基于不完整视电阻率数据条件下利用多尺度特征学习进行节理密集带三维地质建模

《Geomatics, Natural Hazards and Risk》:Three-dimensional geological modeling of joint-dense zones using multi-scale feature learning under incomplete resistivity data conditions

【字体: 大 中 小 】 时间:2026年03月12日 来源:Geomatics, Natural Hazards and Risk 4.5

编辑推荐:

  摘要:隧道工程常穿越节理密集带(joint-dense zones),增大了突水与岩体坍塌等地质灾害风险。精确的地质模型对工程安全与施工质量至关重要。然而,恶劣环境与基础设施受限常导致基于电阻率的地球物理数据不完整,给精细建模带来挑战。现有基于体素(voxel

  
摘要:隧道工程常穿越节理密集带(joint-dense zones),增大了突水与岩体坍塌等地质灾害风险。精确的地质模型对工程安全与施工质量至关重要。然而,恶劣环境与基础设施受限常导致基于电阻率的地球物理数据不完整,给精细建模带来挑战。现有基于体素(voxel)的三维地质建模方法通常忽略电阻率的空间分布特征,致使体素分类不充分。针对这些局限,本研究围绕不完整电阻率数据的补全及基于电阻率空间特征的体素分类两方面展开。研究人员提出了一种结合随机森林(Random Forest, RF)技术与多种插值法的电阻率预测模型,以及一种基于多尺度三维卷积神经网络(multi-scale 3D Convolutional Neural Network, MS3DCNN)的体素分类模型。通过精确预测地下电阻率分布并对节理密集带进行体素分类,建立了不完整数据条件下的精细化三维地质建模框架。实验结果表明,所提出的电阻率预测模型优于传统单一插值方法;将补全后的电阻率数据输入多尺度三维卷积神经网络(MS3DCNN),其体素分类精度高于非深度学习方法及其他深度学习对照方法。该框架可实现节理密集带的精确精细化三维建模,并为类似条件下的地质建模提供灵活参考。
论文解读:基于不完整视电阻率数据条件下利用多尺度特征学习进行节理密集带三维地质建模
隧道工程穿越节理密集带(joint-dense zone,指岩体中密集发育、呈带状分布的裂隙系统)时,易诱发突水、泥涌及塌方等地质灾害。准确识别并高精度三维建模节理密集带是隧道设计与施工安全的重要保障。然而,受限于勘探条件,常用的地质剖面依赖专家经验且仅为二维表达,钻孔数据精度高但空间覆盖稀疏,电阻率法(electrical resistivity tomography, ERT / resistivity survey)虽能提供较大范围地下信息,但其数据常因电极距增大灵敏度衰减及环境干扰而出现缺失或失真,导致基于体素(voxel,三维规则网格中的立方体空间单元)的传统三维地质建模方法因忽视电阻率空间分布特征而体素分类效果不佳。现有机器学习方法需人工提取特征且依赖多源数据,深度学习虽可自动学习特征,但在单一数据源、特征有限情况下对节理密集带识别效果尚不明晰。此外,将多种插值结果非线性融合以补全单一物探数据并结合深度学习空间特征学习进行体素分类的研究较少。因此,研究人员开展了此项研究,旨在解决不完整单源电阻率数据下的节理密集带精细化三维地质建模问题。该研究成果发表于《Geomatics, Natural Hazards and Risk》。
研究人员采用的主要关键技术方法如下:以喜马拉雅山东缘某铁路隧道沿线(岩性以片岩为主,发育节理密集带)的电阻率剖面图、节理密集带分布剖面及钻孔位置数据为实验数据;通过Delaunay三角剖分与Voronoi图几何对偶关系生成虚拟钻孔点以加密控制;采用反距离加权(IDW)、克里金(Kriging)、最近邻(NN)三种空间插值获得初步电阻率空间分布,将其作为特征因子输入随机森林(Random Forest, RF)模型预测完整地下电阻率场;研究区体素化(voxelization)后,构建以中心体素为核心的多尺度体素立方体作为输入,设计多尺度三维卷积神经网络(Multi-Scale 3D Convolutional Neural Network, MS3DCNN)进行二体素分类(节理密集带/非节理密集带),并与SVM、Na?ve Bayes(NB)、2DCNN、3DCNN、3DLeNet-5、3D ResNet-50、多尺度注意力机制CNN(MSAM-CNN)对比;最终用移动立方体算法(Marching Cubes algorithm)提取等值面重建三维地质模型。
4 实验评估与分析(Experimental evaluation and analysis)
研究人员将电阻率样本和体素样本各按50%训练/测试随机划分。电阻率预测精度用均方根误差(RMSE)和决定系数(R2)评价,体素分类用准确率(Accuracy)、精确率(Precision)、召回率(Recall)、F1分数(F1-score)及Kappa系数评价。
  • •
    4.1 电阻率空间分布预测结果分析(Analysis of the prediction results of spatial distribution of resistivity):留一法交叉验证表明虚拟钻孔加密方法有效(RMSE 0.023~0.068,R20.908~0.990)。单一插值中NN效果最好(RMSE=0.048,R2=0.959),Kriging和IDW误差大(RMSE分别为0.250和0.369,R2为负值);RF融合模型预测效果最优(RMSE=0.022,R2=0.991),且较LightGBM和XGBoost更优,能更好捕捉电阻率细部变化及高阻区域。
  • •
    4.2 节理密集带体素分类结果分析(Analysis of voxel classification results in joint-dense zones):SVM和NB因仅用电阻率和坐标特征分类精度低;2DCNN利用平面特征有所提升;3DCNN及更复杂三维网络因捕获三维空间依赖进一步提升;所提MS3DCNN因融合多尺度特征在各分辨率下总体最优(30 m×30 m×30 m体素尺寸下表现略佳)。分类后用三维连通域滤波去除孤立误分体素。
  • •
    4.3 三维地质建模结果(Three-dimensional geological modelling results):基于MS3DCNN分类结果用Marching Cubes算法重建节理密集带三维模型。体素尺寸越小模型细节越丰富,尺寸过大(90 m×90 m×90 m)则模型模糊粗糙,表明体素尺寸是精细建模关键因素。
5 讨论(Discussion)
  • •
    5.1 体素立方体尺寸对分类及建模的影响:在30 m体素尺寸下测试不同体素立方体输入尺寸(5×5×5至15×15×15),过小限制空间特征提取致精度下降且训练快,过大使特征趋同亦降精度,本实验中13×13×13达峰值后略降。
  • •
    5.2 电阻率预测精度对体素分类的影响:MS3DCNN训练精度高度依赖输入电阻率分布数据质量——Kriging和IDW插值数据训练MS3DCNN精度仅约0.614和0.627,NN插值数据训练精度约0.816,RF预测电阻率数据训练精度达0.957,说明高精度电阻率空间分布是体素分类的重要基础。
  • •
    5.3 空间位置特征对识别的贡献:加入位置信息对传统机器学习(如NB的F1从0.478升至0.687)和2DCNN(F1从0.885升至0.914)有明显帮助,但对3DCNN和MS3DCNN提升极小,表明后者主要通过自主学习电阻率空间分布特征获得高精度,在单源不完整数据下有独特优势。
  • •
    5.4 适用性与局限性分析:空间分块验证所有方法精度降约3%~8%,深度学习降幅更小,MS3DCNN仍保持优势,具一定空间泛化能力。该方法适用于节理密集带产生明显电阻率异常(如含水或强破碎岩体)的环境;单一电阻率受岩性、含水量等多因素影响具非唯一性,未来宜融合地震或地质多源数据以降低不确定性。
结论(Conclusion)翻译:
本研究提出一种在不完整电阻率数据条件下,结合基于随机森林(RF)的电阻率预测与基于多尺度三维卷积神经网络(MS3DCNN)体素分类的节理密集带三维地质建模方法。结果表明,以多种插值结果为输入特征可使RF模型更好地捕捉空间变化并在无直接测量区域提供更可靠的电阻率预测,改善电阻率场连续性并降低稀疏数据带来的不确定性。此外,融入多尺度邻域信息显著提升了体素分类性能,MS3DCNN有效学习电阻率的局部与全局空间特征,对节理密集带识别精度更高,为精细化三维地质建模奠定基础。最终三维模型成功圈定节理密集带空间分布,验证了所提框架在有限数据条件下的可行性。综上所述,该方法在不完整数据条件下精确捕捉关键地质特征具明显潜力,可推广应用于类似不完整数据场景下地质体的精细化三维建模。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号