Debido a los problemas de métodos tradicionales para caracterizar la heterogeneidad de acuíferos subterráneos, como la insuficiente precisión y los altos costes de predicción, y basándose en simulaciones numéricas y ensayos de caja de arena en laboratorio, se propone un algoritmo de aprendizaje profundo que integra mecanismos físicos: el modelo DL-ERT. Este método optimiza con redes residuales la poderosa capacidad de aprendizaje de datos de la unidad recurrente convolucional con puertas (CNN-GRU) y aprovecha la ventaja de la tomografía de resistividad eléctrica (ERT) que utiliza información a priori física. Se compara con varios modelos tradicionales de inversión para examinar la precisión de caracterización del coeficiente de permeabilidad en acuíferos subterráneos. Los resultados muestran: (1) la pérdida de entrenamiento y validación del modelo disminuye rápidamente hasta acercarse a cero, con convergencia casi simultánea, demostrando que la estrategia de construcción del modelo DL-ERT es excelente y puede aprender eficazmente las características de los datos; (2) utilizando una muestra del conjunto de prueba, se comparan los mapas de inversión del coeficiente de permeabilidad de ERT, CNN-GRU y DL-ERT. Se encuentra que los modelos individuales no pueden caracterizar simultáneamente las zonas de alta permeabilidad en ambos lados, mientras que DL-ERT muestra gran potencial predictivo en estas áreas con un ajuste de precisión de 0.906; (3) se realizan experimentos en caja de arena en laboratorio para comparar el algoritmo fusionado con el método tradicional de interpolación de Kriging, CNN-GRU y ERT, obteniendo valores de ajuste de precisión de 0.895, 0.707, 0.760 y 0.836, respectivamente. Se observa que DL-ERT compensa en cierta medida las deficiencias de los algoritmos individuales, mejorando la precisión predictiva entre un 7% y un 17% en comparación con CNN-GRU y ERT, evidenciando el potencial del modelo para aplicaciones de ingeniería.

coeficiente de permeabilidad; tomografía de resistividad eléctrica; unidad recurrente convolucional con puertas; leyes físicas; inversión y predicción