張 騰，雷泉龍，趙雨順，華興林

（南京市水利規(guī)劃設(shè)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(zhì)勘探技術(shù)也得到了極大的發(fā)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(zhì)勘探技術(shù)的發(fā)展歷程足以讓人們刮目相看［2］。 目前，地質(zhì)勘探新技術(shù)中最具發(fā)展?jié)摿Φ氖歉呙芏入姺?（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(zhì)的電阻率分布， 揭示地下的地質(zhì)結(jié)構(gòu)和物性參數(shù)，在礦產(chǎn)、水文地質(zhì)、環(huán)境、公路橋梁等諸多領(lǐng)域得到了廣泛和深入的應(yīng)用， 并逐步向數(shù)字一體化方向發(fā)展［4-5］。 尤其在數(shù)據(jù)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(chuàng)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(qū)別具有相似響應(yīng)的不同類型異常體和處理復(fù)雜地質(zhì)的高維非線性關(guān)系，仍是地質(zhì)勘探技術(shù)面臨的一項挑戰(zhàn)［7］。 近年來，人工智能技術(shù)在輔助勘探較復(fù)雜地層方面的應(yīng)用逐漸增多，為地質(zhì)勘探帶來了一系列新成果［8］。 通過深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等技術(shù)，可以對海量的地質(zhì)數(shù)據(jù)進行高效處理和分析，從而提高數(shù)據(jù)的解釋能力和準(zhǔn)確性［9-10］。 人工智能技術(shù)還可以利用計算機視覺和圖像鑒別技術(shù)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(xué)習(xí)方法有神經(jīng)網(wǎng)絡(luò)、遺傳算法、支持向量機等。 本文試將一種改進的神經(jīng)網(wǎng)絡(luò)方法——卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，簡稱CNN）引入高密度電法中，提出CNN-ERI地質(zhì)識別模型， 用于提升高維非線性數(shù)據(jù)的識別精度，以期為地質(zhì)勘探技術(shù)的發(fā)展打開新的思路。

1 CNN-ERI 地質(zhì)識別模型的技術(shù)原理

1.1 高密度電法技術(shù)原理

高密度電法是一種通過電位差來分析地層介質(zhì)變化情況的高精度探測技術(shù)， 其工作原理是在地表上放置一系列電極，并施加穩(wěn)定的直流電流，測量不同電極之間的電位差。 根據(jù)實際測量的電位差數(shù)據(jù)與正演模擬結(jié)果之間的差異，通過數(shù)學(xué)優(yōu)化算法，反演出最優(yōu)的電阻率分布模型。 這個過程是循環(huán)進行的，直到達到收斂條件。 高密度電法的實現(xiàn)步驟為：先布設(shè)用以向地底施加電流I 的固定正負電極A、B；然后，根據(jù)現(xiàn)場情況，在A、B 點之間布設(shè)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(dǎo)出兩側(cè)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(nèi)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(gòu)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(shù)個通電測點，以此獲得更多的探測數(shù)據(jù)，進而可以反演得到更詳盡的地下電阻率分布，使探測結(jié)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(jīng)網(wǎng)絡(luò)的基本原理

卷積神經(jīng)網(wǎng)絡(luò)是一種深度學(xué)習(xí)模型， 通常用于處理具有網(wǎng)格結(jié)構(gòu)的數(shù)據(jù)，如圖像和語音。卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型架構(gòu)主要由卷積層、激活函數(shù)、池化層和全連接層等組成［12］。 卷積層（Convolutional Layer）是決定CNN 模型質(zhì)量最關(guān)鍵的功能層，用于提取數(shù)據(jù)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(shù)據(jù)上進行計算，產(chǎn)生特征圖。 每個卷積核會學(xué)習(xí)一組濾波器， 用于檢測輸入數(shù)據(jù)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(shù)（Activation Function）用于處理復(fù)雜的多維信息，降低信息維度及非線性關(guān)聯(lián)， 是提高模型處理信息速度和質(zhì)量的重要手段。 池化層（Pooling Layer）的作用主要是輔助卷積層優(yōu)化特征圖。 它通常采用統(tǒng)計學(xué)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(yōu)化后的特征圖，通過學(xué)習(xí)，形成輸入數(shù)據(jù)與輸出圖像之間的關(guān)系鏈，以類似神經(jīng)網(wǎng)絡(luò)的模式構(gòu)建關(guān)系網(wǎng)， 并隨著所接收數(shù)據(jù)的積累，不斷完善該網(wǎng)絡(luò)。

2 CNN-ERI 地質(zhì)識別模型的優(yōu)勢和技術(shù)路線

2.1 地質(zhì)特征提取優(yōu)勢

在高密度電法數(shù)據(jù)處理中，CNN 具有在多維數(shù)據(jù)上提取特征的能力，可以應(yīng)用于圖像分類、目標(biāo)檢測和地下界面識別等任務(wù)。其中，卷積層可提取高密度電法數(shù)據(jù)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(shù)也可根據(jù)探測內(nèi)容的復(fù)雜程度進行增減， 進而滿足多維數(shù)據(jù)分類處理的要求，實現(xiàn)復(fù)雜地質(zhì)特征的精準(zhǔn)提取。池化層可將高密度電法數(shù)據(jù)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(shù)據(jù)的特征與地下介質(zhì)的屬性進行關(guān)聯(lián)，并通過學(xué)習(xí)訓(xùn)練，實現(xiàn)對地下界面的精準(zhǔn)分類和識別。 總體來說， 通過上述層次的配合，CNN 可較精準(zhǔn)地提取高密度電法數(shù)據(jù)中的地下界面的位置、形態(tài)和屬性等特征信息。

2.2 技術(shù)路線

CNN-ERI 地質(zhì)識別模型是一個基于ERI 地質(zhì)勘探技術(shù)，通過CNN 調(diào)整和優(yōu)化所測數(shù)據(jù)特性的智能識別模型。該模型可以在提取數(shù)據(jù)空間特征的同時，保留其局部相關(guān)性， 還可以自動學(xué)習(xí)大批量復(fù)雜數(shù)據(jù)的特征表示，所以具有強大的特征提取能力和泛化能力。經(jīng)過學(xué)習(xí)訓(xùn)練的識別模型可以得到更精準(zhǔn)的視電阻率分布圖。 CNN-ERI 地質(zhì)模型的技術(shù)路線如圖2 所示。

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

3 CNN-ERI 地質(zhì)識別模型的識別精度分析

3.1 檢驗方案設(shè)計

收集并整理以往工程中探測深度為1～15 m 的數(shù)據(jù)，以橫向探測線10 m 為1 組，共得到1 200 組數(shù)據(jù)。為了檢驗?zāi)Ｐ蛯π聰?shù)據(jù)的適應(yīng)度，模型檢驗和學(xué)習(xí)訓(xùn)練采用不同的數(shù)據(jù)。 故先在數(shù)據(jù)庫中隨機選擇一部分數(shù)據(jù)用于CNN-ERI 地質(zhì)識別模型學(xué)習(xí)訓(xùn)練，再在其余數(shù)據(jù)中隨機選擇一部分數(shù)據(jù)用于檢驗。檢驗結(jié)果采用準(zhǔn)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(shù)量；F 為識別錯誤的數(shù)量；Y 為未識別到被遺漏的數(shù)量。

3.2 數(shù)量因素分析

在一般情況下，學(xué)習(xí)訓(xùn)練數(shù)據(jù)越多，模型精度越高，但學(xué)習(xí)訓(xùn)練數(shù)據(jù)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(shù)據(jù)進行模型學(xué)習(xí)訓(xùn)練， 并在剩余數(shù)據(jù)中隨機選取200 組進行檢驗，檢驗結(jié)果如表1 所示。在表1 中，方案一為采用高密度電設(shè)備所測結(jié)果，其他4組數(shù)據(jù)均為采用CNN-ERI 地質(zhì)識別模型所得結(jié)果。由表1 可知，與常規(guī)采用高密度電設(shè)備所測結(jié)果相比， 采用CNN-ERI 地質(zhì)識別模型計算結(jié)果的準(zhǔn)確率均有提高，相應(yīng)遺漏率均有降低。當(dāng)學(xué)習(xí)數(shù)據(jù)小于300 組時，模型的識別精度與學(xué)習(xí)數(shù)據(jù)量成正比；當(dāng)學(xué)習(xí)數(shù)據(jù)大于等于300 組時， 模型的識別精度趨于穩(wěn)定，其準(zhǔn)確率和遺漏率增減變化均不超過2%。

表1 學(xué)習(xí)數(shù)據(jù)量對模型識別精度影響的統(tǒng)計列表Tab.1 Statistical list of learning data volume effect on model identification accuracy

3.3 環(huán)境因素分析

根據(jù)一般地質(zhì)環(huán)境、特征相似環(huán)境、復(fù)雜地質(zhì)環(huán)境3 類環(huán)境的特點進行數(shù)據(jù)分類， 每類用于學(xué)習(xí)訓(xùn)練的數(shù)據(jù)量分別為250 組和350 組， 其余隨機選取100 組進行檢驗。 檢驗結(jié)果如表2 所示。 由表2 可知， 在學(xué)習(xí)數(shù)據(jù)量相同的情況下，CNN-ERI 地質(zhì)識別模型的識別精度受環(huán)境因素影響較小， 其準(zhǔn)確率和遺漏率增減變化均不超過3.5%。

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

4 工程應(yīng)用

4.1 探測布置

某隧洞工程設(shè)計標(biāo)高為26～27 m， 洞高為4 m，隧洞穿越區(qū)域地表標(biāo)高約為30～100 m。在該隧洞工程地質(zhì)探測中，設(shè)計在隧洞進出洞口、堰口區(qū)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(zhì)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(gòu)造發(fā)育情況，探測深度不小于隧洞底板埋深。

該隧洞工程地質(zhì)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(nèi)置已完成學(xué)習(xí)訓(xùn)練的CNN-ERI 地質(zhì)識別模型。 測量定位設(shè)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(shè)，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(jié)果分析

4.2.1 典型縱測線WT4

WT4 測線對應(yīng)里程為K1＋025～K1＋340，其反演電阻率剖面及地質(zhì)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(fēng)化基巖。 經(jīng)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(zhì)分布。 同時， 在K1＋190～K1＋215 和K1＋325～K1＋340 段， 基巖內(nèi)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(zhì)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(yīng)K1＋800 里程處橫剖面， 其反演電阻率剖面及地質(zhì)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(fēng)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(fā)育。

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

4.2.3 結(jié)果總結(jié)

在探測范圍內(nèi)，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(fā)育、破碎的強風(fēng)化基巖層，且隧洞出洞口附近分布有結(jié)構(gòu)松散的第四系覆蓋層。總結(jié)其地質(zhì)電阻率的分布規(guī)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(fēng)化基巖，電阻率相對較高，最低約為150～200 Ω·m；當(dāng)基巖發(fā)生全風(fēng)化或強風(fēng)化基巖裂隙發(fā)育、破碎時，對比完整基巖情況，電阻率也會出現(xiàn)顯著降低而小于100 Ω·m 的情況。

5 結(jié)語

對于千變?nèi)f化的地質(zhì)條件， 目前的勘探技術(shù)還做不到完全精準(zhǔn)地揭露實際地下結(jié)構(gòu)及分布。因此，在工程施工階段，應(yīng)根據(jù)開挖斷面概況，不斷對探測結(jié)果進行復(fù)核，復(fù)核結(jié)果可作為方案調(diào)整依據(jù)。通過對某隧洞工程施工階段的跟蹤調(diào)研，發(fā)現(xiàn)采用CNNERI 地質(zhì)識別模型所得到的視電阻率解釋圖中的隧洞穿越段地質(zhì)概況與實際開挖揭露情況基本吻合，為人工智能技術(shù)在地質(zhì)勘探中的應(yīng)用提供了一條新思路。 隨著人工智能技術(shù)的迭代更新，相信其在地質(zhì)勘察數(shù)據(jù)識別方面將會發(fā)揮更加高效、穩(wěn)定的作用。