従来の方法が地下水帯の不均質性を記述する際に直面する精度不足や高い予測コストの問題に対し、数値シミュレーションおよび室内砂箱実験を基に、残差ネットワークを用いて強力なデータ学習能力を持つ集積畳み込みゲート付き再帰単位（CNN-GRU）と物理的先験情報を活用する電気抵抗率層析法（ERT）の利点を最適化し、物理メカニズムを融合した深層学習アルゴリズムDL-ERTモデルを提案した。これを複数の従来型反演モデルと比較し、地下水帯の透水係数の記述精度を検討した。結果は以下の通りである：（1）モデルの訓練損失と検証損失は急速に減少しほぼゼロに近づき、両者の収束がほぼ同期していることから、DL-ERTモデルの構築戦略が優れており、データ特徴を迅速かつ効果的に学習できることを示している；（2）あるテストセットのサンプルを例に、ERT、CNN-GRUおよびDL-ERTによる透水係数の反演マップを比較したところ、単一アルゴリズムモデルは左右両側の高浸透領域を同時に重視できなかったが、DL-ERTは高浸透領域に対し大きな予測ポテンシャルを示し、そのフィット精度は0.906に達した；（3）室内砂箱実験を行い、融合アルゴリズムを従来のクリギング補間法、CNN-GRUおよびERTと比較適用し、各モデルのフィット精度はそれぞれ0.895、0.707、0.760、0.836であった。DL-ERTは単一アルゴリズムの欠点をある程度補い、単一のCNN-GRUおよびERTに比べて7%〜17%の予測精度向上をもたらし、本モデルの工学的応用の可能性を示している。

透水係数;電気抵抗率層析;畳み込みゲート付き再帰ユニット;物理法則;反演予測