השבה בעזרת למידה עמוקה של תכולת מים וזמן הרפיה באזורי סדקים עם מים על בסיס נתוני NMR משטח

מדוע מים נסתרים בסדקי סלע חשובים

הרחק מתחת לרגלינו, מים לעתים זורמים דרך סדקים זעירים בסלע. ורידים חבויים אלה יכולים להיות משאב חיוני וגם סיכון חמור: הם מספקים מי שתייה, אך גם עלולים להציף מכרות, להחליש מנהרות ולהשפיע על התמוטטויות קרקע. המחקר המתואר כאן מציג דרך חדשה לאתר אזורי סדקים מלאי מים מן המשטח, באמצעות שילוב של שיטת מגנטית ייעודית ולמידה עמוקה מודרנית. המטרה היא לא רק לזהות את מקום המים, אלא גם להבין כיצד הם מאוחסנים וכמה בקלות יכולים לנוע — מידע קריטי להנדסה בטוחה ולשימוש בר-קיימא במים.

להאזין למים עם אותות מגנטיים דקים

העבודה מתבססת על טכניקה הנקראת תהודה מגנטית גרעינית משטחית (surface NMR), שהיא יוצאת דופן בכלי גיאופיזיקליים כיוון שהיא מגיבה ישירות למימן שבמים נוזליים. על הקרקע, לולאות של חוטים משדרות פולסים מתואמים בעדינות אל תוך האדמה ואז מאזינות לאותות חלשים בדמיון להד שמגיעים מהמים התת-קרקעיים. אותות אלה דועכים עם הזמן בקצב התלוי באופן שבו המים מוחזקים בסלע. נקבוביות רחבות וספוגיות מייצרות סוג התדרדרות אחד, בעוד שסדקים צרים נותנים דפוס אחר. מבחינה עקרונית, התנהגות הזמן הזו יכולה לחשוף לא רק כמה מים קיימים, אלא גם האם הם יושבים בשכבות נקבוביות או ברשתות סדקים שעשויות לכוון זרימה ולגרום לדליפות או הצפות פתאומיות.

מגבלות של דימות תת-קרקעי מסורתי

שיטות קונבנציונליות להמרת אותות אלה לתמונות תת-קרקעיות נשענות על כוונון איטרטיבי של מודלים מתמטיים לנתונים הנמדדים. גישת "QT inversion" המוכרת עובדת טוב עבור אקוויפרים רחבים ועשירים במים, אך מתקשה עם אזורי סדקים דקים או עמוקים. האותות שלהם חלשים יותר, לעתים מוסתרים על ידי שכבות עליונות עם יותר מים, ועלולים להצטמצם בעקבות טריקים של רגולריזציה המשמשים לייצוב החישובים. התהליך גם כבד חישובית: כדי לקבל תמונה מהימנה, מומחים צריכים להתאים שוב ושוב משקלים ומגבלות, תהליך איטי שאינו אידיאלי כשדרוש קבלת החלטות בזמן אמת בפרויקטים של כרייה או חפירות מנהרות.

ללמד רשת עצבית לראות סדקים

כדי להתגבר על המגבלות הללו, המחברים ניסחו את הבעיה כבעיית זיהוי תבניות. הם בנו אלפי מודלים סינתטיים ריאליסטיים של גאולוגיה תת-קרקעית, ששילבו אקוויפרים שכבתיים נקבוביים עם רשתות סדקים שנוצרו באקראי באורכים, בזויות ובצפיפויות שונות. עבור כל מודל סימלצו את אותות תהודה מגנטית הצפויים, הוסיפו רעש ריאלי וסמנו את ההתפלגות האמיתית של ארבעת הכמויות המרכזיות: תכולת מים וזמן הרפיה הן לשכבות הנקבוביות והן לאזורי הסדקים. לאחר מכן אימנו רשת עצבית קונבולוציונית — ארכיטקטורת למידה עמוקה המתמקדת בעיבוד תמונה — ללמוד את המיפוי הישיר מרשומות האותות המלאות לארבעת המפות התת-קרקעיות הללו. בפועל, הרשת הופכת ל"הפוך" מהיר ולמד שמה שמעקף הרבה מהכוונון המסורתי.

תמונות חדות יותר, תשובות מהירות יותר

מבחנים על דוגמאות סינתטיות שלא נראו באימון הראו שהרשת המאומנת יכולה להפריד בבירור בין אקוויפרים נקבוביים לסדקים מלאי מים לאורך חתך דו-ממדי. היא שיחזרה את הצורות והמיקומים של אזורי הסדקים, גם כאשר הם היו משופעים או מקובצים, ותפסה את זמני ההרפיה האופייניים והארוכים יותר שלהם. קצת טשטוש ותת-הערכה הופיעו בקצוות של מבנים קטנים ועמוקים, שבהם האותות החלשים ביותר, אך באופן כללי השגיאות היו מתונות. בהשוואה ישירה לשיטת השבה רגולריזציה סטנדרטית, שיטת הלמידה העמוקה הספקה גבולות חדים יותר, פחות ארטיפקטים בעומק ושגיאות ממוצעות נמוכות בהרבה — והכל תוך הקטנת זמן הריצה של ההשבה מפעם ועשרים וחצי דקות לכמה שניות בלבד לאחר השלמת האימון. מבחני עמידות עם רמות רעש גדלות הראו שאמנם פרטים עדינים מתדרדרים, אך אזורי הסדקים והאקוויפרים העיקריים נשארים מזוהים גם בתנאי אות גרועים למדי.

ממבחנים מספריים אל סלע אמיתי

המחברים הפעילו את הרשת המאומנת על נתוני שדה מאזור כריית פחם בצפון סין, שם סלע אם מסותב תחת סדימות משקעות צעירות מכיל אקוויפר הנשלט על ידי סדקים ויכול לסכן את בטיחות המכרה. השבה סטנדרטית הציגה את האקוויפר הנקבובי הרדוד הצפוי אך לא גילתה אזור סדקים עמוק ברור. לעומת זאת, השבה בלמידה עמוקה הדגישה אזור מובחן בדמות רצועה נושאת מים בתוך סלע שסוע בעומקים של כ-18 עד 30 מטרים לאורך חלק מקו הסקר. תצפיות בורות עצמאיות אישרו שהקטע הזה היה סדוק במידה רבה ומלא מים. מבחן שאיבה בבור אחד סיפק הערכה של קלות הסטת המים בסלע, אשר תאמה באופן הדוק — בתוך כ-10 אחוז — את הערכים שהוסקו מההשבה החדשה, מה שסיפק תמיכה אמפירית לשיטה.

מה משמעות הדבר למים ולבטיחות תת-קרקעית

במילים פשוטות, המחקר מראה ששילוב של שיטת חישה ספציפית למים עם למידה עמוקה יכול להפוך סדקים מלאי מים שהיו נסתרים באופן משמעותי לניתנים לאיתור מן המשטח. הגישה מבדילה בין מים באטמים איטיים לשטף לבין מים בסדקים שעלולים להיות מסוכנים, ומספקת הערכות לגבי כמות המים וזמינותם לזרימה. בעוד שהשיטה עדיין תלויה בנתוני אימון טובים ויכולה לטשטש תכונות קטנות או עמוקות מאוד, היא מציעה דרך מהירה ולא פולשנית למיפוי אזורי סדקים מסוכנים ולתמיכה בתכנון מכרות בטוח יותר, בעיצוב מנהרות ובניהול מי תהום באזורים סלעיים מורכבים.

ציטוט: Li, K., Li, H., Qiu, H. et al. Deep learning inversion of water content and relaxation time in water-bearing fracture zones based on surface NMR data. Sci Rep 16, 9292 (2026). https://doi.org/10.1038/s41598-026-40506-6

מילות מפתח: מי תהום, סדקי סלע, תהודה מגנטית גרעינית, למידה עמוקה, סיכוני גאולוגיה