전통적인 방법들이 지하수 대수층의 불균질성을 묘사할 때 정확도 부족과 높은 예측 비용 등의 문제에 직면함에 따라, 수치 시뮬레이션과 실내 모래상자 실험을 기반으로 잔차 네트워크를 통해 강력한 데이터 학습 능력을 가진 CNN-GRU와 물리적 선험 정보를 활용하는 전기저항층析(ERT)의 장점을 최적화하여 물리적 메커니즘을 융합한 딥러닝 알고리즘인 DL-ERT 모델을 제안하였다. 이를 여러 전통적 역산 모델과 비교하여 지하수 대수층 투과계수 묘사 정확도를 탐구하였다. 결과는 다음과 같다: (1) 모델의 학습 손실과 검증 손실 모두 빠르게 감소하며 0에 근접하고, 두 손실의 수렴이 거의 동시에 이루어져 DL-ERT 모델 구축 전략이 우수하며 데이터 특징을 빠르고 효과적으로 학습할 수 있음을 나타낸다; (2) 특정 테스트 집합 샘플을 예로 들어 ERT, CNN-GRU 및 DL-ERT의 해당 샘플에 대한 투과계수 역산 구름도를 비교하였을 때, 단일 알고리즘 모델은 좌우 양측의 고투과 영역을 동시에 중시할 수 없으나 DL-ERT는 고투과 영역에 대해 매우 큰 예측 잠재력을 보이며 적합도 정확도는 0.906에 달했다; (3) 실내 모래상자 실험을 통해 융합 알고리즘과 전통적인 크리깅 보간법, CNN-GRU, ERT를 비교 적용하였으며 각 모델의 적합도 정확도 값은 각각 0.895, 0.707, 0.760, 0.836으로 나타났다. DL-ERT는 단일 알고리즘의 부족한 점을 일정 부분 보완하였으며 단일 CNN-GRU 및 ERT 대비 7~17%의 예측 정확도 향상을 보여 해당 모델이 공학적 응용에 잠재력이 있음을 나타낸다.

투과계수; 전기저항층析; 합성 순환 유닛; 물리 법칙; 역산 및 예측