整合电阻率层析成像衍生指标与集成机器学习以预测土堤的地下水埋深
《Engineering Geology》:Integrating electrical resistivity tomography–derived metrics with ensemble machine learning to predict the depth-to-water in earthen levees
【字体:
大
中
小
】
时间:2026年09月30日
来源:Engineering Geology 10.3
编辑推荐:
•重复3D电阻率层析成像(ERT)指标实现了剖面尺度的含水层埋深(depth-to-water, DTW)估算。•梯度提升算法实现了1.47%的留一法(leave-one-out)预测误差。•缩减后的三项指标特征集保留了预测性能。•空间阻断分析揭示了跨未监测堤坝区段进行外推预
•重复3D电阻率层析成像(ERT)指标实现了剖面尺度的含水层埋深(depth-to-water, DTW)估算。•梯度提升算法实现了1.47%的留一法(leave-one-out)预测误差。•缩减后的三项指标特征集保留了预测性能。•空间阻断分析揭示了跨未监测堤坝区段进行外推预测的局限性。引言在欧洲大部分地区,土质堤坝是抵御河流泛滥的主要防线。然而,这些堤坝在结构上仍存在外部检查无法发现的风险(Camici等,2017;Michelazzo等,2018)。由渗流驱动的内部侵蚀是指细粒土壤颗粒沿地下水流路径逐渐流失的过程,占全球堤坝失稳事件的约38%;由于其不可见性——它在堤坝内部悄然发展,往往直到失效时才被发现——这使其成为最具隐蔽性的失效模式之一(Rehamnia等,2021)。欧洲许多堤坝系统的年代久远和复杂的施工历史进一步加剧了这一风险。例如,匈牙利主要防洪堤网络总长约4400公里,其中许多区段是在150多年的时间里用当地材料逐步修建而成,往往缺乏详细的岩土工程记录(Illés,2023;Sheishah等,2023)。此外,日益严重的干旱促进了堤坝本体的干燥开裂(Tang等,2021),而极端水文事件重现期的缩短则使老旧堤坝系统承受了原始设计者未曾预料的 Hydraulic 荷载(Illés和Nagy,2022;Sz?ll?si-Nagy,2022)。传统的堤坝监测系统依赖测压管(piezometers)来追踪地下水位或含水层埋深(DTW,即从地表到潜水面的深度),从而判断渗流的发展情况。尽管测压管在监测点处具有较高的精度,但它们需要通过钻孔方式安装,只能提供离散点数据,且对于需要监测的堤坝空间密度而言,部署成本过于高昂(Locci-Lopez和Lorenzo,2023),例如沿蒂萨河(Tisza River)的堤坝(Sheishah等,2026)。这些不足促使人们寻求非侵入性、空间连续的测量技术,以无需钻孔即可获得定量的地下水文信息。在地球物理方法中,电阻率层析成像(ERT)已成为堤坝评估的首选工具(Tresoldi等,2019;Whiteley等,2019)。时程ERT能够检测并追踪与水分再分布相关的地下电阻率时间变化,可用于识别异常湿润区、渗流路径和内部侵蚀特征(Abdelsamei等,2024;Guo等,2022;Hojat,2024;Jodry等,2019;Martínez-Moreno等,2018;Tresoldi等,2019)。结合多种地球物理方法的研究进一步证明了ERT在绘制土坝优势渗流路径方面的有效性(Himi等,2018)。长期监测装置的研究表明,ERT可以分辨河岸堤坝的季节性水分动态,并追踪在可控和自然水力荷载下的饱和度演变过程(Sheishah等,2026)。近年来3D ERT技术的进步进一步提升了这些复杂渗流路径的空间分辨率(Ball等,2023;Chen等,2025)。然而,这些研究主要是诊断性的:它们对地下条件进行成像并识别异常,但未能将ERT观测结果转化为含水层埋深(DTW)等水文状态变量的直接定量预测。因此,一个关键挑战不仅在于异常检测,更在于将地球物理信号转化为可操作的水文参数。与此同时,机器学习(ML)算法正越来越成功地应用于大坝和堤坝的监测(Yaseen等,2025)。早期应用神经网络和有限元方法对土坝渗流进行建模的研究已证实,数据驱动方法能够准确逼近基于物理的流动解。后续研究表明,集成方法如随机森林和梯度提升在预测各类基础设施的大坝位移、渗漏和孔隙水压力方面始终优于传统统计模型(Belmokre等,2019;El Bilali等,2022;Nourani等,2021;Wang等,2021;Zhang等,2021)。最近,先进的人工智能模型被用于捕捉高度复杂的监测数据。例如,Jiang(2024)应用了基于互信息引导的支持向量机(SVM)来预测土石坝的测压水位。Xie和Chen(2025)集成了双向长短期记忆(BiLSTM)方法来预测渗流并纳入滞后效应。Shao等(2024)使用BiLSTM网络准确预测了河堤的测压水位。然而,在每种情况下,这些模型都需要传统监测输入,如测压管时间序列、水库水位或数值模拟场,这些均预设了已有钻孔或基于物理的正向建模。将ML算法与非侵入性地球物理输入相结合以直接预测地下水文变量的研究仍然十分有限,且尚未在堤坝尺度渗流条件下得到系统性验证。最近,我们(Ali等,2025)引入了一个定量框架,用于从时程3D ERT监测中表征渗流动力学,并提出了四项新颖的时空指标:检测率(DR)、饱和推进速率(SAR)、总饱和期(TSP)和渗漏持续指数(LPI)。在一个全比例尺堤坝区段的受控洪水实验中,这些指标连同已建立的渗漏距离(L)和初始检测时间(TID),与测压水位进行了基准对比,得到了0.39–1.03%的位置特异性平均绝对百分比误差(MAPE)和1.88%的最大个体偏差。然而,该验证是通过直接数学比较而非预测建模进行的。因此,三个基本问题仍未解决:ERT衍生指标能否预测未用于模型拟合的堤坝剖面的DTW;现有钻孔衍生参数能否提供超出ERT衍生指标以外的额外预测信息;哪些具体特征对个体预测做出了贡献,以及这些贡献在监测的渗流梯度上如何变化。本研究聚焦于在站点标定的受控堤坝监测框架内进行剖面尺度的DTW估算,使用来自重复3D ERT观测的渗流时空描述符。为填补这些空白,本研究设定了五个具体目标:(1)评估五种ML算法基于ERT衍生指标预测DTW的能力;(2)通过基于证据的特征选择,识别一组保留预测性能的缩减ERT衍生指标集;(3)评估在ERT衍生指标中加入钻孔衍生参数是否能提高训练模型的预测精度;(4)量化各特征的贡献并验证其物理一致性;(5)实现从ERT衍生指标对DTW进行可复现的预测。最终目标是评估非侵入性ERT衍生渗流指标能否与集成学习相结合,在细粒堤坝监测框架内估算剖面尺度的DTW。实验片段实验数据收集自匈牙利东南部贝凯什(Békés)附近科罗斯河(K?r?s River)旁的一段土质堤坝,该堤坝属于更广泛的蒂萨河防洪系统的一部分(图1a、b)。该堤坝使用当地冲积细粒粉砂,在150多年的时间里逐步修建而成。监测区段在堤顶高度约为4.5米(图1c),实验室粒度分析确认其成分在整个监测范围内相对均匀。探索性数据分析ML数据集包含16个剖面级事件摘要,均匀分布在堤顶和保护侧(每组n = 8),无缺失值。初步统计筛选表明,TID、DR、TSP、LPI和DTW均偏离正态分布(Shapiro-Wilk检验,p < 0.05),而L和SAR未显著偏离正态分布。鉴于样本量较小且多个变量呈非正态分布,强调非参数组间比较和基于秩的解释。(ERT-based DTW estimation within a calibrated monitoring framework本研究的核心进展是将重复3D ERT监测中的时空描述符与集成ML相结合,在站点标定的堤坝框架内估算剖面尺度的DTW,且最终预测模型不需要钻孔衍生参数作为输入。尽管预测变量和DTW目标值均来源于同一ERT监测序列,但它们描述了渗流演变的不同属性,且基于ERT的DTW解释经过了基准对比验证。结论本研究评估了一个ML框架,该框架使用先前定义并经站点标定的ERT衍生渗流指标,在受控的细粒堤坝洪水实验中对剖面尺度的DTW进行估算。保留的预测变量——L、TID和LPI——分别概括了跨堤坝位置、初始检测时间和饱和持续性,源自重复3D ERT模型。将特征集缩减为这三个预测变量后,交叉验证性能有所提升,表明额外的代数上...CRediT作者贡献声明Ahmed M. Ali:撰写——审阅与编辑,撰写——初稿,可视化,验证,软件,方法论,调查研究,形式分析,数据管理。Attila Timar:验证,资源,概念化。James P. Boyd:撰写——审阅与编辑,软件,数据管理。Károly Barta:验证,方法论。Enas Abdelsamei:方法论。Diaa Sheishah:方法论。Alexandru Hegyi:资源,方法论。Viktória Blanka-Végi:资源,项目管理。资金本研究由匈牙利国家研究、发展和创新基金(项目编号RRF-2.3.1-21-2022-00008,国家水科学与水安全实验室)资助,以及由Interreg IPA匈牙利-塞尔维亚计划(项目编号HUSRB/23R/11/006,ADAPTISA项目)资助。利益冲突声明作者声明,没有已知的竞争性经济利益或个人关系可能会影响本文所报告的工作。致谢Ahmed M. Ali、Enas Abdelsamei和Diaa Sheishah感谢埃及文化与使命部门对Tempus Hungaricum联合奖学金的支持,以及埃及国家天文学与地学研究所提供的机构和研究支持。Attila Timar感谢匈牙利创新与技术部合作博士项目的博士生奖学金计划提供的专业支持,该计划资金来源于Ahmed M. Ali|Attila Timar|James P. Boyd|Károly Barta|Enas Abdelsamei|Diaa Sheishah|Alexandru Hegyi|Viktória Blanka-Végi|Gy?rgy Sipos
生物通微信公众号
生物通新浪微博
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