利用基于卷积神经网络（CNN）的框架和瞬态水力层析成像技术，对水力和热参数场进行联合反演

《Journal of Hydro-environment Research》：Joint inversion of hydraulic and thermal parameter fields using a CNN-based framework and transient hydraulic tomography

地下水流动与热传导耦合参数反演研究提出基于DenseNet的THT-NN模型，通过20,000组TOUGH2耦合模拟数据训练，实现渗透率、孔隙率、热导率和比热容的联合反演，验证了噪声条件下的鲁棒性和贝叶斯深嵌套方法的低不确定性优势。

　　
地下水流动与热传输耦合参数反演的深度学习创新方法研究

研究背景与科学问题
地下水流动与热传输的耦合作用是岩土工程领域的重要研究课题，涉及水资源管理、污染物迁移、地热能开发等多个关键领域。传统参数反演方法主要依赖地下水抽水试验和温度响应测试，存在三大技术瓶颈：其一，迭代式反演算法需要反复进行三维流场和温度场数值模拟，计算成本极高；其二，传统方法难以有效处理多参数耦合的反演问题，常采用参数分离策略导致信息利用不充分；其三，现场实测数据普遍存在噪声干扰，传统统计反演方法对噪声敏感度较高。这些技术限制严重制约了实际工程中参数场精细刻画的应用。

深度学习技术的突破为解决上述问题提供了新思路。研究团队基于DenseNet架构构建了Thermal-Hydraulic Tomography Neural Network（THT-NN），该模型通过端到端的非线性映射关系，实现了从瞬态水文热响应数据到多参数场的联合反演。创新性体现在三个方面：首先，采用密集连接结构突破传统编码器-解码器网络梯度传播瓶颈；其次，构建包含20,000组全耦合数值实验的基准数据集，涵盖不同地质空间分布特征；最后，建立噪声自适应训练机制与贝叶斯不确定性量化方法相结合的评估体系。

传统方法的技术局限分析
传统水文地质反演方法存在显著局限性。以渗透率反演为例，常规的抽水试验结合Theis公式只能获得均质含水层参数估计，对于非均质介质的空间变异性表征不足。2017年提出的 hydraulic tomography（HT）方法通过多井观测数据结合随机反演技术，虽能处理三维参数场，但存在两大缺陷：其一，需要预先构建合理的主成分分析模型，对参数空间进行降维处理；其二，必须进行迭代计算，每轮迭代需要完成1000次以上三维流场模拟，计算耗时达数周。对于热参数反演，标准分布式温度响应测试（DTRT）存在两个根本性局限：首先，仅能获得垂直方向的热传导参数；其次，测试中忽略地下水对流对热传输的影响，导致参数估计存在系统偏差。

深度学习技术的突破性进展
基于上述传统方法的不足，研究团队采用深度神经网络构建新型反演框架。DenseNet特有的密集连接结构（Dense Connectivity）通过横向信息传播机制，有效解决了深层网络梯度消失问题。具体优势体现在：1）参数异质性增强：通过 concatenation 操作实现多参数特征融合，捕捉渗透率与热导率的空间相关性；2）计算效率提升：相比传统SLE方法的迭代计算，THT-NN仅需单次前向传播，训练时间缩短87%；3）噪声鲁棒性：引入对抗训练机制后，模型对测量噪声的容忍度提升至25%信噪比以下仍能保持有效反演。

模型架构与训练策略
THT-NN模型采用改进型DenseNet结构，包含三个核心组件：1）多物理场特征提取模块：整合压力-温度时序数据，构建包含空间梯度特征、时间响应特征和耦合特征的三维特征空间；2）参数联合映射层：通过双分支网络并行处理渗透率/热导率与孔隙率/比热容两个参数子集，实现参数间的耦合反演；3）噪声自适应优化模块：设计动态学习率调整机制，在训练初期强化对早期温度响应信号的学习，后期侧重后期压力响应特征提取。训练采用迁移学习策略，先以10,000组标准HT数据预训练基础网络，再通过20,000组全耦合数据微调，使模型在未知地质条件下仍保持90%以上的参数重建精度。

实验设计与验证体系
研究团队构建了多维度验证体系：1）基准测试：使用5种标准地质模型（各向同性均质、层状非均质、随机空间变异性等）进行对比实验，验证模型参数重建精度；2）噪声鲁棒性测试：在观测数据中添加高斯白噪声（信噪比0.5-30dB）和脉冲噪声，评估模型抗干扰能力；3）泛化能力测试：改变地质参数的空间分布特征（如渗透率变异系数从0.1增至0.5），验证模型泛化能力；4）不确定性量化：采用自助法构建深度信念网络，评估不同参数场的不确定性范围。实验表明，模型对渗透率（k_p）和热导率（k_t）的反演精度稳定在0.95以上，孔隙率（n）和比热容（S_p）的反演误差分别为8.7%和12.3%，显著优于传统SLE方法（误差15.2%和18.9%）。

关键技术创新点
1. 全耦合数据驱动框架：首次实现从瞬态压力-温度时序数据到四个核心参数场的联合反演，突破传统方法参数分离的局限。
2. 多尺度特征融合机制：通过DenseNet的层间连接实现从米级到千米级空间尺度的特征融合，有效捕捉地质非均质性的多尺度特征。
3. 动态噪声抑制策略：采用注意力机制加权处理不同时间步的观测数据，对早期温度信号（噪声敏感时段）给予30%权重调整，使整体重建精度提升22%。
4. 深度不确定性量化：基于自助法的多模型集成技术，建立参数空间置信区间，对k_p的95%置信区间宽度控制在0.8mD以内。

工程应用验证与拓展
研究团队在三个实际工程案例中验证了模型的有效性：1）台湾某地热储层参数反演：成功重建地下200米深度范围内k_p（0.1-50mD）、n（0.3-0.6）的空间分布；2）核废料地下存储库评估：通过耦合水文-热力学模型预测渗流场与温度场演化，指导安全壳设计；3）城市地热回灌系统优化：反演得到比热容（S_p=2.1kJ/kg·K）和孔隙率（n=0.45）的精确分布，使系统能效提升18%。特别值得关注的是，在噪声水平达到原始信号5倍（信噪比-7dB）的极端条件下，模型仍能保持k_p反演精度在0.92以上，n参数重建误差控制在15%以内，这为现场应用提供了重要技术支撑。

未来发展方向与挑战
尽管取得显著进展，仍存在若干技术挑战需要突破：1）多场耦合的反演效率问题，需进一步优化模型架构；2）参数空间依赖关系建模，需发展更有效的特征关联机制；3）实时反演技术，当前模型仍需离线训练数据，如何实现在线学习是重要方向。研究团队计划在三个方面进行延伸：①开发轻量化边缘计算模型，满足野外实时监测需求；②构建参数迁移学习框架，实现跨区域模型快速适配；③集成物理先验知识，开发混合型智能反演系统。这些技术突破将推动地下水-地热联合系统管理的智能化发展。

本研究的理论价值在于建立了多物理场耦合反演的理论框架，实践意义体现在三个方面：其一，将反演效率从周级提升至小时级，使参数场动态更新成为可能；其二，突破传统反演中参数空间独立假设，更真实反映地质系统的多场耦合特性；其三，为智慧水务和地热能开发提供了新的技术路径。特别是在碳中和背景下，地热资源的高效开发需要精确的参数场支撑，本成果为地热系统优化提供了新的解决方案。