Инверсия методом глубокого обучения содержания воды и времени релаксации в водонасыщенных зонах трещиноватости на основе наземных данных ЯМР

Почему скрытая вода в трещинах пород важна

Глубоко под нашими ногами вода часто проникает через тонкие трещины в породах. Эти скрытые жилы могут быть одновременно и важным ресурсом, и серьёзной опасностью: они питают питьевые воды, но также могут затапливать шахты, ослаблять туннели и провоцировать оползни. В представленном исследовании предложен новый способ выявления таких водонасыщенных зон трещиноватости с поверхности, сочетающий специализированный магнитный метод и современные методы глубокого обучения. Цель — не только определить местонахождение подземных вод, но и понять, как они хранятся и насколько легко могут перемещаться — ключевая информация для безопасного строительства и рационального использования водных ресурсов.

«Прослушивание» воды по слабым магнитным сигналам

Работа опирается на метод, называемый наземным ядерным магнитным резонансом, который среди геофизических методов выделяется тем, что даёт отклик прямо от ядер водорода в жидкой воде. На поверхности провода в петлях посылают точно настроенные импульсы в землю и затем «слушают» слабые эхо-подобные сигналы от подземной воды. Эти сигналы затухают со скоростью, зависящей от того, как вода удерживается в породе. Широкие губчатые поры дают один вид затухания, а узкие трещины — другой. В принципе, поведение сигнала во времени может раскрыть не только объём воды, но и то, хранится ли она в пористых слоях или в сетях трещин, которые способны направлять потоки и вызывать внезапные протечки или затопления.

Пределы традиционного «подземного изображения»

Обычные методы преобразования этих сигналов в модель подповерхности опираются на итеративную подгонку математических моделей к измеренным данным. Этот общепринятый подход «QT-инверсия» хорошо работает для широких, водообильных водоносных пластов, но испытывает трудности с тонкими или глубокими зонами трещиноватости. Их сигналы слабее, часто перекрываются более водонасыщенными надлежащими слоями и могут быть сглажены при использовании регуляризационных приёмов, призванных сделать задачу устойчивой. Процесс также вычислительно затратен: для получения надёжной картины специалистам приходится многократно подбирать штрафы и ограничения, что занимает время и неудобно, когда нужны решения в режиме реального времени при работах в шахтах или при прокладке туннелей.

Обучение нейросети «видеть» трещины

Чтобы преодолеть эти ограничения, авторы пересмотрели задачу как задачу распознавания образов. Они создали тысячи реалистичных синтетических моделей подземной геологии, комбинируя слоистые пористые водоносные пласты с случайно сгенерированными сетями трещин разных длин, углов и плотностей. Для каждой модели они смоделировали ожидаемые сигналы магнитного резонанса, добавили реалистичный шум и сопоставили истинное подповерхностное распределение четырёх ключевых величин: содержание воды и время релаксации как для пористых слоёв, так и для зон трещиноватости. Затем они обучили сверточную нейронную сеть — архитектуру глубокого обучения, ориентированную на изображения — находить прямое отображение от полноформатных записей сигналов к этим четырём картам подповерхности. По сути, сеть становится быстрым, обученным «обратным» преобразованием, обходящим большую часть традиционной настройки.

Более чёткие изображения и более быстрые ответы

Испытания на невидимых ранее синтетических примерах показали, что обученная сеть ясно различает пористые водоносные пласты и водонасыщенные трещины в двумерном поперечном сечении. Она воспроизводила формы и положения зон трещиноватости, даже если они были наклонены или сгруппированы, и фиксировала их характерные более длительные времена релаксации. Наблюдалась некоторая размытость и занижение на краях мелких глубоких объектов, где сигналы особенно слабы, но в целом ошибки были умеренными. При прямом сравнении со стандартной регуляризованной инверсией метод глубокого обучения давал более резкие границы, меньше артефактов на глубине и заметно меньшие средние ошибки — при этом фактическое время инверсии сокращалось с примерно получаса до нескольких секунд после завершения обучения. Тесты на надёжность при росте уровня шума показали, что хотя тонкие детали ухудшаются, основные зоны трещиноватости и водоносные пласты остаются узнаваемыми даже при довольно плохих условиях сигнала.

От численных тестов к реальным породам

Авторы применили свою обученную сеть к полевым данным из угледобывающего района на севере Китая, где выветренная коренная порода под молодыми отложениями содержит трещиноватый водоносный пласт, угрожающий безопасности шахт. Стандартная инверсия показала ожидаемый неглубокий пористый пласт, но не выявила явной более глубокой зоны трещиноватости. В отличие от неё, инверсия с применением глубокого обучения выделила отчётливую полосовую водоносную зону в трещиноватом коренном материале на глубинах примерно от 18 до 30 метров вдоль части профиля съёмки. Независимые наблюдения в скважинах подтвердили, что этот интервал был сильно трещиноват и содержал воду. Испытание перекачкой в одной из скважин дало оценку проницаемости пород, которая согласовалась с оценками, полученными методом инверсии, с погрешностью примерно в 10 процентов, что подтверждает применимость метода в полевых условиях.

Что это значит для подземных вод и безопасности

Проще говоря, исследование показывает, что сочетание водоспецифического измерительного метода и глубокого обучения может существенно упростить задачу выявления ранее скрытых водонасыщенных трещин с поверхности. Подход позволяет отделить медленно движущуюся поровую воду от потенциально опасной трещинной воды и даёт оценки объёма воды и её подвижности. Хотя метод по-прежнему зависит от качественных обучающих данных и может размывать очень мелкие или глубокие объекты, он предлагает быстрый, неинвазивный способ картирования рискованных зон трещиноватости и поддержки более безопасного планирования шахт, проектирования туннелей и управления грунтовыми водами в сложных горных условиях.

Цитирование: 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

Ключевые слова: подземные воды, трещины в породах, ядрено-магнитный резонанс, глубокое обучение, геориски