Face aux problèmes rencontrés par les méthodes traditionnelles dans la description de l'hétérogénéité des aquifères souterrains, tels que la précision insuffisante et le coût élevé des prévisions, une méthode basée sur la simulation numérique et les essais en bac à sable en laboratoire est proposée. Cette méthode utilise un réseau résiduel pour optimiser l'intégration des capacités puissantes d'apprentissage des données du CNN-GRU (convolutionnel-gated recurrent unit) et les avantages de la tomographie de résistivité électrique (ERT) exploitant les informations a priori physiques, aboutissant à un algorithme d'apprentissage profond fusionnant la mécanique physique – le modèle DL-ERT. Comparé à plusieurs modèles d'inversion traditionnels, l’algorithme fusionné est étudié pour la précision de la caractérisation du coefficient de perméabilité des aquifères. Les résultats montrent : (1) la perte d'entraînement et la perte de validation du modèle diminuent rapidement et tendent vers zéro, avec une convergence presque synchrone, indiquant que la stratégie de construction du modèle DL-ERT est excellente et permet d'apprendre efficacement et rapidement les caractéristiques des données ; (2) avec un exemple d’échantillon du jeu de test, la comparaison des cartes d'inversion du coefficient de perméabilité obtenues par ERT, CNN-GRU et DL-ERT montre que les modèles simples ne parviennent pas à caractériser simultanément les zones à haute perméabilité des côtés gauche et droit, tandis que DL-ERT démontre un grand potentiel prédictif pour ces zones, avec une précision de fit de 0,906 ; (3) des essais en bac à sable en laboratoire ont été réalisés pour comparer l’algorithme fusionné avec la méthode traditionnelle d’interpolation Krigeage, CNN-GRU et ERT, avec des précisions de fit respectives de 0,895, 0,707, 0,760 et 0,836. Il est évident que DL-ERT compense dans une certaine mesure les insuffisances des algorithmes simples, améliorant la précision de prédiction de 7% à 17% par rapport à CNN-GRU et ERT seuls, ce qui démontre le potentiel du modèle pour les applications d’ingénierie.

coefficient de perméabilité; tomographie de résistivité électrique; unité récurrente convolutive à portes; lois physiques; inversion et prédiction