关键词:
地面核磁共振
含水裂隙带
含水量和弛豫时间
深度学习
反演
摘要:
地面核磁共振(Surface Nuclear Magnetic Resonance,SNMR)方法是一种基于介质分子间的进动频率差异直接探查地下水的地球物理方法。相比于其它水文地球物理方法,SNMR方法的成像结果能够直接反映含水体深度、单位体积含水量等重要水文地质信息。该方法具有“直接探水”、“结果丰富”、“非侵入性”等优势,因而在地下水资源探查、水文地质调查、环境监测、工程地质勘察等领域得到广泛应用并取得了明显的地质效果。
基于核磁共振(Nuclear Magnetic Resonance,NMR)信号弛豫时间差异区分孔隙含水层中的裂隙带等高导水率结构,是近年来SNMR方法的正反演研究、探测实践的主要研究热点之一。岩石裂隙中的地下水是诸多水诱发型地质灾害中的主要致灾因素,含水裂隙带的精准探测,有助于识别潜在的水诱发型地质灾害风险。一般情况下,由于裂隙带总储水量小、NMR信号弱,目前使用的Q-Time(QT)反演方案在实践中尚难以取得可靠结果。近年来,人工智能与深度学习方法的高速发展为SNMR反演提供了全新的思路。复杂的深度神经网络搭建、大量的样本数据学习,使得深度学习反演方法可以学习到数据与模型之间复杂的非线性关系,有望提升SNMR方法的含水裂隙带成像效果。
本文围绕SNMR方法的反演问题进行了较为系统的研究,以SNMR的正反演理论为基础,开展了地质统计学随机建模和深度学习等方面的研究。通过构建和训练深度神经网络,学习NMR信号和含水裂隙带模型之间的非线性映射关系,实现了裂隙带含水量和弛豫时间的SNMR反演,论文的主要创新性工作及成果如下:
(1)基于地质统计学方法,提出了含水裂隙带两个重要参数(裂隙带含水量wfrac与裂隙带弛豫时间T2frac*)的空间分布和几何特征建模方法。该方法能够更加真实地反映出裂隙系统含水状态的复杂性。首先,基于Kriging算法与变差函数理论,设计实现了稀疏钻孔数据条件下的区域2-D和3-D孔隙水含水层模型随机建模算法。然后,基于MATLAB平台,以裂隙数量、角度、长度和发育密度的概率分布作为含水裂隙带的结构建模参数,研发了一套裂隙模型的随机生成代码,该建模方法及其代码可实现随机2-D、3-D裂隙带模型的快速生成。这一研究成果为后续基于深度学习的SNMR反演提供了样本基础。
(2)以计算机视觉领域中的编码器-解码器(Encoder-Decoder)网络为基础,设计了一种适用于裂隙带含水量和弛豫时间反演的深度卷积神经网络。其中,编码模块包括卷积层、池化层和非线性激活函数,用于降低数据维度、提取数据特征。解码模块的上采样层用于弥补编码过程中损失的数据分辨率,并通过网络正则化技术避免了数据过拟合。最后,通过全连接层进行回归预测,完成了核磁共振信号到含水裂隙带模型参数的非线性映射,实现了2-D、3-D裂隙带含水量和弛豫时间反演。
(3)以2-D孔隙水含水层和含水裂隙带为例,对比了传统正则化QT反演和深度学习反演的效果。正则化反演技术能够利用地面观测数据迅速进行反演处理,尽管其生成的图像通常较为“平滑”,且在深层分辨率上存在局限,但在地质信息不足的地区,它仍能迅速提供相关的水文地质数据。而深度学习反演技术在进行单次反演时仅需几秒钟,这对于需要实时水文信息反馈的工程建设场景极为关键,能够帮助科学家和工程师快速决策。
(4)为了评价深度学习反演效果,研究了数据的电磁噪音水平、样本数据集大小、数据采样率和神经网络学习中超参数对SNMR深度学习反演效果的影响。研究表明,深度学习反演在观测数据有较大电磁噪音水平的条件下,仍可实现孔隙水含水层、含水裂隙带的高分辨率成像;另外,一定程度上提升样本数据集大小、数据采样率、卷积层及滤波器数量,可以提升网络在深度学习反演时的稳健性。
(5)SNMR深度学习反演应用于陕北某矿区和应城东马坊的实测数据,获得了可靠的成像结果。结果表明,相比于传统的正则化反演,深度学习反演可以有效区分地层中的孔隙水和裂隙水,能够实现裂隙水的精准探测。
本文系统地研究了SNMR深度学习反演的各个环节,讨论了数据噪音、样本数据集大小、数据采样率以及网络超参数对反演效果的影响,并成功应用于陕西某矿区含水裂隙带以及应城东马坊地面塌陷的探测工作中。这些研究成果可有效提升SNMR方法探测含水裂隙带成像效果,相信基于深度学习的SNMR反演方法将为含水裂隙带探测、地下水相关问题的探测提供一个有发展潜力的新手段。