近日，一项关于裂隙网络表征的重要研究成果在国际水文学顶级期刊《Journal of Hydrology》上发表。该研究由来自吉林大学、青岛理工大学、北京铀矿地质研究所、华北科技学院、中煤科工集团西安研究院有限公司、日本早稻田大学、美国辛辛那提大学以及山东省水资源规划研究院等多个国内外知名研究机构的团队共同完成。通讯作者为吉林大学的Dai Zhenxue教授。论文于2025年10月30日在线发表，并于2026年正式出版于该刊的第664卷。此项工作旨在解决地下水流动和放射性核素迁移模拟中的一个核心难题——裂隙网络空间构型的不确定性，特别是为放射性废物地质处置的安全评估提供关键技术支撑。
本研究的科学背景聚焦于水文地质学和计算地球科学领域。裂隙岩体是地下水流动和污染物迁移的主要通道，尤其在核废料地质处置库选址与安全评价中，精确刻画其内部复杂的裂隙网络至关重要。传统的离散裂隙网络（Discrete Fracture Network, DFN）模型能明确表征裂隙，但如何基于有限的现场观测数据（如稀疏的钻孔数据、压力和水头数据）来准确推断地下大范围的裂隙分布，是一个极具挑战性的“反演”问题。现有方法，如基于马尔可夫链蒙特卡洛（MCMC）的贝叶斯反演框架或进化算法（如遗传算法），虽具备全局优化能力，但往往计算成本高昂，且其随机性会引入较大的解的不确定性。另一方面，近年来兴起的深度学习（Deep Learning, DL）方法在模式识别和高维问题处理上展现出强大优势，但其性能严重依赖于大量、可靠的训练数据，而这在工程现场往往难以获取。因此，本研究的目标是开发一个序列化框架，以整合遗传算法（GA）的全局搜索能力和深度学习的模式识别与高效计算优势，从而实现对二维和三维裂隙网络的高效、准确表征，并显著降低其不确定性。
研究工作的详细流程可分为三个核心阶段，构成了一个完整的“预处理-随机搜索-深度学习精炼”序列框架。
第一阶段是数据准备与模型预训练。研究团队首先基于野外统计数据，构建了两个合成案例：一个二维裂隙网络（基于露头照片，含9条裂隙）和一个三维裂隙网络（基于某场址Z5区400-480米深度的钻孔数据，含18条裂隙，分3组）。对于每个案例，他们使用COMSOL Multiphysics软件进行了大量高保真度的正向模拟，以生成训练和测试所需的数据集。具体而言，模拟了在给定裂隙分布下，稳态地下水流和为期30年（2D）/50年（3D）的保守性核素迁移过程，获取空间压力场和浓度场。总共生成了30,000个模拟结果（2D案例20,000个，3D案例10,000个）。这些数据在输入深度学习模型前进行了归一化处理，以解决压力和浓度数据量级差异过大的问题，确保模型训练的稳定性。数据集被随机打乱并按80:20的比例划分为训练集和测试集。在此阶段，研究团队开发并预训练了两个关键的深度学习模型：一是用于正向模拟的代理模型——空间注意力U-Net（Spatial-Attention U-Net， SA-UNet），它能够根据输入的裂隙网络图像，快速预测对应的压力场和浓度场，替代计算昂贵的物理模拟；二是用于后续反演的精炼模型——深度注意力八度卷积残差网络（Deep Attention Octave Convolution Residual Network, DAOCRN），它被设计用于从观测数据和概率图中学习并重建更精确的裂隙网络。
第二阶段是基于遗传算法的随机建模与初步表征。此阶段的目标是利用GA的全局优化能力，在解空间中探索可能的裂隙网络配置。工作流程始于根据先验信息（如钻孔揭露的裂隙位置、裂隙长度和走向的范围）随机生成一组初始裂隙网络。对于后续的每一代，新裂隙网络的产生结合了三种方式：保留前代最优解的一部分（精英策略）、随机生成一部分、以及通过选择、交叉和变异操作从最优解中“繁衍”出新个体。在每一代中，所有新生成的裂隙网络不再通过耗时的物理模拟进行评价，而是使用第一阶段预训练好的SA-UNet代理模型，快速预测其对应的压力场和浓度场。然后，通过计算预测值与“观测值”（即合成案例中的真实模拟值）之间的均方误差（MSE）损失，来评估每个裂隙网络的拟合程度。选择MSE损失最低的30%的网络作为当前代的最优候选解。GA迭代运行指定的代数（本研究中设置为10代，每代种群规模为64）。最终，GA阶段的主要输出不是单一的“最优”网络，而是将所有代中最优候选解叠加计算得到的裂隙概率图（Fracture Probability Map, FPM）。FPM中每个像素的值代表了在所有最优候选解中，该位置是裂隙的概率。这既是对GA反演结果的概率化表征，也量化了此阶段的不确定性，同时为下一阶段的深度学习提供了关键的输入数据。
第三阶段是基于深度学习的不确定性降低与精细表征。此阶段旨在利用深度学习的模式识别能力，对GA阶段得到的、仍包含不确定性的FPM进行精炼。具体而言，将GA生成的FPM、以及来自观测井的压力和浓度观测数据，一同作为输入，送入预训练好的DAOCRN模型中。DAOCRN模型集成了卷积操作和空间注意力（Spatial Attention, SA）机制，能够同时捕捉裂隙图像的局部细节和全局空间依赖关系。模型通过训练，学习从FPM和观测数据中提取特征，并输出一个更接近真实情况的、确定性更高的裂隙网络图像。这一过程本质上是一个图像分割任务，模型通过最小化预测裂隙网络与真实网络之间的二进制交叉熵（BCE）损失来优化自身参数。通过这一阶段，深度学习模型能够有效整合多源观测数据，修正GA结果中在无观测数据区域的错误或模糊之处，从而显著降低裂隙空间分布的不确定性。
研究取得了一系列明确且具有说服力的结果。
首先，在代理模型性能方面，SA-UNet表现优异。在测试集上，其预测的压力场和浓度场与真实的高保真模拟结果高度吻合，决定系数（R²）最低值也达到了0.9593（3D案例），表明其具备可靠的预测精度。更重要的是，其计算效率带来了革命性提升。在2D案例中，完成GA反演所需的约200万次等效模拟，若使用传统数值模型需耗时超过231天，而采用SA-UNet代理模型辅助后，总时间缩短至约3.36天，加速比超过68倍。这为迭代密集的随机反演方法（如GA）应用于实际复杂问题扫清了计算障碍。
其次，序列框架在裂隙网络表征精度上效果显著。评估指标是预测压力/浓度场与观测场之间的MSE损失。在2D案例中，与初始随机生成的网络相比，经过GA阶段（第二阶段）表征后，MSE损失降低了61.3%；再经过DL阶段（第三阶段）精炼后，总损失降低达到了89%。在更为复杂、自由度更高的3D案例中，GA阶段降低了37.1%的损失，而DL阶段进一步将总损失降低至68.3%。这些数据直观地证明了“GA初步探索 + DL精细修正”这一序列策略的有效性，且DL在降低不确定性方面贡献巨大。
第三，不确定性分析结果与精度提升相互印证。研究通过分析不同阶段生成的裂隙网络所对应的核素浓度空间分布曲线（沿观测井和垂直观测井方向）的集合（即多条预测曲线的分布范围）来可视化不确定性。结果显示，初始随机生成阶段的不确定性最大，浓度曲线分布范围极广。GA阶段后，沿观测井方向的不确定性显著减小，这是因为GA的优化过程使解向拟合观测数据的方向收敛；然而，在垂直观测井、缺乏直接观测约束的方向上，不确定性降低有限。这正是GA作为随机优化方法的局限性——它优先保证在观测点上的拟合，但对整个空间构型的全局优化能力不足。到了DL阶段，无论是在沿井还是垂井方向，浓度预测曲线的分布范围都变得非常集中，且与真实曲线高度重合，残余波动很小。这有力地表明，DAOCRN模型能够利用其从数据中学到的空间模式先验知识，对无观测区域的裂隙分布做出合理推断，从而实现了全局性的不确定性降低。
本研究得出的核心结论是：所提出的序列集成框架通过先后发挥遗传算法和深度学习的优势，能够有效表征多维（2D和3D）裂隙网络，并显著降低其相关的不确定性。框架中的SA-UNet代理模型极大地提升了计算效率；而GA与DL的序列组合，使得在观测数据稀疏的条件下，既能进行广泛的解空间探索，又能实现对初步结果的智能精炼，最终获得更可靠、不确定性更低的裂隙网络模型。这一成果对于提高放射性废物地质处置库性能评估和安全分析的可靠性具有重要价值。
本研究的亮点和创新之处主要体现在以下几个方面：1. 方法论创新：首次提出了一个将遗传算法与深度学习进行“序列化”而非简单并联或串联集成的反演框架，巧妙地将GA用于生成DL所需的训练数据（概率图），同时利用DL来修正GA结果中的不确定性，形成了优势互补的闭环。2. 模型创新：开发了两种新型深度学习架构——集成空间注意力机制的SA-UNet代理模型和DAOCRN反演模型，增强了模型捕获多尺度特征和空间长程依赖的能力，提升了预测和反演的精度与稳定性。3. 显著的工程应用价值：通过引入高效的DL代理模型，将原本不可行的、需要数月计算时间的反演问题缩短到数天内解决，使得基于随机反演的高分辨率裂隙网络表征在实际工程中的应用成为可能。4. 系统的验证与分析：研究不仅在2D理想案例中验证了框架的有效性，更在更接近真实情况的3D案例中进行了成功测试，并辅以详尽的不确定性量化分析，使结论更为扎实可靠。
此外，研究团队也坦诚讨论了框架的局限性。例如，代理模型虽然高效，但其固有的预测误差会被引入GA的适应度评估中，可能导致选出的“最优”裂隙网络与真实情况存在偏差。同时，对于现实中可能存在的更复杂、更密集的多尺度裂隙系统，当前框架仍面临挑战。作者指出，未来的工作可以探索将裂隙数量等参数也纳入贝叶斯框架进行反演，或结合生成式深度学习模型来产生地质拓扑特征更一致的裂隙网络，以进一步完善该技术体系。总体而言，这项研究为连接物理驱动与数据驱动的地下表征方法提供了一个富有前景的范例，推动了计算水文地质学与人工智能的交叉融合。