Diante dos problemas enfrentados pelos métodos tradicionais na caracterização da heterogeneidade de aquíferos subterrâneos, como precisão insuficiente e alto custo de previsão, e com base em simulações numéricas e experimentos de caixa de areia em laboratório, foi proposto um algoritmo de aprendizado profundo que integra mecanismos físicos – o modelo DL-ERT. Este modelo otimiza, por meio de redes residuais, a poderosa capacidade de aprendizagem de dados da unidade recorrente convolucional com portas (CNN-GRU) e aproveita as vantagens da tomografia de resistividade elétrica (ERT), que utiliza informações físicas a priori. Foi comparado com vários modelos tradicionais de inversão para explorar a precisão da caracterização do coeficiente de permeabilidade dos aquíferos subterrâneos. Os resultados mostram que: (1) a perda de treinamento e a perda de validação do modelo caem rapidamente e se aproximam de zero, com uma convergência quase síncrona, indicando que a estratégia de construção do modelo DL-ERT é excelente e pode aprender rapidamente e eficazmente as características dos dados; (2) usando uma amostra do conjunto de teste como exemplo, compara-se os mapas de inversão do coeficiente de permeabilidade obtidos pelo ERT, CNN-GRU e DL-ERT, constatando-se que os modelos individuais não conseguem descrever simultaneamente as áreas de alta permeabilidade nos lados esquerdo e direito, enquanto o DL-ERT mostra grande potencial preditivo nessas áreas, atingindo uma precisão de ajuste de 0,906; (3) foram realizados experimentos de caixa de areia em laboratório para comparar o algoritmo integrado com o método tradicional de interpolação por krigagem, CNN-GRU e ERT, obtendo valores de precisão de ajuste de 0,895, 0,707, 0,760 e 0,836, respectivamente. Observa-se que o DL-ERT compensa em certa medida as limitações dos algoritmos individuais, melhorando a precisão preditiva em 7% a 17% em comparação com CNN-GRU e ERT isoladamente, demonstrando o potencial do modelo para aplicações de engenharia.

coeficiente de permeabilidade; tomografia de resistividade elétrica; unidade recorrente convolucional com portas; leis físicas; inversão e previsão