CNN-ERI 地質識別模型的研究與應用

張 騰，雷泉龍，趙雨順，華興林

（南京市水利規劃設計院股份有限公司，江蘇 南京 210000）

0 引言

隨著科技的不斷進步， 地質勘探技術也得到了極大的發展和提升［1］。 從最早的地貌勘探到如今的高科技電探測， 地質勘探技術的發展歷程足以讓人們刮目相看［2］。 目前，地質勘探新技術中最具發展潛力的是高密度電法 （Electrical Resistivity Imaging，簡稱ERI）［3］。 該方法是一種地球物理勘探方法，主要通過測量地下介質的電阻率分布， 揭示地下的地質結構和物性參數，在礦產、水文地質、環境、公路橋梁等諸多領域得到了廣泛和深入的應用， 并逐步向數字一體化方向發展［4-5］。 尤其在數據處理解釋方面， 高密度電法可以對地下電阻率的模型進行定量反演解釋，這也是它的一項重要創新。反演模型中包括了所有空間維度的電阻率信息， 可以解決電阻率異常定位等問題［6］。 但是，區別具有相似響應的不同類型異常體和處理復雜地質的高維非線性關系，仍是地質勘探技術面臨的一項挑戰［7］。 近年來，人工智能技術在輔助勘探較復雜地層方面的應用逐漸增多，為地質勘探帶來了一系列新成果［8］。 通過深度學習、神經網絡等技術，可以對海量的地質數據進行高效處理和分析，從而提高數據的解釋能力和準確性［9-10］。 人工智能技術還可以利用計算機視覺和圖像鑒別技術提高地層分布及巖土性能的辨識精度［11］。 常用的人工智能機器學習方法有神經網絡、遺傳算法、支持向量機等。 本文試將一種改進的神經網絡方法——卷積神經網絡（Convolutional Neural Networks，簡稱CNN）引入高密度電法中，提出CNN-ERI地質識別模型， 用于提升高維非線性數據的識別精度，以期為地質勘探技術的發展打開新的思路。

1 CNN-ERI 地質識別模型的技術原理

1.1 高密度電法技術原理

高密度電法是一種通過電位差來分析地層介質變化情況的高精度探測技術， 其工作原理是在地表上放置一系列電極，并施加穩定的直流電流，測量不同電極之間的電位差。 根據實際測量的電位差數據與正演模擬結果之間的差異，通過數學優化算法，反演出最優的電阻率分布模型。 這個過程是循環進行的，直到達到收斂條件。 高密度電法的實現步驟為：先布設用以向地底施加電流I 的固定正負電極A、B；然后，根據現場情況，在A、B 點之間布設多組（2個為1 組）探測點，并獲取其電壓差△V；每組測點均可推導出兩側點連線中點處的視電阻率 （如圖1所示）， 將得到的各點視電阻率繪制成A、B 范圍內的探測云圖。與一般電法相比，高密度電法的電極布置更密集， 因而能夠獲得更為詳細的地下電阻率分布信息。 這使得它在檢測地層邊界、巖性變化、構造特征等方面具有更高的分辨率。并且，采用較高的電流注入和較遠的電極距離， 能夠增加探測深度。 同時， 高密度電法可以在待測范圍地面布置數個通電測點，以此獲得更多的探測數據，進而可以反演得到更詳盡的地下電阻率分布，使探測結果更詳盡。

圖1 高密度電法工作原理Fig.1 Working principle of high-density electrical method

1.2 卷積神經網絡的基本原理

卷積神經網絡是一種深度學習模型， 通常用于處理具有網格結構的數據，如圖像和語音。卷積神經網絡學習模型架構主要由卷積層、激活函數、池化層和全連接層等組成［12］。 卷積層（Convolutional Layer）是決定CNN 模型質量最關鍵的功能層，用于提取數據的局部特征。卷積操作可以通過滑動的窗口（卷積核）在輸入數據上進行計算，產生特征圖。 每個卷積核會學習一組濾波器， 用于檢測輸入數據的某些視覺特征，比如邊緣、紋理等。通過特征提取和過濾，最終形成帶有多維信息的特征圖。 激活函數（Activation Function）用于處理復雜的多維信息，降低信息維度及非線性關聯， 是提高模型處理信息速度和質量的重要手段。 池化層（Pooling Layer）的作用主要是輔助卷積層優化特征圖。 它通常采用統計學理論剔除奇異特征圖，進而減少CNN 模型的整體分析工作量， 提高模型運行效率。 全連接層 （Fully Connected Layer） 用于接收池化層優化后的特征圖，通過學習，形成輸入數據與輸出圖像之間的關系鏈，以類似神經網絡的模式構建關系網， 并隨著所接收數據的積累，不斷完善該網絡。

2 CNN-ERI 地質識別模型的優勢和技術路線

2.1 地質特征提取優勢

在高密度電法數據處理中，CNN 具有在多維數據上提取特征的能力，可以應用于圖像分類、目標檢測和地下界面識別等任務。其中，卷積層可提取高密度電法數據的空間特征， 可以捕捉到地下界面周圍的電場信號的空間分布模式。 卷積核的個數也可根據探測內容的復雜程度進行增減， 進而滿足多維數據分類處理的要求，實現復雜地質特征的精準提取。池化層可將高密度電法數據的空間分辨率降低，減少計算量，同時保留具有代表性的地下界面特征。全連接層可將高密度電法數據的特征與地下介質的屬性進行關聯，并通過學習訓練，實現對地下界面的精準分類和識別。 總體來說， 通過上述層次的配合，CNN 可較精準地提取高密度電法數據中的地下界面的位置、形態和屬性等特征信息。

2.2 技術路線

CNN-ERI 地質識別模型是一個基于ERI 地質勘探技術，通過CNN 調整和優化所測數據特性的智能識別模型。該模型可以在提取數據空間特征的同時，保留其局部相關性， 還可以自動學習大批量復雜數據的特征表示，所以具有強大的特征提取能力和泛化能力。經過學習訓練的識別模型可以得到更精準的視電阻率分布圖。 CNN-ERI 地質模型的技術路線如圖2 所示。

圖2 CNN-ERI 地質識別模型的技術路線示意圖Fig.2 Diagram of technology route of CNN-ERI geological identification model

3 CNN-ERI 地質識別模型的識別精度分析

3.1 檢驗方案設計

收集并整理以往工程中探測深度為1～15 m 的數據，以橫向探測線10 m 為1 組，共得到1 200 組數據。為了檢驗模型對新數據的適應度，模型檢驗和學習訓練采用不同的數據。 故先在數據庫中隨機選擇一部分數據用于CNN-ERI 地質識別模型學習訓練，再在其余數據中隨機選擇一部分數據用于檢驗。檢驗結果采用準確率及遺漏率進行量化分析， 其計算式為式（1）。

式中：R 為識別正確的數量；F 為識別錯誤的數量；Y 為未識別到被遺漏的數量。

3.2 數量因素分析

在一般情況下，學習訓練數據越多，模型精度越高，但學習訓練數據越多，其收集難度也越大。 為了達到一定模型精度， 分別隨機選取100、300、500、700 組數據進行模型學習訓練， 并在剩余數據中隨機選取200 組進行檢驗，檢驗結果如表1 所示。在表1 中，方案一為采用高密度電設備所測結果，其他4組數據均為采用CNN-ERI 地質識別模型所得結果。由表1 可知，與常規采用高密度電設備所測結果相比， 采用CNN-ERI 地質識別模型計算結果的準確率均有提高，相應遺漏率均有降低。當學習數據小于300 組時，模型的識別精度與學習數據量成正比；當學習數據大于等于300 組時， 模型的識別精度趨于穩定，其準確率和遺漏率增減變化均不超過2%。

表1 學習數據量對模型識別精度影響的統計列表Tab.1 Statistical list of learning data volume effect on model identification accuracy

3.3 環境因素分析

根據一般地質環境、特征相似環境、復雜地質環境3 類環境的特點進行數據分類， 每類用于學習訓練的數據量分別為250 組和350 組， 其余隨機選取100 組進行檢驗。 檢驗結果如表2 所示。 由表2 可知， 在學習數據量相同的情況下，CNN-ERI 地質識別模型的識別精度受環境因素影響較小， 其準確率和遺漏率增減變化均不超過3.5%。

表2 環境因素對模型識別精度影響的統計列表Tab.2 Statistical list of environmental factors effect on model identification accuracy

4 工程應用

4.1 探測布置

某隧洞工程設計標高為26～27 m， 洞高為4 m，隧洞穿越區域地表標高約為30～100 m。在該隧洞工程地質探測中，設計在隧洞進出洞口、堰口區及部分中軸線上布置11 條高密度電法測線， 其中WT1、WT3、WT4、WT6 和WT8 為 平 行 隧 洞 的 縱 測 線，WT2、WT5、WT7、WT9、WT10 和WT11 為近似垂直隧洞軸線的橫測線， 累計探測測線總長約為3 400 m。 該工程地質探測的要求為，查明測線下方覆蓋層及基巖分布情況，以及基巖破碎、斷裂等構造發育情況，探測深度不小于隧洞底板埋深。

該隧洞工程地質探測采用高密度電法， 探測所用儀器為是澳大利亞FLashRES-UNIVERSAL96 型號， 其內置已完成學習訓練的CNN-ERI 地質識別模型。 測量定位設備采用的是南方測繪銀河1 系列RTK，定位精度達到毫米級。測線每個電極采用測繩量距的方式布設，保證每個電極近乎在一條直線上，偏移角度不超過10°，最后利用RTK 對每個電極進行平面位置和高程定位。

4.2 探測結果分析

4.2.1 典型縱測線WT4

WT4 測線對應里程為K1＋025～K1＋340，其反演電阻率剖面及地質推斷解釋如圖3 所示。 由圖3 可知， 該測線上部的視電阻率較低范圍可能為第四系覆蓋層，厚度約為5～15 m，下部視電阻率較高范圍可能為強、中風化基巖。 經山坡段（K1＋025～K1＋100和K1＋260～K1＋340）， 近乎地表出露基巖可印證其地質分布。 同時， 在K1＋190～K1＋215 和K1＋325～K1＋340 段， 基巖內部存在2 處較明顯的低阻帶，推斷為破碎帶，帶寬分別為25 m 和15 m。

圖3 WT4 測線反演電阻率剖面及地質推斷解釋圖Fig.3 WT4 survey line inversion resistivity profile and geological inference interpretation

4.2.2 典型橫測線WT9

WT9 測線對應K1＋800 里程處橫剖面， 其反演電阻率剖面及地質推斷解釋如圖4 所示。 由圖4 可知，該測線上部為低電阻率范圍，推斷為第四系覆蓋層，厚度較小，一般為1～2 m。 但在50～140 m 里程段，相對較厚，最厚約為6 m。 該測線下部為高電阻率范圍，推斷為強、中風化基巖。 該剖面中部電阻率相對較低，約為20～100 Ω·m，推斷該處基巖較為破碎、裂隙發育。

圖4 WT9 測線反演電阻率剖面及地質推斷解釋圖Fig.4 WT9 survey line inversion resistivity profile and geological inference interpretation

4.2.3 結果總結

在探測范圍內，共推斷破碎帶8 處，其中與擬開挖隧洞有交叉的破碎帶6 處， 破碎帶寬度約為15～70 m。 隧洞穿越了裂隙發育、破碎的強風化基巖層，且隧洞出洞口附近分布有結構松散的第四系覆蓋層?？偨Y其地質電阻率的分布規律，大致可劃分為4類： 松散覆蓋層或破碎帶， 電阻率較低， 一般小于100 Ω·m；強、中風化基巖，電阻率相對較高，最低約為150～200 Ω·m；當基巖發生全風化或強風化基巖裂隙發育、破碎時，對比完整基巖情況，電阻率也會出現顯著降低而小于100 Ω·m 的情況。

5 結語

對于千變萬化的地質條件， 目前的勘探技術還做不到完全精準地揭露實際地下結構及分布。因此，在工程施工階段，應根據開挖斷面概況，不斷對探測結果進行復核，復核結果可作為方案調整依據。通過對某隧洞工程施工階段的跟蹤調研，發現采用CNNERI 地質識別模型所得到的視電阻率解釋圖中的隧洞穿越段地質概況與實際開挖揭露情況基本吻合，為人工智能技術在地質勘探中的應用提供了一條新思路。 隨著人工智能技術的迭代更新，相信其在地質勘察數據識別方面將會發揮更加高效、穩定的作用。