基于DL‑ERT模型的地下水渗透系数预测方法研究

梁越; 舒云林; 刘港庆; 许彬; 赵硕; 杨晓霞

doi:10.13409/j.cnki.jdpme.20250417002

您当前的位置：

首页 >

文章列表页 >

基于DL‑ERT模型的地下水渗透系数预测方法研究

“防灾减灾工程高性能计算方法（HPC）”专题 | 更新时间：2025-12-12

- 基于DL‑ERT模型的地下水渗透系数预测方法研究
- Research on Prediction Method for Groundwater Permeability Coefficient Based on DL‑ERT Model
- 防灾减灾工程学报 2025年45卷第5期页码：1032-1041
- 作者机构：
  
  1.重庆交通大学河海学院，重庆 400074
  2.重庆交通大学国家内河航道整治工程技术研究中心，重庆 400074
  3.重庆交通大学水利水运工程教育部重点实验室，重庆 400074
  4.重庆市综合交通运输研究所有限公司，重庆 401121
- 作者简介：
  
  梁越(1985—)，男，教授，博士。主要从事水利工程灾害形成机理及防治方面的研究。E‑mail：liangyue2560@163.com
  舒云林（2001—），男，硕士研究生。主要从事水工建筑物健康智能诊断研究。E‑mail：syl110427@163.com
- 基金信息：
  
  国家自然科学基金面上项目(52379097);广西科技计划项目(桂科AA23062023);重庆市水利科技重点项目(CQSLK‑2024005);重庆市研究生联合培养基地建设项目(JDLHPYJD2021004);重庆交通大学研究生科研创新项目(2024S0049)
- DOI：10.13409/j.cnki.jdpme.20250417002
  中图分类号： TU411
- 收稿：2025-04-17，
  
  修回：2025-06-14，
  
  纸质出版：2025-10-28
- 稿件说明：
移动端阅览
梁越,舒云林,刘港庆等.基于DL‑ERT模型的地下水渗透系数预测方法研究[J].防灾减灾工程学报,2025,45(05):1032-1041.

LIANG Yue,SHU Yunlin,LIU Gangqing,et al.Research on Prediction Method for Groundwater Permeability Coefficient Based on DL‑ERT Model[J].Journal of Disaster Prevention and Mitigation Engineering,2025,45(05):1032-1041.
梁越,舒云林,刘港庆等.基于DL‑ERT模型的地下水渗透系数预测方法研究[J].防灾减灾工程学报,2025,45(05):1032-1041. DOI： 10.13409/j.cnki.jdpme.20250417002.

LIANG Yue,SHU Yunlin,LIU Gangqing,et al.Research on Prediction Method for Groundwater Permeability Coefficient Based on DL‑ERT Model[J].Journal of Disaster Prevention and Mitigation Engineering,2025,45(05):1032-1041. DOI： 10.13409/j.cnki.jdpme.20250417002.

摘要

针对传统方法刻画地下水含水层非均质性时面临的精度不足、预测成本高等问题，基于数值模拟和室内砂箱试验，通过残差网络优化集成卷积门控循环单元（CNN‑GRU）的强大数据学习能力和电阻率层析成像法（ERT）运用物理先验信息的优势，提出一种融合物理机理的深度学习算法—DL‑ERT模型。将其对比多个传统反演模型，探讨融合算法在地下水含水层的渗透系数刻画精度。结果表明：（1）模型的训练损失和验证损失都快速下降并趋近于零，且两者的收敛几乎同步，表明DL‑ERT模型的构建策略优秀，能快速有效的学习数据特征；（2）以某一测试集样本为例，对比ERT、CNN‑GRU和DL‑ERT对该样本的渗透系数反演云图，发现单一的算法模型均不能同时注重左右两侧的高渗区域刻画，而DL‑ERT则对高渗区域表现出极大的预测潜力，其拟合精度达到了0.906；（3）制作室内砂箱试验，将融合算法与传统的克里金插值法、CNN‑GRU以及ERT作对比运用，得到各模型的拟合精度值分别为0.895、0.707、0.760和0.836。可以发现，DL‑ERT确实在一定程度上弥补了单一算法的不足，相比于单一的CNN‑GRU和ERT，其结果的预测精度提升了7%~17%，表明了该模型在工程运用方面的潜力。

Abstract

To address the issues of insufficient accuracy and high prediction costs faced by conventional methods in characterizing the heterogeneity of groundwater aquifers

this study proposed a physics-informed deep learning algorithm—the DL-ERT model—based on numerical simulations and laboratory sandbox experiments. The model integrated the powerful data learning capability of a convolutional gated recurrent unit (CNN-GRU) optimized by residual networks with the advantage of physical prior information from electrical resistivity tomography (ERT). The DL-ERT model was compared with multiple traditional inversion models to examine the accuracy of the fusion algorithm in characterizing the permeability coefficient of groundwater aquifers. The results showed that: (1) the training and validation losses of the DL-ERT model rapidly decreased and approached zero

and their convergence was almost synchronous

indicating that the construction strategy of the DL-ERT model was excellent and that data features could be quickly and effectively learned. (2) Taking a sample from the test set as an example

the inversion cloud maps of the permeability coefficient obtained by ERT

CNN-GRU

and DL-ERT were compared. It was found that individual algorithm models could not simultaneously capture the high-permeability zones on both sides

while DL-ERT demonstrated remarkable predictive potential for high-permeability zones

achieving a fitting accuracy of 0.906. (3) Laboratory sandbox experiments were conducted

and the fusion algorithm was compared with traditional Kriging interpolation

CNN-GRU

and ERT

yielding fitting accuracies of 0.895

0.707

0.760

and 0.836

respectively. It is evident that the DL-ERT model compensates for the limitations of individual algorithms to some extent

with prediction accuracy improved by 7%-17% compared with the individual CNN-GRU and ERT models

indicating the potential of the model for engineering applications.

关键词

Keywords

references

王鑫永，王锡勇，章杨松，等 . 岩体裂隙连通路径及岩体等效渗透张量参数研究［J］. 防灾减灾工程学报， 2020 ， 40 （ 5 ）： 789 ‑ 795 .

Wang X Y ， Wang X Y ， Zhang Y S ， et al . Study on connected path of rock fracture and equivalent permeability tensor parameters of rock mass ［J］. Journal of Disaster Prevention and Mitigation Engineering ， 2020 ， 40 （ 5 ）： 789 ‑ 795 . （in Chinese）

文志杰，姜鹏飞，景所林，等 . 煤矿地下水库底板渗流模拟试验系统研制及验证［J］. 煤炭学报， 2021 ， 46 （ 5 ）： 1487 ‑ 1497 .

Wen Z J ， Jiang P F ， Jing S L ， et al . Development and verification of simulation testing system for floor seepage in coal mine underground reservoir ［J］. Journal of China Coal Society ， 2021 ， 46 （ 5 ）： 1487 ‑ 1497 . （in Chinese）

江文豪，冯晨，黄啸，等 . 缓冲层-复合隔离墙-含水层系统中有机污染物二维运移规律研究［J］. 岩土力学， 2024 ， 45 （增1 ）： 731 ‑ 741 .

Jiang W H ， Feng C ， Huang X ， et al . Two‑dimensional transport mechanisms of organic contaminants in a buffer layer‑composite cutoff wall‑aquifer system ［J］. Rock and Soil Mechanics ， 2024 ， 45 （ Sup1 ）： 731 ‑ 741 . （in Chinese）

曹渊，牛冠毅，王铁良 . 基于钻孔充气试验的岩石渗透率原位测量研究［J］. 岩土工程学报， 2017 ， 39 （ 3 ）： 534 ‑ 539 .

Cao Y ， Niu G Y ， Wang T L . In‑situ measurement of rock permeability based on pneumatic tests in boreholes ［J］. Chinese Journal of Geotechnical Engineering ， 2017 ， 39 （ 3 ）： 534 ‑ 539 . （in Chinese）

吴冰，朱鸿鹄，曹鼎峰，等 . 黄土水分场光纤原位监测及非饱和渗透系数估算［J］. 防灾减灾工程学报， 2019 ， 39 （ 5 ）： 691 ‑ 699 .

Wu B ， Zhu H H ， Cao D F ， et al . In‑situ monitoring of moisture field and estimation of unsaturated permeability coefficient of loess foundation ［J］. Journal of Disaster Prevention and Mitigation Engineering ， 2019 ， 39 （ 5 ）： 691 ‑ 699 . （in Chinese）

包孟碟，朱俊高，吴二鲁，等 . 基于级配方程的粗粒土渗透系数经验公式及其验证［J］. 岩土工程学报， 2020 ， 42 （ 8 ）： 1571 ‑ 1576 .

Bao M D ， Zhu J G ， Wu E L ， et al . Empirical formula for permeability coefficient of coarse grained soil based on gradation equation and its verification ［J］. Chinese Journal of Geotechnical Engineering ， 2020 ， 42 （ 8 ）： 1571 ‑ 1576 . （in Chinese）

蒋小虎，黄跃廷，胡海军，等 . 基于原位双环、试坑浸水试验和数值模拟反演的Q3黄土饱和渗透系数对比研究［J］. 岩土力学， 2022 ， 43 （ 11 ）： 2941 ‑ 2951 .

Jiang X H ， Huang Y T ， Hu H J ， et al . Comparison of saturated permeability coefficient of Q3 loess based on in‑situ double ring test， field water immersion test and numerical simulation inversion ［J］. Rock and Soil Mechanics ， 2022 ， 43 （ 11 ）： 2941 ‑ 2951 . （in Chinese）

Eggleston J ， Rojstaczer S . The value of grain-size hydraulic conductivity estimates： Comparison with high resolution in-situ field hydraulic conductivity ［J］. Geophysical Research Letters ， 2001 ， 28 （ 22 ）： 4255 ‑ 4258 .

Ruan K ， Fu X L . A modified Kozeny-Carman equation for predicting saturated hydraulic conductivity of compacted bentonite in confined condition ［J］. Journal of Rock Mechanics and Geotechnical Engineering ， 2022 ， 14 （ 3 ）： 984 ‑ 993 .

Vienken T ， Dietrich P . Field evaluation of methods for determining hydraulic conductivity from grain size data ［J］. Journal of Hydrology ， 2011 ， 400 （ 1‑2 ）： 58 ‑ 71 .

李治甫，康帅，王自法，等 . 基于时频变换和卷积神经网络的结构损伤识别［J］. 防灾减灾工程学报， 2023 ， 43 （ 6 ）： 1275 ‑ 1283 .

Li Z F ， Kang S ， Wang Z F ， et al . Structural damage identification based on time‑frequency transform and convolutional neural network ［J］. Journal of Disaster Prevention and Mitigation Engineering ， 2023 ， 43 （ 6 ）： 1275 ‑ 1283 . （in Chinese）

张成龙，丁世飞，郭丽丽，等 . 随机配置网络研究进展［J］. 软件学报， 2024 ， 35 （ 5 ）： 2379 ‑ 2399 .

Zhang C L ， Ding S F ， Guo L L ， et al . Research Progress on Stochastic Configuration Network ［J］. Journal of Software ， 2024 ， 35 （ 5 ）： 2379 ‑ 2399 . （in Chinese）

Srisutthiyakorn N . Deep‑learning methods for predicting permeability from 2D/3D binary‑segmented images ［C］∥ SEG technical program expanded abstracts 2016 . Tulsa ： Society of Exploration Geophysicists ， 2016 ： 3042 ‑ 3046 .

Zhong Z ， Carr T R ， Wu X ， et al . Application of a convolutional neural network in permeability prediction： A case study in the Jacksonburg‑Stringtown oil field， West Virginia， USA ［J］. Geophysics ， 2019 ， 84 （ 6 ）： B363 ‑ B373 .

Tian Y ， Wang G ， Li H ， et al . A novel deep learning method based on 2‑D CNNs and GRUs for permeability prediction of tight sandstone ［J］. Geoenergy Science and Engineering ， 2024 ， 238 ： 212851 .

Alao O J ， Lawal M K ， Dewu M B B ， et al . Detection of shallow underground targets using electrical resistivity tomography and the implications in civil/environmental engineering ［J］. Discover Geoscience ， 2024 ， 2 （ 1 ）： 52 ‑ 52 .

盛丰，文鼎，熊祎玮，等 . 基于电阻率层析成像技术的农田土壤优先流原位动态监测［J］. 农业工程学报， 2021 ， 37 （ 8 ）： 117 ‑ 124 .

Sheng F ， Wen D ， Xiong Y W ， et al . In‑situ monitoring of preferential soil water flow with electrical resistivity tomography technology ［J］. Transactions of the Chinese Society of Agricultural Engineering （Transactions of the CSAE）， 2021 ， 37 （ 8 ）： 117 ‑ 124 . （in Chinese）

Perdomo S ， Kruse E E ， Ainchil J E . Estimation of hydraulic parameters using electrical resistivity tomography （ERT） and empirical laws in a semi‐confined aquifer ［J］. Near Surface Geophysics ， 2018 ， 16 （ 6 ）： 627 ‑ 641 .

González J A M ， Comte J C ， Legchenko A ， et al . Quantification of groundwater storage heterogeneity in weathered/fractured basement rock aquifers using electrical resistivity tomography： Sensitivity and uncertainty associated with petrophysical modelling ［J］. Journal of Hydrology ， 2021 ， 593 ： 125637 .

刘征宇，庞永昊，王传武，等 . 基于不完整边界先验信息的跨孔电阻率CT反演方法研究［J］. 岩土工程学报， 2019 ， 41 （ 6 ）： 1124 ‑ 1132 .

Liu Z Y ， Pang Y H ， Wang C W ， et al . Cross‑hole resistivity inversion method constrained by prior information of incomplete boundary ［J］. Chinese Journal of Geotechnical Engineering ， 2019 ， 41 （ 6 ）： 1124 ‑ 1132 . （in Chinese）

刘征宇，李术才，刘斌，等 . 基于距离加权约束算法的围岩三维电阻率CT反演成像研究［J］. 岩土工程学报， 2017 ， 39 （ 4 ）： 652 ‑ 661 .

Liu Z Y ， Li S C ， Liu B ， et al . 3D cross‑hole resistivity inversion imaging of surrounding rock based on distance weighting constraint algorithm ［J］. Chinese Journal of Geotechnical Engineering ， 2017 ， 39 （ 4 ）： 652 ‑ 661 . （in Chinese）

Liu X ， Shen J ， Yang M ， et al . Subsurface characterization of a construction site in Nanjing， China using ERT and CPTU methods ［J］. Engineering Geology ， 2022 ， 299 ： 106563 .

Cromwell E ， Shuai P ， Jiang P ， et al . Estimating watershed subsurface permeability from stream discharge data using deep neural networks ［J］. Frontiers in Earth Science ， 2021 ， 9 ： 613011 .

Hou X ， Hu R ， Yeh T C J ， et al . A short‐term pumping strategy for hydraulic tomography based on the successive linear estimator ［J］. Water Resources Research ， 2023 ， 59 （ 4 ）： e2022WR033831 .

慎国强，朱磊，王希萍，等 . 投影卷积神经网络固、液相钾盐矿层预测［J］. 地质学报， 2024 ， 98 （ 10 ）： 2946 ‑ 2955 .

Shen G Q ， Zhu L ， Wang X P ， et al . Prediction of solid and liquid phase potash reservoirs with projected convolutional neural network ［J］. Acta Geologica Sinica ， 2024 ， 98 （ 10 ）： 2946 ‑ 2955 . （in Chinese）

丁莹莹，尹尚先，连会青，等 . 基于SSA‑CG‑Attention模型的多因素采煤工作面涌水量预测［J］. 煤田地质与勘探， 2024 ， 52 （ 4 ）： 111 - 119 .

Ding Y Y ， Yin S X ， Lian H Q ， et al . Prediction of mine water inflow along mining faces using the SSA‑CG‑Attention multifactor model ［J］. Coal Geology & Exploration ， 2024 ， 52 （ 4 ）： 111 ‑ 119 . （in Chinese）

Zhang G ， Wang Z ， Mohaghegh S ， et al . Pattern visualization and understanding of machine learning models for permeability prediction in tight sandstone reservoirs ［J］. Journal of Petroleum Science and Engineering ， 2021 ， 200 ： 108142 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

恒定围压下间断级配散粒土内部侵蚀机理研究

垃圾填埋场PBFC防渗浆材吸附性能试验研究

GCL材料用于路基工程抗碾压性能试验研究

岩体裂隙面形貌特征对其渗流特性的影响研究

岩体裂隙连通路径及岩体等效渗透张量参数研究