摘要：【目的】电法勘探中传统的电性异常判识方法计算复杂、效率低,且成果解译对初始模型依赖性强,难以满足海量数据快速处理的应用需求。【方法】对此,结合深度学习思想,提出了一种基于端到端的大坝视电阻率识别网络(Apparent Resistivity Network, ARNet)模型,将传统的渗漏判识方法转换为从输入视电阻率数据到输出异常体分布的非线性映射问题。利用pyGIMLi有限元工具建立2.2×104个不同形状、位置及电阻率值的大坝渗漏地电模型,计算视电阻率形态分布;通过对模拟数据进行批量提取、插值网格化处理,构建了网络训练数据集;采用相应的前端、后端及后处理方法完成网络模型搭建,并以“损失值”和“交并比”作为模型性能指标,采用随机梯度下降算法实现模型权重参数的迭代优化。【结果】结果表明:ARNet模型经过1 000次训练后,损失值降至0.068,交并比达到94.60%;在不同电阻率、位置、形状的单、双异常体对比测试中,模型匹配度达到97.66%,误差低于0.257 m。【结论】结合水库大坝的实测数据试验,ARNet模型具备良好的泛化性能,较传统反演可实现对异常体的高精度智能识别,研究成果拓宽了深度学习技术在大坝安全领域的应用研究。

摘要：在复杂地表条件下,利用瑞雷面波进行勘探时,需要考虑地形对瑞雷波场传播地影响。针对倾斜地表两层地质模型,通过设计不同展布方向的检波器排列进行瑞雷波信号采集,利用高精度交错网格有限差分法,讨论经过快速傅里叶变换后的地震记录F-V频率谱,通过对比信号频率谱与理论多阶频散曲线,分析在不同地形条件下瑞雷波传播能量的变化特征,并提取叠加频散曲线;运用遗传算法对采集到的地震记录进行基阶与高阶瑞雷波联合反演得到目的层厚与初始模型层厚进行误差对比;并对理论正演初始模型的频散曲线与各地质模型利用F-K法提取的频散曲线进行全局拟合误差计算。分析表明:倾斜地形进行多道瞬态瑞雷面波勘探,相对于下部激发、上部激发会产生高阶频散趋势,因此对下部激发的地震记录进行反演产生的厚度误差相对较小。