Odwrotne uczenie głębokie zawartości wody i czasu relaksacji w strefach spękań zawierających wodę na podstawie danych powierzchniowego NMR

Dlaczego ukryta woda w spękaniach skalnych ma znaczenie

Głęboko pod naszymi stopami woda często przemieszcza się przez drobne pęknięcia w skale. Te ukryte żyły mogą być zarówno kluczowym zasobem, jak i poważnym zagrożeniem: dostarczają wodę pitną, ale mogą też zatapiać kopalnie, osłabiać tunele i wywoływać osuwiska. Streszczenie badania przedstawia nowy sposób wykrywania takich stref spękań wypełnionych wodą z powierzchni, łącząc specjalistyczną metodę magnetyczną z nowoczesnym uczeniem głębokim. Celem jest nie tylko ustalenie, gdzie znajduje się woda gruntowa, lecz także jak jest magazynowana i jak łatwo może się przemieszczać — informacje kluczowe dla bezpiecznego inżynieringu i zrównoważonego gospodarowania wodą.

Słuchanie wody za pomocą subtelnych sygnałów magnetycznych

Praca opiera się na technice zwanej powierzchniowym jądrowym rezonansem magnetycznym (surface NMR), która wyróżnia się na tle narzędzi geofizycznych tym, że reaguje bezpośrednio na wodór w wodzie ciekłej. Na powierzchni pętle przewodów wysyłają precyzyjnie dostrojone impulsy w głąb Ziemi, a następnie nasłuchują słabych sygnałów przypominających echo pochodzących z podziemnej wody. Te sygnały gasną w czasie z szybkościami zależnymi od tego, jak woda jest utrzymywana w skale. Szerokie, gąbczaste pory dają jeden rodzaj zaniku, podczas gdy wąskie spękania inny. Zasadniczo zachowanie w czasie może ujawnić nie tylko ilość wody, ale też czy znajduje się ona w warstwach porowatych, czy w sieciach szczelin, które mogą kierować przepływ i powodować nagłe przecieki lub powodzie.

Ograniczenia tradycyjnych obrazów podpowierzchniowych

Konwencjonalne metody przekształcania tych sygnałów w obrazy podpowierzchniowe opierają się na iteracyjnym dopasowywaniu modeli matematycznych do zmierzonych danych. Ugruntowane podejście „QT inversion” dobrze sprawdza się w przypadku szerokich, zasobnych w wodę warstw wodonośnych, ale ma trudności z cienkimi lub głębokimi strefami spękań. Ich sygnały są słabsze, często maskowane przez nakładające się warstwy z większą zawartością wody i mogą zostać wygładzone przez sztuczki regularizacyjne stosowane dla stabilności obliczeń. Proces jest także obciążający obliczeniowo: aby uzyskać wiarygodny obraz, specjaliści muszą wielokrotnie dostosowywać współczynniki kary i ograniczenia, co jest czasochłonne i nieoptymalne, gdy potrzebne są decyzje w czasie rzeczywistym podczas prac górniczych czy tunelowych.

Nauczanie sieci neuronowej rozpoznawania spękań

Aby przezwyciężyć te ograniczenia, autorzy przedstawili problem jako zadanie rozpoznawania wzorców. Zbudowali tysiące realistycznych, syntetycznych modeli geologicznych, łącząc warstwowe, porowate warstwy wodonośne z losowo generowanymi sieciami spękań o różnych długościach, kątach i gęstościach. Dla każdego modelu zasymulowali oczekiwane sygnały rezonansu magnetycznego, dodali realistyczny szum i oznaczyli rzeczywisty podziemny rozkład czterech kluczowych wielkości: zawartości wody i czasu relaksacji zarówno dla warstw porowatych, jak i dla stref spękań. Następnie wytrenowali konwolucyjną sieć neuronową — architekturę uczenia głębokiego przystosowaną do obrazów — aby nauczyła się bezpośredniego odwzorowania pełnych zapisów sygnałów na te cztery mapy podpowierzchniowe. W efekcie sieć staje się szybką, wyuczonym „odwrotem”, omijającą wiele tradycyjnych strojeń.

Bardziej ostre obrazy, szybsze odpowiedzi

Testy na niewidzianych wcześniej syntetycznych przykładach wykazały, że wytrenowana sieć potrafi wyraźnie odróżnić porowate warstwy wodonośne od wypełnionych wodą spękań w przekroju dwuwymiarowym. Odtwarzała kształty i położenie stref spękań, nawet gdy były nachylone lub skupione, i uchwyciła ich charakterystyczne, dłuższe czasy relaksacji. Pewne rozmycie i niedoszacowanie występowało na krawędziach małych, głębokich obiektów, gdzie sygnały są najsłabsze, ale ogólne błędy były umiarkowane. W porównaniu bezpośrednim ze standardową inwersją z regularizacją, metoda uczenia głębokiego dostarczała wyraźniejszych granic, mniej artefaktów na głębokości i znacząco niższe średnie błędy — przy jednoczesnym skróceniu czasu inwersji z około pół godziny do zaledwie kilku sekund po zakończeniu trenowania. Testy odporności przy rosnącym poziomie szumu pokazały, że choć drobne szczegóły ulegają pogorszeniu, główne strefy spękań i warstwy wodonośne pozostają rozpoznawalne nawet przy dość słabych warunkach sygnałowych.

Od testów numerycznych do rzeczywistej skały

Autorzy zastosowali wytrenowaną sieć do danych terenowych z obszaru wydobycia węgla w północnych Chinach, gdzie wietrzejące podłoże skalne pod młodszymi osadami mieści wodonośnik kontrolowany przez spękania, który może zagrozić bezpieczeństwu kopalni. Standardowa inwersja pokazała oczekiwaną, płytką warstwę porowatą, ale nie ujawniła wyraźnej głębszej strefy spękań. Natomiast inwersja oparta na uczeniu głębokim uwydatniła wyraźną, pasmową strefę zawierającą wodę w połamanym podłożu skalnym na głębokościach około 18–30 metrów wzdłuż części profilu pomiarowego. Niezależne obserwacje z odwiertów potwierdziły, że przedział ten był silnie spękany i zawierał wodę. Próba pompowania w jednym odwiertie dostarczyła oszacowania łatwości przepływu wody przez skałę, które zgadzało się w przybliżeniu — w granicach około 10 procent — z wartościami wywnioskowanymi z nowej inwersji, co daje realne potwierdzenie użyteczności metody.

Co to oznacza dla wody i bezpieczeństwa pod ziemią

Mówiąc prosto, badanie pokazuje, że połączenie metody specyficznej dla wody z uczeniem głębokim może znacznie ułatwić wykrywanie wcześniej ukrytych wypełnionych wodą spękań z powierzchni. Podejście oddziela powoli poruszającą się wodę porową od potencjalnie niebezpiecznej wody w spękaniach i dostarcza oszacowań zarówno ilości wody, jak i tego, jak łatwo może się poruszać. Choć metoda nadal zależy od dobrych danych treningowych i może rozmywać bardzo małe lub głębokie obiekty, oferuje szybki, nieinwazyjny sposób mapowania potencjalnie ryzykownych stref spękań i wspierania bezpieczniejszego planowania kopalń, projektowania tuneli oraz zarządzania wodami gruntowymi w złożonym terenie skalnym.

Cytowanie: 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

Słowa kluczowe: wody gruntowe, spękania skalne, jądrowy rezonans magnetyczny, uczenie głębokie, zagrożenia geologiczne