基于地面核磁共振数据的含水断裂带含水量与弛豫时间深度学习反演

为什么岩石断裂中的隐匿水体很重要

在我们脚下深处，水常常沿着岩石中的微小裂缝流动。这些隐匿的水脉既可能是重要的资源，也可能构成严重的风险：它们能为饮用水提供补给，但也可能淹没矿井、削弱隧道结构并诱发滑坡。本文总结的研究提出了一种新方法，通过一种专用的磁学手段结合现代深度学习，从地表检测这些含水断裂带。目标不仅是定位地下水，还要了解水的储存方式及其流动难易——这些信息对于工程安全和可持续用水至关重要。

用微弱的磁信号“听”水

这项工作基于一种称为地面核磁共振的技术，该技术在地球物理工具中独特，因为它直接对液态水中的氢作出响应。在地面上，线圈发送精心调制的脉冲到地下，然后监听来自地下水的微弱回波式信号。这些信号随时间衰减，其速率取决于水在岩体中的存放方式。宽大、海绵状的孔隙呈现一种衰减特征，而狭窄的裂缝则表现为另一种衰减特征。原则上，这种时间行为不仅能揭示水量，还能辨别水是存在于多孔层中，还是存在于可能引导流动并造成突发渗漏或洪水的裂隙网络中。

传统地下成像的局限

将这些信号转换为地下图像的传统方法依靠迭代拟合数学模型以匹配测量数据。这种成熟的“QT反演”方法在处理宽广、富水的含水层时效果良好，但在薄层或深部断裂带面前却力不从心。那里的信号更弱，常被上覆含水更多的层所掩盖，且在为保持数值稳定而采用的正则化手段下可能被过度平滑。该过程也计算量大：要得到可靠图像，专家必须反复调整惩罚项和约束，过程缓慢，在采矿或掘进等需要实时决策的场合并不理想。

教神经网络“看见”断裂

为克服这些限制，作者将问题重新表述为模式识别。他们构建了数千个现实感强的合成地下模型，将分层多孔含水层与不同长度、角度和密度的随机生成断裂网络结合。对每个模型，他们模拟了预期的核磁共振信号，加入了真实感噪声，并标注了四项关键量的真实地下分布：多孔层和断裂带的含水量与弛豫时间。然后他们训练了一个卷积神经网络——一种面向图像的深度学习结构——来学习从完整信号记录到这四张地下图的直接映射。实际上，网络成为了一个快速的、学习到的“逆算子”，绕过了许多传统调参工作。

更清晰的图像，更快的响应

在未见过的合成示例上的测试表明，训练好的网络能够在二维剖面上清楚区分多孔含水层和充水断裂。它重现了断裂带的形状与位置，即便它们倾斜或成簇出现，并捕捉到其特有的较长弛豫时间。对于小而深的构造边缘，由于信号最弱，出现了一些模糊与低估，但总体误差尚可。在与标准正则化反演的直接比较中，深度学习方法给出了更清晰的边界、更少的深部伪影以及显著更低的平均误差——而且在训练完成后，实际反演运行时间从大约半小时降至仅几秒。随着噪声水平增加的鲁棒性测试显示，尽管细节会退化，但在相当差的信号条件下，主要的断裂带和含水层仍然可辨识。

从数值测试到真实岩体

作者将训练好的网络应用于中国北方一处煤矿区的野外数据，该处风化基岩下的年轻沉积物中存在由断裂控制的含水层，可能威胁矿山安全。标准反演显示了预期的浅层多孔含水层，但未能揭示明确的深部断裂带。相反，深度学习反演突出显示了沿部分测线在约18至30米深处断裂基岩中一条明显的带状含水层。独立的钻孔观测证实该区间存在严重破碎且含水。对一眼钻孔的抽水试验给出了一个水流通能力的估计，该值与新反演推断出的数值相近——相差约10%，为该方法提供了现实世界的支持。

这对地下水与安全意味着什么

简言之，这项研究表明，将一种针对水的检测方法与深度学习相结合，可以使先前难以发现的含水断裂从地表更容易被识别。该方法能区分缓慢运动的孔隙水与可能危险的断裂水，并提供有关含水量及其易流动性的估算。尽管该方法仍依赖于良好的训练数据且对非常小或深部目标存在模糊，但它提供了一种快速、无创的方式来绘制危险断裂带，有助于复杂岩体条件下更安全的矿山规划、隧道设计和地下水管理。

引用: 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

关键词: 地下水, 岩石断裂, 核磁共振, 深度学习, 地质灾害