学术研究报告：基于多任务神经网络与多源数据的离散裂隙网络开度反演方法——Aperture-XNet

一、作者与发表信息
本研究由Jinbo Wang（中国地质大学（北京））、Lei Ren（国家管网集团安全环保部）、Kunfeng Zhang（中国石油集团安全环保技术研究院）等合作完成，通讯作者为Mingzhu Liu（中国地质大学（北京））。论文发表于《Journal of Hydrology》第661卷（2025年），标题为“Multi-task neural network combined with multi-source data for inversion of discrete fracture network apertures: Aperture-XNet”。

二、学术背景
裂隙广泛分布于含水层中，其几何特征（如开度、长度、连通性）和水力特性对地下水流及污染物迁移具有关键控制作用。传统裂隙表征方法（如示踪试验、水力层析成像）依赖物理方程驱动的反演模型，计算复杂度高且常将裂隙开度假设为恒定值，忽略了其空间变异性对流体运移的显著影响。为此，本研究提出了一种基于深度学习（deep learning, DL）的创新方法，通过多源数据（水力水头和溶质浓度）联合反演裂隙几何结构与开度分布，旨在解决传统方法效率低、假设简化的问题。

三、研究流程与方法
1. 正向模型构建与数据生成
- 模型设计：以瑞士Grimsel试验场（GTS）的裂隙岩体为原型，构建100 m×100 m的二维裂隙含水层模型，包含两组随机生成的裂隙（每组2-4条，长度50-100 m，开度0.001-0.01 m）。
- 数值模拟：使用COMSOL Multiphysics求解非稳态水流与溶质运移方程（式1-4），边界条件设置为左侧定水头（100 m）和溶质释放（3.5 mol/m³），右侧定水头（97 m）。36个观测井监测水力梯度与17个时间步的溶质浓度数据（共19通道）。
- 数据集：生成26,000组随机裂隙网络模型，其中20,000组用于训练，5,000组验证，1,000组测试。

1. 多任务神经网络架构（Aperture-XNet）

   • 基础框架：基于SegNet编码器-解码器结构，改进为双任务并行网络：
     
     • 任务1（分类）：通过上部分网络识别裂隙几何位置，输出二值化概率图（分辨率100×100）。
       
     • 任务2（回归）：下部分网络以任务1的输出为输入，反演裂隙开度值。
       
   • 创新机制：
     
     • 权重共享与跳跃连接：提升特征传递效率，分类结果通过插值匹配解码器分辨率，作为回归任务的先验信息。
       
     • 损失函数：分类任务采用交叉熵损失（式10），回归任务采用均方误差损失（式11），开度标签放大1,000倍以突出裂隙与基质的差异。
       
   • 训练参数：使用PyTorch框架，Adam优化器（学习率0.001），批量大小128，NVIDIA 4090 GPU训练3小时（200轮次）。
     

2. 性能评估指标

   • 裂隙几何精度（Facc）：像素级分类准确率（式12）。
     
   • 开度反演精度（Aacc）：基于归一化绝对误差的评估（式13）。
     

四、主要结果
1. 反演精度：
- 测试集平均裂隙几何精度达95.16%，开度反演精度84.35%。典型案例如Ex1（两组裂隙）的几何与开度精度分别为96.46%和89.37%；随裂隙数量增加（Ex3），精度略有下降（93.83%和82.81%）。
- 对比实验：单任务网络的开度反演精度降低5.59%（78.76% vs 84.35%），验证了多任务架构的优势。

1. 影响因素分析：
   
   • 数据源：仅用溶质数据时，开度精度显著下降（74.13%），表明水力数据对裂隙定位至关重要。
     
   • 观测间隔：溶质监测步长从30天增至60天，开度精度降低1.32%。
     
   • 数据集规模：训练样本从30,000减至15,000时，开度精度下降12.14个百分点（86.21%→74.07%）。
     
   • 观测点数量：36个观测井减少至16个时，几何精度仅降低0.78%，但边界观测点对溶质数据敏感性更高。
     

五、结论与价值
1. 科学价值：
- 首次将多任务深度学习应用于裂隙开度反演，通过分类-回归级联框架解决了传统方法忽略开度变异性的问题。
- 提出轻量级SegNet改进架构，无需预训练即可实现端到端映射，计算效率显著优于传统反演方法（单次预测耗时秒）。

1. 应用价值：
   
   • 为裂隙含水层的高效表征提供了新工具，尤其适用于污染物迁移预测与修复策略设计。
     
   • 通过合成数据验证了方法的泛化能力，未来可扩展至真实场地（如法国Terrieu试验场或日本瑞浪地下实验室）。
     

六、研究亮点
1. 方法创新：融合多源数据与多任务学习，开度反演精度提升5.59%。
2. 工程友好性：支持稀疏观测数据输入，适应实际监测条件限制。
3. 开源潜力：训练代码与合成数据集可为后续研究提供基准。

七、展望
未来需进一步研究非达西流、基质非均质性等复杂场景，并结合真实场地数据验证。此外，三维裂隙网络与动态开度变化的反演将是重要方向。