近日，我校钱家忠教授团队在人工智能驱动的裂隙介质精细刻画方面取得新的研究进展，相关研究成果以“Deep learning-based inversion framework for fractured media characterization by assimilating hydraulic tomography and thermal tracer tomography data: Numerical and field study”为题在工程地质领域顶级期刊《Engineering Geology》上发表。合肥工业大学为论文的第一和通讯作者单位，南京大学、北京大学为论文合作单位。论文第一作者为硕士研究生陈赐海，通讯作者为邓亚平讲师和马雷教授。

在煤矿开采、深地质处置、增强型地热系统筹地下工程中，裂隙介质在地下水流动、溶质运移及热量传输中起到了关键作用。因此，对裂隙介质进行精细刻画能够为地下工程的安全稳定性、经济合理性评估提供相关科学依据。然而，裂隙介质参数场具有高维非高斯分布的特点，阻碍了传统反演方法的直接应用。同时，以往研究主要依赖单一类型数据且使用了大量的观测井，与实际工程需求脱节。

针对上述科学问题，本研究采用基于深度学习方法的联合反演框架（Convolutional variational autoencoder – ensemble smoother with multiple data assimilation, CVAE-ESMDA），融合水力层析及热示踪层析数据，实现了在较少观测点情况下对裂隙介质的精细刻画。另外，为体现框架在实际工程中的有效性，还对德国哥廷根大学北校区一处裂隙含水层场地进行了精细刻画。

研究论文得到以下主要认识，一是深度学习方法能够使用低维、高斯分布的潜变量来表征高维、非高斯分布的裂隙介质参数场，克服了传统反演方法的缺陷且为后续的精细刻画打下了基础；二是通过多源数据之间的协同效应能够实现在较少观测井下的裂隙介质精细刻画。

图1（a）CVAE示意图（b）CVAE-ESMDA联合反演框架示意图

图2（a）哥廷根大学试验场地地点（b）试验场地井布设情况（c）水力层析试验、热示踪试验中井的设置情况

图3实际场地裂隙介质含水层融合单一数据与多源数据刻画结果对比

  该项研究得到了国家自然科学基金青年基金、联合重点项目等支持。（邓亚平/文  南国君/审核 ）

  论文链接：https://doi.org/10.1016/j.enggeo.2025.107998