В связи с проблемами традиционных методов, такими как недостаточная точность и высокая стоимость прогнозирования при описании неоднородности подземных водоносных слоев, на основе численного моделирования и лабораторных песочных экспериментов предложена глубокая обучающая модель DL-ERT, интегрирующая механизмы физики. Эта модель использует мощные возможности обучения данных сверточной рекуррентной сети с управлением (CNN-GRU), оптимизированной с помощью остаточных сетей, а также преимущества электрорезистивной томографии (ERT), применяющей физические априорные данные. Модель сравнена с несколькими традиционными обратными моделями для оценки точности описания коэффициента проницаемости подземных водоносных слоев. Результаты показывают: (1) функция потерь при обучении и валидации быстро снижается и стремится к нулю, при этом оба процесса сходятся почти синхронно, что свидетельствует о высокой эффективности стратегии построения модели DL-ERT и ее способности быстро и эффективно извлекать признаки данных; (2) на примере одного тестового образца выполнено сравнение карт обратного коэффициента проницаемости ERT, CNN-GRU и DL-ERT, при этом обнаружено, что отдельные алгоритмы не способны одновременно точно описать зоны высокой проницаемости с обеих сторон, тогда как DL-ERT демонстрирует высокий прогнозный потенциал с точностью аппроксимации 0.906; (3) проведены лабораторные песочные эксперименты для сравнения интегрального алгоритма с традиционным методом кригинга, CNN-GRU и ERT, где значения точности аппроксимации составили соответственно 0.895, 0.707, 0.760 и 0.836. Можно видеть, что DL-ERT во многом компенсирует недостатки отдельных алгоритмов, обеспечивая от 7% до 17% улучшение точности прогнозирования по сравнению с CNN-GRU и ERT, что демонстрирует потенциал модели для инженерных применений.

коэффициент проницаемости; электрорезистивная томография; сверточная рекуррентная сеть с управлением; физические законы; обратное моделирование и прогноз