CNN-ERI 地质识别模型的研究与应用

张 腾，雷泉龙，赵雨顺，华兴林

（南京市水利规划设计院股份有限公司，江苏 南京 210000）

0 引言

随着科技的不断进步， 地质勘探技术也得到了极大的发展和提升［1］。 从最早的地貌勘探到如今的高科技电探测， 地质勘探技术的发展历程足以让人们刮目相看［2］。 目前，地质勘探新技术中最具发展潜力的是高密度电法 （Electrical Resistivity Imaging，简称ERI）［3］。 该方法是一种地球物理勘探方法，主要通过测量地下介质的电阻率分布， 揭示地下的地质结构和物性参数，在矿产、水文地质、环境、公路桥梁等诸多领域得到了广泛和深入的应用， 并逐步向数字一体化方向发展［4-5］。 尤其在数据处理解释方面， 高密度电法可以对地下电阻率的模型进行定量反演解释，这也是它的一项重要创新。反演模型中包括了所有空间维度的电阻率信息， 可以解决电阻率异常定位等问题［6］。 但是，区别具有相似响应的不同类型异常体和处理复杂地质的高维非线性关系，仍是地质勘探技术面临的一项挑战［7］。 近年来，人工智能技术在辅助勘探较复杂地层方面的应用逐渐增多，为地质勘探带来了一系列新成果［8］。 通过深度学习、神经网络等技术，可以对海量的地质数据进行高效处理和分析，从而提高数据的解释能力和准确性［9-10］。 人工智能技术还可以利用计算机视觉和图像鉴别技术提高地层分布及岩土性能的辨识精度［11］。 常用的人工智能机器学习方法有神经网络、遗传算法、支持向量机等。 本文试将一种改进的神经网络方法——卷积神经网络（Convolutional Neural Networks，简称CNN）引入高密度电法中，提出CNN-ERI地质识别模型， 用于提升高维非线性数据的识别精度，以期为地质勘探技术的发展打开新的思路。

1 CNN-ERI 地质识别模型的技术原理

1.1 高密度电法技术原理

高密度电法是一种通过电位差来分析地层介质变化情况的高精度探测技术， 其工作原理是在地表上放置一系列电极，并施加稳定的直流电流，测量不同电极之间的电位差。 根据实际测量的电位差数据与正演模拟结果之间的差异，通过数学优化算法，反演出最优的电阻率分布模型。 这个过程是循环进行的，直到达到收敛条件。 高密度电法的实现步骤为：先布设用以向地底施加电流I 的固定正负电极A、B；然后，根据现场情况，在A、B 点之间布设多组（2个为1 组）探测点，并获取其电压差△V；每组测点均可推导出两侧点连线中点处的视电阻率 （如图1所示）， 将得到的各点视电阻率绘制成A、B 范围内的探测云图。与一般电法相比，高密度电法的电极布置更密集， 因而能够获得更为详细的地下电阻率分布信息。 这使得它在检测地层边界、岩性变化、构造特征等方面具有更高的分辨率。并且，采用较高的电流注入和较远的电极距离， 能够增加探测深度。 同时， 高密度电法可以在待测范围地面布置数个通电测点，以此获得更多的探测数据，进而可以反演得到更详尽的地下电阻率分布，使探测结果更详尽。

图1 高密度电法工作原理Fig.1 Working principle of high-density electrical method

1.2 卷积神经网络的基本原理

卷积神经网络是一种深度学习模型， 通常用于处理具有网格结构的数据，如图像和语音。卷积神经网络学习模型架构主要由卷积层、激活函数、池化层和全连接层等组成［12］。 卷积层（Convolutional Layer）是决定CNN 模型质量最关键的功能层，用于提取数据的局部特征。卷积操作可以通过滑动的窗口（卷积核）在输入数据上进行计算，产生特征图。 每个卷积核会学习一组滤波器， 用于检测输入数据的某些视觉特征，比如边缘、纹理等。通过特征提取和过滤，最终形成带有多维信息的特征图。 激活函数（Activation Function）用于处理复杂的多维信息，降低信息维度及非线性关联， 是提高模型处理信息速度和质量的重要手段。 池化层（Pooling Layer）的作用主要是辅助卷积层优化特征图。 它通常采用统计学理论剔除奇异特征图，进而减少CNN 模型的整体分析工作量， 提高模型运行效率。 全连接层 （Fully Connected Layer） 用于接收池化层优化后的特征图，通过学习，形成输入数据与输出图像之间的关系链，以类似神经网络的模式构建关系网， 并随着所接收数据的积累，不断完善该网络。

2 CNN-ERI 地质识别模型的优势和技术路线

2.1 地质特征提取优势

在高密度电法数据处理中，CNN 具有在多维数据上提取特征的能力，可以应用于图像分类、目标检测和地下界面识别等任务。其中，卷积层可提取高密度电法数据的空间特征， 可以捕捉到地下界面周围的电场信号的空间分布模式。 卷积核的个数也可根据探测内容的复杂程度进行增减， 进而满足多维数据分类处理的要求，实现复杂地质特征的精准提取。池化层可将高密度电法数据的空间分辨率降低，减少计算量，同时保留具有代表性的地下界面特征。全连接层可将高密度电法数据的特征与地下介质的属性进行关联，并通过学习训练，实现对地下界面的精准分类和识别。 总体来说， 通过上述层次的配合，CNN 可较精准地提取高密度电法数据中的地下界面的位置、形态和属性等特征信息。

2.2 技术路线

CNN-ERI 地质识别模型是一个基于ERI 地质勘探技术，通过CNN 调整和优化所测数据特性的智能识别模型。该模型可以在提取数据空间特征的同时，保留其局部相关性， 还可以自动学习大批量复杂数据的特征表示，所以具有强大的特征提取能力和泛化能力。经过学习训练的识别模型可以得到更精准的视电阻率分布图。 CNN-ERI 地质模型的技术路线如图2 所示。

图2 CNN-ERI 地质识别模型的技术路线示意图Fig.2 Diagram of technology route of CNN-ERI geological identification model

3 CNN-ERI 地质识别模型的识别精度分析

3.1 检验方案设计

收集并整理以往工程中探测深度为1～15 m 的数据，以横向探测线10 m 为1 组，共得到1 200 组数据。为了检验模型对新数据的适应度，模型检验和学习训练采用不同的数据。 故先在数据库中随机选择一部分数据用于CNN-ERI 地质识别模型学习训练，再在其余数据中随机选择一部分数据用于检验。检验结果采用准确率及遗漏率进行量化分析， 其计算式为式（1）。

式中：R 为识别正确的数量；F 为识别错误的数量；Y 为未识别到被遗漏的数量。

3.2 数量因素分析

在一般情况下，学习训练数据越多，模型精度越高，但学习训练数据越多，其收集难度也越大。 为了达到一定模型精度， 分别随机选取100、300、500、700 组数据进行模型学习训练， 并在剩余数据中随机选取200 组进行检验，检验结果如表1 所示。在表1 中，方案一为采用高密度电设备所测结果，其他4组数据均为采用CNN-ERI 地质识别模型所得结果。由表1 可知，与常规采用高密度电设备所测结果相比， 采用CNN-ERI 地质识别模型计算结果的准确率均有提高，相应遗漏率均有降低。当学习数据小于300 组时，模型的识别精度与学习数据量成正比；当学习数据大于等于300 组时， 模型的识别精度趋于稳定，其准确率和遗漏率增减变化均不超过2%。

表1 学习数据量对模型识别精度影响的统计列表Tab.1 Statistical list of learning data volume effect on model identification accuracy

3.3 环境因素分析

根据一般地质环境、特征相似环境、复杂地质环境3 类环境的特点进行数据分类， 每类用于学习训练的数据量分别为250 组和350 组， 其余随机选取100 组进行检验。 检验结果如表2 所示。 由表2 可知， 在学习数据量相同的情况下，CNN-ERI 地质识别模型的识别精度受环境因素影响较小， 其准确率和遗漏率增减变化均不超过3.5%。

表2 环境因素对模型识别精度影响的统计列表Tab.2 Statistical list of environmental factors effect on model identification accuracy

4 工程应用

4.1 探测布置

某隧洞工程设计标高为26～27 m， 洞高为4 m，隧洞穿越区域地表标高约为30～100 m。在该隧洞工程地质探测中，设计在隧洞进出洞口、堰口区及部分中轴线上布置11 条高密度电法测线， 其中WT1、WT3、WT4、WT6 和WT8 为 平 行 隧 洞 的 纵 测 线，WT2、WT5、WT7、WT9、WT10 和WT11 为近似垂直隧洞轴线的横测线， 累计探测测线总长约为3 400 m。 该工程地质探测的要求为，查明测线下方覆盖层及基岩分布情况，以及基岩破碎、断裂等构造发育情况，探测深度不小于隧洞底板埋深。

该隧洞工程地质探测采用高密度电法， 探测所用仪器为是澳大利亚FLashRES-UNIVERSAL96 型号， 其内置已完成学习训练的CNN-ERI 地质识别模型。 测量定位设备采用的是南方测绘银河1 系列RTK，定位精度达到毫米级。测线每个电极采用测绳量距的方式布设，保证每个电极近乎在一条直线上，偏移角度不超过10°，最后利用RTK 对每个电极进行平面位置和高程定位。

4.2 探测结果分析

4.2.1 典型纵测线WT4

WT4 测线对应里程为K1＋025～K1＋340，其反演电阻率剖面及地质推断解释如图3 所示。 由图3 可知， 该测线上部的视电阻率较低范围可能为第四系覆盖层，厚度约为5～15 m，下部视电阻率较高范围可能为强、中风化基岩。 经山坡段（K1＋025～K1＋100和K1＋260～K1＋340）， 近乎地表出露基岩可印证其地质分布。 同时， 在K1＋190～K1＋215 和K1＋325～K1＋340 段， 基岩内部存在2 处较明显的低阻带，推断为破碎带，带宽分别为25 m 和15 m。

图3 WT4 测线反演电阻率剖面及地质推断解释图Fig.3 WT4 survey line inversion resistivity profile and geological inference interpretation

4.2.2 典型横测线WT9

WT9 测线对应K1＋800 里程处横剖面， 其反演电阻率剖面及地质推断解释如图4 所示。 由图4 可知，该测线上部为低电阻率范围，推断为第四系覆盖层，厚度较小，一般为1～2 m。 但在50～140 m 里程段，相对较厚，最厚约为6 m。 该测线下部为高电阻率范围，推断为强、中风化基岩。 该剖面中部电阻率相对较低，约为20～100 Ω·m，推断该处基岩较为破碎、裂隙发育。

图4 WT9 测线反演电阻率剖面及地质推断解释图Fig.4 WT9 survey line inversion resistivity profile and geological inference interpretation

4.2.3 结果总结

在探测范围内，共推断破碎带8 处，其中与拟开挖隧洞有交叉的破碎带6 处， 破碎带宽度约为15～70 m。 隧洞穿越了裂隙发育、破碎的强风化基岩层，且隧洞出洞口附近分布有结构松散的第四系覆盖层。总结其地质电阻率的分布规律，大致可划分为4类： 松散覆盖层或破碎带， 电阻率较低， 一般小于100 Ω·m；强、中风化基岩，电阻率相对较高，最低约为150～200 Ω·m；当基岩发生全风化或强风化基岩裂隙发育、破碎时，对比完整基岩情况，电阻率也会出现显著降低而小于100 Ω·m 的情况。

5 结语

对于千变万化的地质条件， 目前的勘探技术还做不到完全精准地揭露实际地下结构及分布。因此，在工程施工阶段，应根据开挖断面概况，不断对探测结果进行复核，复核结果可作为方案调整依据。通过对某隧洞工程施工阶段的跟踪调研，发现采用CNNERI 地质识别模型所得到的视电阻率解释图中的隧洞穿越段地质概况与实际开挖揭露情况基本吻合，为人工智能技术在地质勘探中的应用提供了一条新思路。 随着人工智能技术的迭代更新，相信其在地质勘察数据识别方面将会发挥更加高效、稳定的作用。