Djupinlärningsinversion av vatteninnehåll och relaxationstid i vattenförande sprickzoner baserat på ytnukleärmagnetresonansdata

Varför dolt vatten i bergssprickor spelar roll

Långt under våra fötter tränger vatten ofta fram genom små sprickor i berggrunden. Dessa dolda vener kan vara både en livsviktig resurs och en allvarlig fara: de bidrar till dricksvattenförsörjning men kan också översvämma gruvor, försvaga tunnlar och utlösa jordskred. Den studie som sammanfattas här presenterar ett nytt sätt att upptäcka sådana vattenfyllda sprickzoner från ytan, genom att kombinera en specialiserad magnetisk metod med modern djupinlärning. Målet är inte bara att se var grundvattnet finns, utan också hur det är lagrat och hur lätt det kan röra sig — avgörande information för säker projektering och hållbart vattenutnyttjande.

Lyssna på vatten med subtila magnetsignaler

Arbetet bygger på en teknik kallad ytnukleärmagnetresonans (surface NMR), som är ovanlig bland geofysiska verktyg eftersom den svarar direkt på väte i flytande vatten. På marken skickar trådlindade slingor noggrant avstämda pulser ner i jorden och lyssnar sedan efter svaga eko-liknande signaler från underjordiskt vatten. Dessa signaler avtar över tiden med hastigheter som beror på hur vattnet hålls i berget. Breda, svampiga porer ger en typ av sönderfall, medan smala sprickor ger en annan. I princip kan detta tidsbeteende avslöja inte bara hur mycket vatten som finns, utan också om det finns i porösa lager eller i spricknät som kan leda flöden och orsaka plötsliga läckor eller översvämningar.

Begränsningarna hos traditionella underjordiska bilder

Konventionella metoder för att omvandla dessa signaler till underjordiska bilder förlitar sig på iterativ anpassning av matematiska modeller till de uppmätta data. Den etablerade metoden ”QT-inversion” fungerar väl för breda, vattenrika akviferer, men har svårt med tunna eller djupa sprickzoner. Deras signaler är svagare, ofta dolda av överliggande lager med mer vatten, och kan jämnas ut av de regulariseringstekniker som används för att hålla matematiken stabil. Processen är dessutom beräkningsintensiv: för att få en tillförlitlig bild måste specialister upprepade gånger justera strafftermer och begränsningar, vilket är långsamt och inte idealiskt när snabba beslut krävs i gruv- eller tunnelprojekt.

Lära ett neuralt nätverk att se sprickor

För att övervinna dessa begränsningar omformulerade författarna problemet som ett mönsterigenkänningsproblem. De byggde tusentals realistiska syntetiska modeller av underjordisk geologi, och kombinerade lager av porösa akviferer med slumpmässigt genererade spricknät av olika längder, vinklar och densiteter. För varje modell simulerade de de förväntade magnetresonanssignalerna, lade till realistiskt brus och etiketterade den verkliga underjordiska fördelningen av fyra nyckelstorheter: vatteninnehåll och relaxationstid för både porösa lager och sprickzoner. Därefter tränade de ett konvolutionellt neuralt nätverk — en bildfokuserad djupinlärningsarkitektur — för att lära den direkta avbildningen från fullständiga signalinspelningar till dessa fyra underjordiska kartor. I praktiken blir nätverket en snabb, inlärd ”invers” som kringgår mycket av den traditionella fininställningen.

Skarpare bilder, snabbare svar

Tester på oåtkomna syntetiska exempel visade att det tränade nätverket tydligt kunde skilja porösa akviferer från vattenfyllda sprickor över en tvådimensionell tvärsektion. Det återgav formen och läget för sprickzonerna, även när de var lutande eller klustrade, och fångade deras karakteristiska längre relaxationstider. Viss suddighet och underskattning uppträdde vid kanterna av små, djupa objekt där signalerna är svagast, men i stort var felen måttliga. Jämfört direkt med en standard regulariserad inversion levererade djupinlärningsmetoden skarpare gränser, färre artefakter på djupet och avsevärt lägre genomsnittliga fel — samtidigt som den minskade den faktiska inversionstiden från ungefär en halvtimme till bara några sekunder när träningen väl var klar. Robusthetstester med ökande brusnivåer visade att även om fina detaljer försämras, förblir huvudsprickzonerna och akvifererna igenkännliga även vid ganska dåliga signalförhållanden.

Från numeriska tester till verkligt berg

Författarna tillämpade sitt tränade nätverk på fältdata från ett kolgruveområde i norra Kina, där vittrad berggrund under yngre sediment hyser en sprickstyrd akvifer som kan hota gruvsäkerheten. Standardinversion visade den förväntade grunda porösa akviferen men avslöjade ingen tydlig djupare sprickzon. I kontrast framhävde djupinlärningsinversionen en distinkt, bandliknande vattenförande zon i den sprickiga berggrunden på omkring 18 till 30 meters djup längs delar av mätlinjen. Oberoende borrhålsobservationer bekräftade att detta intervall var kraftigt sprickigt och vattenförande. Ett pumpningsprov i ett borrhål gav en uppskattning av hur lätt vatten flödar genom berget, vilket stämde väl — inom cirka 10 procent — med värden härledda från den nya inversionen, vilket gav verklighetsankare för metoden.

Vad detta betyder för vatten och säkerhet under mark

Kort sagt visar denna studie att kombinationen av en vattenspecifik mätningsmetod och djupinlärning kan göra tidigare dolda vattenfyllda sprickor mycket enklare att upptäcka från ytan. Angreppssättet skiljer långsamt rörligt porvatten från potentiellt farligt sprickvatten och ger uppskattningar av hur mycket vatten som finns och hur lätt det kan röra sig. Även om metoden fortfarande beror på bra träningsdata och kan sudda ut mycket små eller djupa strukturer, erbjuder den ett snabbt, icke-invasivt sätt att kartlägga riskfyllda sprickzoner och stödja säkrare gruvplanering, tunnelkonstruktion och grundvattenförvaltning i komplexa bergterränger.

Citering: 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

Nyckelord: grundvatten, bergssprickor, kärnmagnetisk resonans, djupinlärning, georisker