这篇文档属于类型a,即报告了一项原创性研究。以下是针对该研究的学术报告:
本研究由Borui Lyu(香港科技大学博士后研究员)、Yu Wang(香港科技大学教授,通讯作者)等7位作者合作完成,发表于ASCE旗下期刊《Journal of Geotechnical and Geoenvironmental Engineering》2025年第8期(DOI: 10.1061/jggefk.gteng-13369)。研究团队来自香港科技大学、香港城市大学及香港特别行政区政府土木工程拓展署(GEO)。
研究聚焦于三维(3D)地下地质建模,属于岩土工程与机器学习交叉领域。传统建模依赖钻孔数据(borehole logs),但实际工程中钻孔数据稀疏且成本高昂;而地球物理数据(geophysical data)虽覆盖范围广,却因解释复杂且与钻孔数据来源不同,难以直接整合。
针对以下问题:
- 如何利用不同地点的地球物理数据补充目标场地的稀疏钻孔数据?
- 如何解决钻孔数据不完整(如部分深度缺失)的挑战?
研究提出一种基于多尺度生成对抗网络(Multiscale Generative Adversarial Network, MS-GAN)的数据驱动方法,实现跨场地数据融合,并量化建模不确定性。
(1)数据准备与验证
- 研究对象:香港大屿山东涌填海工程(TCE site)与顺朗路(SL site)两个相邻场地,地质条件相似。
- 钻孔数据:TCE场地25个钻孔(部分不完整),SL场地钻孔用于验证地球物理数据。
- 地球物理数据:SL场地通过地震反射和磁力勘测获取,解译为4个地层界面(海床、海相沉积层基底、冲积层基底、III级岩石顶面)。
- 数据验证:通过SL场地钻孔与地球物理解译地层的标高差异分析,确认地球物理数据可作为可靠先验知识(训练图像)。
(2)MS-GAN算法框架
- 核心改进:
- 多尺度迭代生成:从粗到细逐步生成3D模型。第1尺度以稀疏钻孔为输入,生成预测钻孔;后续尺度结合前序结果迭代优化。
- 不规则钻孔处理:设计3×3子模板(subtemplate),利用邻近完整钻孔数据填补缺失部分(图9)。
- 训练流程:
1. 从地球物理数据构建3D训练图像(28×30×81体素,分辨率10m×5m×0.5m)。
2. 通过5×5矩形模板提取地层模式,训练GAN模型生成预测钻孔。
3. 结合不确定性量化(公式1:分散度Dispersion计算)评估模型置信度。
(3)案例验证
- 输入设置:将TCE场地钻孔分为输入钻孔(5~24个)和测试钻孔,评估不同数据量下的模型精度(公式2:准确率计算)。
- 计算平台:Intel Core i9-13900KF CPU与NVIDIA RTX 4090 GPU,单次生成耗时约5分钟。
(报告字数:约2000字)