单一算法的不足，相比于单一的CNN‑GRU和ERT，其结果的预测精度提升了7%~17%，表明了该模型在工程运用方面的潜力。

Abstract

To address the issues of insufficient accuracy and high prediction costs faced by conventional methods in characterizing the heterogeneity of groundwater aquifers

this study proposed a physics-informed deep learning algorithm—the DL-ERT model—based on numerical simulations and laboratory sandbox experiments. The model integrated the powerful data learning capability of a convolutional gated recurrent unit (CNN-GRU) optimized by residual networks with the advantage of physical prior information from electrical resistivity tomography (ERT). The DL-ERT model was compared with multiple traditional inversion models to examine the accuracy of the fusion algorithm in characterizing the permeability coefficient of groundwater aquifers. The results showed that: (1) the training and validation losses of the DL-ERT model rapidly decreased and approached zero

and their convergence was almost synchronous

indicating that the construction strategy of the DL-ERT model was excellent and that data features could be quickly and effectively learned. (2) Taking a sample from the test set as an example

the inversion cloud maps of the permeability coefficient obtained by ERT

CNN-GRU

and DL-ERT were compared. It was found that individual algorithm models could not simultaneously capture the high-permeability zones on both sides

while DL-ERT demonstrated remarkable predictive potential for high-permeability zones

achieving a fitting accuracy of 0.906. (3) Laboratory sandbox experiments were conducted

and the fusion algorithm was compared with traditional Kriging interpolation

CNN-GRU

and ERT

yielding fitting accuracies of 0.895

0.707

0.760

and 0.836

respectively. It is evident that the DL-ERT model compensates for the limitations of individual algorithms to some extent

with prediction accuracy improved by 7%-17% compared with the individual CNN-GRU and ERT models

indicating the potential of the model for engineering applications.

关键词

Keywords

references

王鑫永，王锡勇，章杨松，等 . 岩体裂隙连通路径及岩体等效渗透张量参数研究［J］. 防灾减灾工程学报， 2020 ， 40 （ 5 ）： 789 ‑ 795 .

Wang X Y ， Wang X Y ， Zhang Y S ， et al . Study on connected path of rock fracture and equivalent permeability tensor parameters of rock mass ［J］. Journal of Disaster Prevention and Mitigation Engineering ， 2020 ， 40 （ 5 ）： 789 ‑ 795 . （in Chinese）

文志杰，姜鹏飞，景所林，等 . 煤矿地下水库底板渗流模拟试验系统研制及验证［J］. 煤炭学报， 2021 ， 46 （ 5 ）： 1487 ‑ 1497 .

Wen Z J ， Jiang P F ， Jing S L ， et al . Development and verification of simulation testing system for floor seepage in coal mine underground reservoir ［J］. Journal of China Coal Society ， 2021 ， 46 （ 5 ）： 1487 ‑ 1497 . （in Chinese）

江文豪，冯晨，黄啸，等 . 缓冲层-复合隔离墙-含水层系统中有机污染物二维运移规律研究［J］. 岩土力学， 2024 ， 45 （增1 ）： 731 ‑ 741 .

Jiang W H ， Feng C ， Huang X ， et al . Two‑dimensional transport mechanisms of organic contaminants in a buffer layer‑composite cutoff wall‑aquifer system ［J］. Rock and Soil Mechanics ， 2024 ， 45 （ Sup1 ）： 731 ‑ 741 . （in Chinese）

曹渊，牛冠毅，王铁良 . 基于钻孔充气试验的岩石渗透率原位测量研究［J］. 岩土工程学报， 2017 ， 39 （ 3 ）： 534 ‑ 539 .

Cao Y ， Niu G Y ， Wang T L . In‑situ measurement of rock permeability based on pneumatic tests in boreholes ［J］. Chinese Journal of Geotechnical Engineering ， 2017 ， 39 （ 3 ）： 534 ‑ 539 . （in Chinese）

吴冰，朱鸿鹄，曹鼎峰，等 . 黄土水分场光纤原位监测及非饱和渗透系数估算［J］. 防灾减灾工程学报， 2019 ， 39 （ 5 ）： 691 ‑ 699 .

Wu B ， Zhu H H ， Cao D F ， et al . In‑situ monitoring of moisture field and estimation of unsaturated permeability coefficient of loess foundation ［J］. Journal of Disaster Prevention and Mitigation Engineering ， 2019 ， 39 （ 5 ）： 691 ‑ 699 . （in Chinese）

包孟碟，朱俊高，吴二鲁，等 . 基于级配方程的粗粒土渗透系数经验公式及其验证［J］. 岩土工程学报， 2020 ， 42 （ 8 ）： 1571 ‑ 1576 .

Bao M D ， Zhu J G ， Wu E L ， et al . Empirical formula for permeability coefficient of coarse grained soil based on gradation equation and its verification ［J］. Chinese Journal of Geotechnical Engineering ， 2020 ， 42 （ 8 ）： 1571 ‑ 1576 . （in Chinese）

蒋小虎，黄跃廷，胡海军，等 . 基于原位双环、试坑浸水试验和数值模拟反演的Q3黄土饱和渗透系数对比研究［J］. 岩土力学， 2022 ， 43 （ 11 ）： 2941 ‑ 2951 .

Jiang X H ， Huang Y T ， Hu H J ， et al . Comparison of saturated permeability coefficient of Q3 loess based on in‑situ double ring test， field water immersion test and numerical simulation inversion ［J］. Rock and Soil Mechanics ， 2022 ， 43 （ 11 ）： 2941 ‑ 2951 . （in Chinese）

Eggleston J ， Rojstaczer S . The value of grain-size hydraulic conductivity estimates： Comparison with high resolution in-situ field hydraulic conductivity ［J］. Geophysical Research Letters ， 2001 ， 28 （ 22 ）： 4255 ‑ 4258 .

Ruan K ， Fu X L . A modified Kozeny-Carman equation for predicting saturated hydraulic conductivity of compacted bentonite in confined condition ［J］. Journal of Rock Mechanics and Geotechnical Engineering ， 2022 ， 14 （ 3 ）： 984 ‑ 993 .

Vienken T ， Dietrich P . Field evaluation of methods for determining hydraulic conductivity from grain size data ［J］. Journal of Hydrology ， 2011 ， 400 （ 1‑2 ）： 58 ‑ 71 .

李治甫，康帅，王自法，等 . 基于时频变换和卷积神经网络的结构损伤识别［J］. 防灾减灾工程学报， 2023 ， 43 （ 6 ）： 1275 ‑ 1283 .

Li Z F ， Kang S ， Wang Z F ， et al . Structural damage identification based on time‑frequency transform and convolutional neural network ［J］. Journal of Disaster Prevention and Mitigation Engineering ， 2023 ， 43 （ 6 ）： 1275 ‑ 1283 . （in Chinese）

张成龙，丁世飞，郭丽丽，等 . 随机配置网络研究进展［J］. 软件学报， 2024 ， 35 （ 5 ）： 2379 ‑ 2399 .

Zhang C L ， Ding S F ， Guo L L ， et al . Research Progress on Stochastic Configuration Network ［J］. Journal of Software ， 2024 ， 35 （ 5 ）： 2379 ‑ 2399 . （in Chinese）

Srisutthiyakorn N . Deep‑learning methods for predicting permeability from 2D/3D binary‑segmented images ［C］∥ SEG technical program expanded abstracts 2016 . Tulsa ： Society of Exploration Geophysicists ， 2016 ： 3042 ‑ 3046 .

Zhong Z ， Carr T R ， Wu X ， et al . Application of a convolutional neural network in permeability prediction： A case study in the Jacksonburg‑Stringtown oil field， West Virginia， USA ［J］. Geophysics ， 2019 ， 84 （ 6 ）： B363 ‑ B373 .

Tian Y ， Wang G ， Li H ， et al . A novel deep learning method based on 2‑D CNNs and GRUs for permeability prediction of tight sandstone ［J］. Geoenergy Science and Engineering ， 2024 ， 238 ： 212851 .

Alao O J ， Lawal M K ， Dewu M B B ， et al . Detection of shallow underground targets using electrical resistivity tomography and the implications in civil/environmental engineering ［J］. Discover Geoscience ， 2024 ， 2 （ 1 ）： 52 ‑ 52 .

盛丰，文鼎，熊祎玮，等 . 基于电阻率层析成像技术的农田土壤优先流原位动态监测［J］. 农业工程学报， 2021 ， 37 （ 8 ）： 117 ‑ 124 .

Sheng F ， Wen D ， Xiong Y W ， et al . In‑situ monitoring of preferential soil water flow with electrical resistivity tomography technology ［J］. Transactions of the Chinese Society of Agricultural Engineering （Transactions of the CSAE）， 2021 ， 37 （ 8 ）： 117 ‑ 124 . （in Chinese）

Perdomo S ， Kruse E E ， Ainchil J E . Estimation of hydraulic parameters using electrical resistivity tomography （ERT） and empirical laws in a semi‐confined aquifer ［J］. Near Surface Geophysics ， 2018 ， 16 （ 6 ）： 627 ‑ 641 .

González J A M ， Comte J C ， Legchenko A ， et al . Quantification of groundwater storage heterogeneity in weathered/fractured basement rock aquifers using electrical resistivity tomography： Sensitivity and uncertainty associated with petrophysical modelling ［J］. Journal of Hydrology ， 2021 ， 593 ： 125637 .

刘征宇，庞永昊，王传武，等 . 基于不完整边界先验信息的跨孔电阻率CT反演方法研究［J］. 岩土工程学报， 2019 ， 41 （ 6 ）： 1124 ‑ 1132 .

Liu Z Y ， Pang Y H ， Wang C W ， et al . Cross‑hole resistivity inversion method constrained by prior information of incomplete boundary ［J］. Chinese Journal of Geotechnical Engineering ， 2019 ， 41 （ 6 ）： 1124 ‑ 1132 . （in Chinese）

刘征宇，李术才，刘斌，等 . 基于距离加权约束算法的围岩三维电阻率CT反演成像研究［J］. 岩土工程学报， 2017 ， 39 （ 4 ）： 652 ‑ 661 .

Liu Z Y ， Li S C ， Liu B ， et al . 3D cross‑hole resistivity inversion imaging of surrounding rock based on distance weighting constraint algorithm ［J］. Chinese Journal of Geotechnical Engineering ， 2017 ， 39 （ 4 ）： 652 ‑ 661 . （in Chinese）

Liu X ， Shen J ， Yang M ， et al . Subsurface characterization of a construction site in Nanjing， China using ERT and CPTU methods ［J］. Engineering Geology ， 2022 ， 299 ： 106563 .

Cromwell E ， Shuai P ， Jiang P ， et al . Estimating watershed subsurface permeability from stream discharge data using deep neural networks ［J］. Frontiers in Earth Science ， 2021 ， 9 ： 613011 .

Hou X ， Hu R ， Yeh T C J ， et al . A short‐term pumping strategy for hydraulic tomography based on the successive linear estimator ［J］. Water Resources Research ， 2023 ， 59 （ 4 ）： e2022WR033831 .

慎国强，朱磊，王希萍，等 . 投影卷积神经网络固、液相钾盐矿层预测［J］. 地质学报， 2024 ， 98 （ 10 ）： 2946 ‑ 2955 .

Shen G Q ， Zhu L ， Wang X P ， et al . Prediction of solid and liquid phase potash reservoirs with projected convolutional neural network ［J］. Acta Geologica Sinica ， 2024 ， 98 （ 10 ）： 2946 ‑ 2955 . （in Chinese）

丁莹莹，尹尚先，连会青，等 . 基于SSA‑CG‑Attention模型的多因素采煤工作面涌水量预测［J］. 煤田地质与勘探， 2024 ， 52 （ 4 ）： 111 - 119 .

Ding Y Y ， Yin S X ， Lian H Q ， et al . Prediction of mine water inflow along mining faces using the SSA‑CG‑Attention multifactor model ［J］. Coal Geology & Exploration ， 2024 ， 52 （ 4 ）： 111 ‑ 119 . （in Chinese）

Zhang G ， Wang Z ， Mohaghegh S ， et al . Pattern visualization and understanding of machine learning models for permeability prediction in tight sandstone reservoirs ［J］. Journal of Petroleum Science and Engineering ， 2021 ， 200 ： 108142 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Study on Internal Erosion Mechanism of Gap‑Graded Granular Soil under Constant Confining Pressure

Experimental Study on Adsorption Property of PBFC Anti⁃seepage Slurry in Landfill

Experimental Study on Roll⁃resistance Performance of GCL for Subgrade Engineering

Study on the Influence of Morphology of Rock Mass Fracture Surface on Its Seepage Characteristics

Study on Connected Path of Rock Fracture and Equivalent Permeability Tensor Parameters of Rock Mass

Related Author

Dai Lei

XU Bin

YANG Niuhu

LUO Anzhi

LIANG Yue

Weicheng SHI

Xiongwei LI

Shujin LI

Related Institution

School of River and Ocean Engineering, Chongqing Jiaotong University

Key Laboratory of Hydraulic and Waterway Engineering of the Ministry of Education, Chongqing Jiaotong University

Powerchina Guiyang Engineering Corporation Limited

School of Civil Engineering and Architecture , Changzhou Institute of Technology

Institute of Geotechnical Engineering, Southeast University

⁰