基于自适应全连接深度神经网络和多点地质统计学方法的地质结构三维重建研究

Three-dimensional reconstruction of geologic structures based on adaptive fully-connected deep neural network and multi-point statistics method

摘要

三维地质模型是解析地下复杂结构、开展工程勘察、矿产资源勘察、城市地质调查等工作的重要数字基础框架。然而,受数据获取困难、稀疏性以及认知不足等问题的影响,三维地质模型的精确度与可靠性制约了其深度应用。本文以多点地质统计学方法为基本框架,提出了基于自适应全连接深度神经网络和多点地质统计学多尺度迭代优化的地质结构三维重建方法。该方法以二维地质剖面为建模数据源,并将其扩展为三维剖面,利用两个自适应的全连接深度神经网络预测地质面和地质属性,实现初始模型的构建,在其中引入地质语义校正过程,结合多点地质统计学多尺度迭代优化方法,优化初始模型中的局部特征,从而获得精细三维地质模型。广州轨道交通线路某站址的三维模型构建实例表明:所构建的模型能正确再现断裂和地层之间的空间分布关系,与实际钻孔岩心验证发现其最高精度为89.3%;自适应全连接深度神经网络能够在小样本数据条件下实现地质结构全局特征的三维重建,多尺度迭代过程充分利用了局部优化的优势。所提出的方法具有良好的可行性、准确性和可靠性,可以为数据局部密度高但存在区域性数据缺失条件下的三维地质结构重建提供了重要的参考与借鉴。

Abstract

A realistic 3D geological model is a vital digital framework in many fields, such as analyzing complex underground structures, conducting engineering surveys, and prospecting mineral resource, etc. However, the accuracy and reliability of 3D geological models are significantly affected by difficulties in data acquisition, data sparsity, and insufficient geological understanding, which limit their in-depth application. Based on the adaptive fully connected deep neural network (AFCDNN) and multi-scale iterative multiple-point statistics (MPS) method, this paper proposes a method for reconstructing 3D geological structures, for which two-dimensional geological cross-sections are used as the modeling data source. Two AFCDNNs are built: one to generate geological surfaces and the other to predict geological attributes. Geological relationships are then rectified in a post-processing manner. An initial model is subsequently constructed. To optimize its local features, the multi-scale iterative MPS method is applied. A concrete example of 3D model construction for a station site of a Guangzhou metro line illustrates that the constructed model correctly reproduces the spatial relationship between faults and strata, achieving a maximum accuracy of 89.3% when validated against actual borehole data. Furthermore, the AFCDNN can generate global features of the geological structure from small sample datasets, and the multi-scale iterative strategy fully leverages the advantages of local optimization. The proposed method exhibits good feasibility, accuracy, and reliability, and can provide an important reference for reconstructing 3D geological structures.

Graphical abstract

关键词

自适应全连接深度神经网络 / 多点地质统计学 / 三维地质建模 / 地铁工程

Key words

adaptive fully connected deep neural network / multiple-point statistics / three-dimensional geological modeling / metro engineering

0 引言

经济的快速发展引发了城市发展需求和环境保护之间的矛盾等诸多问题,发展地铁系统是解决大城市快速发展中交通拥堵、土地资源短缺等问题的一种有效途径^[1]。然而,断层和岩溶等不良地质体增加了地铁施工建设中的工程风险,如何准确认识复杂的地质结构对于地下空间的有效利用和工程安全性至关重要^[2-3]。三维地质建模能够为地下空间开发利用提供直观的三维框架,成为了解析地下复杂结构的关键手段^[4-7],也是工程设计、施工和决策的重要数字基础设施。

多点地质统计学(Multiple-point Statistics,MPS)自1993年提出至今^[8],已成为地质结构三维重建的重要工具。MPS以训练图像(Training Image,TI)作为先验模型,在模拟网格中再造空间模式^[9-12]。根据模式识别和重组次数,已有MPS算法可以分为基于序贯模拟方法和基于迭代模拟方法^[13]。基于序贯模拟的MPS方法仅实现一次模式的粘贴和重组^[14-21],一旦发生模式匹配错误,就会导致误差累积。基于迭代的MPS模拟方法通过迭代的方式修正模拟过程中的误差累积,以提高模拟结果的质量^[22]。其中,获取合理的初始模型是迭代MPS模拟方法的前提和关键。通过序贯模拟生成初始模型,并采用迭代优化策略提升了地质体模拟的准确性^[23-24]。然而,MPS方法聚焦于局部地质结构的空间连续性,容易导致模拟结果中地质对象全局结构呈现不完整性和离散性特征^[25]。

深度学习(Deep Learning,DL)方法由于能够基于数据集整体进行模式的提取、识别和预测^[26],近年来在三维建模领域得到了广泛应用^[27-28]。然而,大部分DL方法需要大量的训练数据集以获得网络超参数^[29],且在生成三维模型时需要三维训练数据。在实际工作中,三维训练数据难以直接获取^[30]。一些变体能够在少量训练数据上完成模型训练^[31-33],但是跨维度训练仍然是限制其应用的一个关键问题^[34]。深度神经网络(Deep Neural Networks,DNN)在低维度数据表征上具有优势,适用于工程建设数据处理^[35]。以训练完成的DNN模型预测未标记的网格,将置信度高的结果作为伪标签以扩充样本空间并进一步训练网络^[36-37],可以解决实际钻孔数据中缺乏准确标签数据的问题。但是,对于无数据约束区域难以确定伪标签置信度,导致网络模型适应性不足。

将DL与MPS方法相融合的地质建模策略实现了两种方法的优势互补^[38]。Feng等^[39]利用条件生成对抗网络(Conditional Generative Adversarial Networks, CGAN)建立包含硬数据的采样图像与多孔介质目标图像之间的映射关系,解决了MPS方法中模式搜索及匹配的耗时长、计算成本高的问题;Scholze等^[40]利用GAN(Generative Adversarial Networks)从有限的TI学习空间分布特征并生成新的TI,解决MPS获取TI困难的问题;Wang等^[41]利用卷积神经网络对建模参数进行优化,以解决MPS建模中参数设置的困难;Bai等^[42]通过卷积神经网络来学习TI中的模式特征,在利用CCSIM(Cross-correlation Simulation)^[16]获得初始模型的基础上对不符合硬数据约束的区域进行校正,以重现地质现象的细节。Hou等^[25]结合全连接深度神经网络和序贯模拟生成初始模型,通过多尺度迭代的MPS方法优化初始模型,突破了简单MPS方法局部优化的局限性。然而,该方法对每个地质对象的顶、底面分别建立和训练神经网络,导致计算资源浪费,且固定不变的神经网络参数和结构制约了模型的适应能力和泛化能力。

针对上述问题,结合地铁工程建设中地质结构高精度三维重建的需求,以及数据集中但缺乏全局约束的特点,本论文提出了基于自适应全连接深度神经网络(Adaptive Fully Connected Deep Nueral Network, AFCDNN)和MPS的三维地质建模方法,通过数据降维的方式克服神经网络训练数据不足的问题,同时融合DL在数据集整体全局空间的识别和预测能力与MPS局部特征的优化能力,旨在实现地质结构的精细化三维重建。

1 研究方法

以全局优化的迭代式MPS方法Extended-GOSIM^[24]为基本框架,本文以二维地质剖面为建模数据源,着重解决初始模型的构建问题,提出了融合AFCDNN和MPS的地质结构三维重建方法(见图1)。该方法主要包含3个主要步骤:(1)建立三维训练图像。由于二维剖面不能直接提供三维结构特征,本论文将二维地质剖面利用扩展方法构建出三维训练图像。(2)构建2个AFCDNNs,用于生成地质面和预测地质属性的分布,以实现初始模型的构建。(3)结合多尺度迭代优化MPS方法对初始模型精细刻画输出最终三维地质模型。

1.1 建模数据源

以钻孔岩心数据为依据绘制的二维地质剖面,不仅准确捕捉了钻孔数据反映的地质结构信息,还融合了地质专家对地质体分布特征的理解与判断。然而,二维剖面本身并不直接揭示地质对象在三维空间中的分布模式。本文采用了Extended-GOSIM算法中通过二维TI扩展获取三维训练图像的方法。扩展过程沿深度方向逐层进行,主要为3个步骤:第一步将二维地质剖面导入模拟网格中;第二步预设移动模板大小,构建一条随机路径访问未知属性区域网格结点;第三步统计移动模板内属性值,将出现次数最多的属性赋值于当前访问网格结点,重复第三步直至访问完随机路径中所有结点,最终获得具有移动模板大小厚度的三维训练图像。

1.2 地质面结构重建

地质体通常以其顶底面高程的三维空间变化为表征。合理预测地质面在三维空间中的分布可以为三维初始模型提供全局结构的约束。本研究以每一类地质对象(如不同岩性)为基本单元,提取地质对象在三维训练图像中的顶底面高程为训练数据,利用训练完成的网络模型预测地质对象在未采样区域的顶底面分布。具体的实现流程如下。

1.2.1 构建训练数据集

以每一类地质对象为单元,遍历三维训练图像模拟网格,分别提取每一类地质对象的位置信息(x, y)和顶底面高程(H_t, H_b)构建训练数据集。为了消除数据间不同量级的影响,确保模型训练的稳定性和准确性,本文将坐标值和顶底面高程归一化到0和1之间^[43]:

(1)$X^{*}=\frac{x-x_{\min }}{x_{\max }-x_{\min }}$

其中,x和X^*分布代表归一化之前和之后的数值,x_max和x_min是数据集中的最大值和最小值。

1.2.2 构建AFCDNN

AFCDNN以一个多层序列组织前馈神经网络为基本架构。其中,下一层神经元接受来自上一层神经元的激活作为输入,执行加权总和的计算,通过误差反向传播来调整每个神经元的权重,实现从输入到输出的非线性映射^[44]。AFCDNN以地质面空间平面坐标为输入,以相对应的地质对象顶底面高程为输出,隐藏层之间选择ReLU作为激活函数,损失函数采用均方误差损失函数:

(2)$\mathrm{MSE}=\frac{1}{n} \sum_{i=1}^{n}\left[\left(H_{\mathrm{t} i}-\hat{H}_{\mathrm{t} i}\right)^{2}+\left(H_{\mathrm{t} i}-\hat{H}_{\mathrm{b} i}\right)^{2}\right]$

其中,H_ti和H_bi分别代表第i个样本真实顶底面高程,${\widehat{H}}_{ti}$和${\widehat{H}}_{bi}$分别代表第i个样本网络预测顶底面高程,n为样本数量。

1.2.3 网络超参数优化

超参数设定与优化是网络训练前的重要工作。贝叶斯优化是一种顺序搜索框架,用各种代理函数来拟合超参数与模型评价指标之间的关系,然后选择可能改善模型性能的超参数组合进行迭代,最终给出模型训练效果最好的超参数组合,被广泛用于确定机器(深度)学习模型的最优超参数^[45-46]。为使AFCDNN能根据数据自适应调整网络结构和参数,建立了基于贝叶斯优化的自适应超参数优化方法,其基本流程为:构建结构化超参数搜索空间,确定超参数组合性能评估指标,采用Optuna贝叶斯优化框架自动求解^[47],获得最优参数组合。地质面AFCDNN优化的超参数主要包括网络隐藏层数、隐藏层神经元数、学习率、批量训练样本数量和网络训练周期等,优化目标是最小化评估指标(表1)。

1.2.4 网络模型训练及预测

针对每一类地质对象,通过自适应方法确定网络结构和参数后进行训练。训练完成后遍历模拟网格,获取所有待模拟位置的坐标。将待模拟位置的坐标分别输入地质对象AFCDNN模型预测顶底面高程,并导入模拟网格,然后,将顶、底面之间待模拟结点赋值于该地质对象属性值,即可获得地质对象体模型(见图2)。需要注意的是,在构建初始模型时,首先获得错切地层的断层破碎带,然后再模拟其他地质对象空间分布。由于以每一类地质对象为单元预测顶、底面,未考虑相邻地质面之间的相互关系,所构建的地质面可能存在冲突。当存在冲突时,冲突的区域会重新赋值为待模拟。每一类地质对象通过地质面预测并形成地质体后便获得初始模型R₀。

1.3 地质语义校正

要建立可信的区域地质模型,应充分考虑地层层序和断层对地层的错切关系等地质约束。在构建初始模型时,缺乏对这些约束条件的考量,导致结果中出现局部地质语义关系错乱等现象。为此,本研究从地质剖面中提取地质对象的空间关系,用于约束和校正初始模型的地质语义关系。

从地质剖面中提取地质语义的基本过程为(见图3):在三维空间中提取剖面上任意点(x,y)沿垂直方向的地质属性,并从上到下排列为有序数列。假设剖面内未发生地层反转,且无侵入岩,有序数列La则表示地层的沉积层序;当逆冲断层发生时,有序数列Lb中地层会重复出现。将从地质剖面中提取的所有可能存在的地层层序合并归类,建立地层层序数据库。

在地质语义校正时,从模拟网格中任取一个位置(x,y),以有序数列的形式提取该点处的地层层序,将其与地层层序数据库比对,当该位置地层层序不属于地层层序数据库中任一数列的非空子集时,则代表地层层序错误,将当前坐标区域重置为待模拟;重复上述步骤,直至所有的位置都检查和校正完毕。

1.4 地质属性预测

地质面预测给出了地质对象大致的分布范围,其延伸趋势上与训练图像保持宏观一致性。地质语义校正过程,消除了地质语义错误。但是,此步骤也给所获得的初始模型R₀带来待模拟区域。为此,本论文构建了一个地质属性预测的AFCDNN网络,建立全局空间内位置信息与已知地质属性之间的映射关系,以实现对未赋值区域的地质属性准确预测。

1.4.1 构建训练数据集

遍历模拟网格,提取已知地质属性区域位置(x, y, z)和相应的地质属性。位置信息采用公式(1)进行归一化处理,地质属性则采用独热编码(One-Hot Encoding)进行特征数字化^[48]。

1.4.2 网络构建

属性预测AFCDNN以模拟网格中的空间坐标(x, y, z)为输入,以相应的地质属性为输出,隐藏层之间同样选择ReLU作为激活函数,损失函数采用交叉熵损失函数(公式(3))。采用Adam优化器,通过反向传播算法更新网络权重,以最小化损失函数。与地质面结构预测神经网络不同的是,属性预测深度神经网络在输出层后添加了softmax层,用于将网络输出向量转化为属性预测概率。

(3)$\mathrm{CE}=-\frac{1}{N} \sum_{i=1}^{N} \sum_{j=1}^{C} y_{i j} \log \left(\hat{y}_{i j}\right)$

其中,C代表属性类别数量,N代表样本数量,y_ij和${\widehat{y}}_{ij}$分别代表第i个样本的第j个类别的真实数据和预测数据。

1.4.3 网络超参数优化

地质属性AFCDNN自适应的超参数优化流程与地质面AFCDNN超参数优化流程相同,优化的超参数主要包括网络隐藏层数、隐藏层神经元数、学习率、批量训练样本数量和网络训练周期等,与地质面AFCDNN不同的是,批量训练样本数量搜索空间为2 500 n(n∈[1,10]),优化目标是最大化评估指标预测准确率。

1.4.4 网络训练及预测

地质属性预测通过最优超参数组合对地质属性AFCDNN训练完成后,遍历模拟网格,获取所有待模拟位置的坐标(见图4)。将待模拟位置的坐标分别输入已训练模型获得预测属性。构建路径访问待模拟区域结点,将坐标对应属性值赋值于访问结点,形成完整初始模型R₁。

1.5 多尺度迭代优化

由于神经网络预测具有不确定性,初始模型不可避免地出现一些不足之处,如局部区域内地质属性的零星分布以及地质面不光滑现象。为了提升模型的准确度,需要进一步对模型进行精细化处理。本论文采用Yang 等^[22]提出的多尺度迭代优化算法,主要分为搜索(E步骤)和更新(M步骤)两部分。在E步骤中,对于初始模型R₁中某个结点的模式P_R∈ R₁,首先随机分配一个训练图像I中的模式P_I∈I,计算模式P_R与P_I之间的相似度。随后进行传播和随机的搜索过程:对于每个网格结点计算其候选模式与周边结点候选模式之间的相似度,传播过程选取相似度最大的模式为新的候选模式;随机过程设置网格结点为中心设置搜索半径随机搜索,若存在相似度更大的模式则作为当前结点新的候选模式。在M步骤中,根据最优的候选模式P_I对初始模型R₁进行更新。E步骤可以执行多次,但M步骤只执行一次。在低尺度优化初始模型后,模型被升采样到下一个尺度,直到预设最高尺度的模型得到优化。多尺度迭代以迭代更新的方式对初始模型进行优化,最终输出最精细化尺度的模型R_final。

2 地铁站点实例研究

2.1 研究区概况

本论文以广州市轨道交通线五凤站站址地质结构三维重建为研究实例(位置见图5)。

研究区内钻孔揭示的地层主要以白垩系和第四系为主,站点被第四系松散层覆盖,下伏基岩为白垩系粉砂质泥岩,燕山期凝灰岩、英安斑岩,并揭露出广三断裂破碎带。其中,第四系主要由人工填土层($\mathrm{Q}_{4}{ }^{\mathrm{ml}}$)、海陆交互相沉积层($\mathrm{Q}_{4}{ }^{\mathrm{mc}}$)、珠江三角洲冲-洪积相沉积层($\mathrm{Q}_{3}{ }^{\mathrm{al}+\mathrm{pl}}$)以及残积层(Q^el)组成,缺失中更新统和下更新统(见表2)。白垩系地层主要为下统白鹤洞组上段(K₁b²)和上统三水组下段(K₂s¹)等。研究区内揭露出的火成岩有凝灰岩、英安斑岩等。前人研究表明,广三断裂在五凤站—东晓南站区间与地铁线路大角度相交,该断裂在第四纪早期曾有过多次活动,第四纪晚期未见地表或近地表的活动迹象,广三断层走向呈近东西向,产状较为平缓^[49]。

2.2 建模数据分析

本研究收集了145个钻孔的岩心数据,绘制了20条交叉剖面作为建模数据源,其中6个钻孔作为验证钻孔(见图6)。剖面呈近东西和近南北向分布。其中,白垩纪地层占比大,东西向贯穿整个建模域,从南往北逐渐尖灭;火成岩从北西向侵入到白垩纪地层中;白垩系地层与断层破碎带、火成岩交错接触,断层破碎带错切了白垩纪地层,形成了复杂的地质结构特征(见图7)。初始模型模拟网格大小为548×278×61,精度为1 m/网格,最终精细化模型模拟网格大小为1 096×556×122,精度为0.5 m/网格。

2.3 模拟结果

2.3.1 模型训练损失和准确率对比

在地质面结构预测和地质属性预测中,将数据集划分成训练数据集和验证数据集,两者各占已知数据总数的80%和20%。从断层破碎带、火成岩地质面预测网络模型损失(见图8)和地质属性预测网络训练的准确率变化及损失值变化(见图9)来看,在网络训练的前100周期内,各模型的损失值迅速减小并趋于收敛,地质属性预测模型的准确率迅速增加并趋于收敛。训练后期模型的损失值(准确率)曲线波动变小,说明模型训练已稳定。此外,整个训练周期训练数据集损失值(准确率)和验证数据集损失值(准确率)相差不大,说明各模型在训练过程没有出现过拟合的现象。

2.3.2 三维模型可视化分析

在模型R₀中(图10a),各个地质对象已经形成了其空间分布特征的基本轮廓。由于地质对象之间的地质面难以准确拟合,模型R₀中仍存在一定的待模拟区域。最终用于迭代的初始模型R₁遵循了地质剖面中地质对象的全局分布特征(图10b),同时,相比R₀,各地质对象形态特征在模型R₁中得到了进一步刻画,如断层破碎带侵入火成岩并尖灭的特征重现(图10c, d)。局部放大切片(见图11)给出了迭代优化方法应用于初始模型R₁前后差异。在优化前,初始模型R₁地质属性出现少量局部零散分布特征,并伴有层序错乱现象,经过迭代优化流程后,模型中的这些问题得到了合理性的纠正与精细化处理。

在最终模拟结果中(见图12),除断层破碎带以外,其余地质对象呈现近水平分布,地质对象之间没有出现倒转和穿插现象。断层破碎带影响范围大,从南到北错切开上白垩统地层,侵入并尖灭在火成岩中(图12h)。火成岩主要集中分布在研究区北侧,往南与破碎带接触位置尖灭(图12g)。断层破碎带和火成岩占据了五凤站地下空间的大部分区域。上下白垩统地层(图12e和f)主要分布在研究区南侧,受断层破碎带影响显著。第四纪地层除人工填土层外其余地质对象零散分布在整个研究区范围。

2.3.3 模型验证

为验证所提出算法的稳定性,本研究采用虚拟钻孔岩心对比、属性占比、变差函数分析以及两点连通概率函数分析等定量方法评估其重建准确性及可靠性。

依据6个未参与建模的钻孔位置,从所构建模型中抽取了相应的岩性分布,采用Shi和Wang^[50]提出的离散度来表示模型的准确率,即沿垂直方向虚拟钻孔和实际钻孔相匹配的岩性占比:

(4)$\mathrm{DP}=\frac{1}{N} \sum_{i=1}^{N} I(\operatorname{Attr}(i)=\operatorname{Attm}(i))$

其中,N代表虚拟钻孔的网格总数,Attr(i)和Attm(i)分别为真实钻孔和虚拟钻孔的第i个网格的岩性类型,I为指标函数(当括号内条件为真时为1,否则为0)。

在初始模型中,6个钻孔验证最高准确率为87.5%,最低准确率为73.3%,平均准确率为79.5%,经过迭代优化后,最终模型中除B1和B4外其余钻孔验证准确率得到提升(表3)。其中B1、B2和B3钻孔位于无数据约束区域(图6),最终模型中最高验证准确率为83.3%,平均准确率为80%;B4、B5和B6钻孔位于数据约束区域内(图6),最终模型中最高验证准确率为89.3%,平均准确率为82.2%,数据约束区域验证准确率整体略高于无数据约束区域。模拟结果中虚拟钻孔与真实钻孔存在一些差异,但模拟结果中地质语义关系是正确的(见图13):B2、B3、B4、B5和B6在模拟结果中出现了地质对象重建上的缺失,对于B3、B5和B6存在白垩系地层被断层破碎带错切而发生的地层混入现象,在模拟过程中没有给予考量,可能导致被判定为地质语义错误而被校正。值得注意的是,多尺度迭代优化并不会改变初始模型中的地质对象缺失现象。B2、B3和B4在模拟结果中都出现了真实钻孔数据不存在的地质对象,这可能是神经网络预测时存在不确定性导致,因其地质语义关系是正确的而被保留。

本研究构建了20个模拟结果,其中各个地质属性占比的平均值、最大值和最小值与地质剖面中对应属性占比略有差异(见图14)。尽管如此,这些差异并未显著偏离地质剖面的模拟对象属性占比,这表明我们的方法展现出了良好的预测稳定性和合理性。

模拟结果与地质剖面X、Y、Z 3个方向的变差函数走向一致且变化趋势较为相近(见图15),直观地表明了所提出的建模方法能够有效捕捉并再现复杂三维地质结构的内在特征。

三维地质对象两点间连通概率函数可以描述地质体三维空间的几何形状和结构。模拟结果及地质剖面中的断层破碎带和火成岩在X、Y、Z 3个方向的两点连通概率函数曲线(见图16)呈现出良好的一致性,这表明所提出的方法有效地重建了地质剖面中地质对象的空间延展性和连通性特征。

2.3.4 站址下方地质结构

图17给出了站址底部以下30 m范围内的岩性分布情况。在区域内则分布有大量的断层破碎带、火成岩和下白垩统地层,三者体积分别约占站址底部范围的50.6%、28.9%和19.1%,以及局部分布的上白垩统地层,断层破碎带在站址交汇处侵入于火成岩。在钻孔所揭露的岩性中,工程力学性质相对较差的主要为断层破碎带和风化火成岩。因此,在进行站址设计施工过程中,应结合站址底部岩性的变化特征,分段设计底板构筑物结构。

3 结论

针对地下空间高精度地质结构三维重建中面临的挑战,本研究以二维地质剖面为建模数据源,提出了融合AFCDNNs和MPS的三维建模方法。AFCDNNs采用自适应的超参数优化策略使网络模型可根据数据量变化自动调整网络结构和参数,解决了神经网络模型超参数设置困难的问题,有利于模型泛化能力和预测精度的提升。同时,充分利用DNN在低维度数据表征上的优势,通过数据降维方式有效解决了人工神经网络训练数据集不足的问题。AFCDNNs以地质面高程和相应地质属性为参量构建损失函数,其中地质面高程AFCDNN为无数据约束区域提供了面的约束和地质属性样本,并嵌入了地质语义校正过程以确保模拟结果中地质语义的合理性,从而获得符合地质认知的三维初始模型。

本研究结合人工神经网络在全局结构识别重建的优势与MPS关注局部优化的特点,对初始模型进行精细化调整,进一步提升三维模型的准确性。结合钻孔验证、地质属性统计分析、变差函数分析和两点连通函数分析等定量分析方法,广州轨道交通线路某站点的高精度地质结构三维重建结果表明,本研究所构建的三维模型具有较高的准确性和可靠性,所提出的方法具有良好的工程应用前景,为数据局部密度高但存在区域性数据缺失条件下的三维地质结构重建提供了重要的理论参考与实践借鉴。

由于无数据约束范围较大,远离已知数据区域中属性占比小的地质对象难以得到充分、准确地预测,导致无约束区域地质属性信息的不正确,提高三维模型中无数据约束区域地质属性的预测精度是未来研究的一个方向。此外,本研究通过后处理的方式实现地质语义的约束,存在模型收敛慢、效率低等问题。如何有效融合地质知识与人工神经网络模型有待深入研究。

参考文献

[1] LIN D, BROERE W, CUI J Q. Metro systems and urban development: impacts and implications[J]. Tunnelling and Underground Space Technology, 2022, 125: 104509.

[2] DE RIENZO F, ORESTE P, PELIZZA S. Subsurface geological-geotechnical modelling to sustain underground civil planning[J]. Engineering Geology, 2008, 96(3/4): 187-204.

[3] 廖舟, 李梅. 基于开源GemPy的城市地下空间三维隐式势场建模方法研究[J]. 地学前缘, 2024, 31(3): 482-497.

[4] 薛涛, 包训栓, 朱小弟, 等. 多源数据三维地质结构模型约束的属性建模方法: 以北京市通州城市副中心为例[J]. 地学前缘, 2023, 30(3): 529-536.

[5] 薛涛, 史玉金, 朱小弟, 等. 城市地下空间资源评价三维建模方法研究与实践: 以上海市为例[J]. 地学前缘, 2021, 28(4): 373-382.

[6] 杭振泉, 薛涛, 陈建平, 等. 城市地下空间三维地质建模效率和精度提升方法: 以上海为例[J]. 地学前缘, 2026, 33(4): 357-367.

[7] 王桂林, 陈晓玲, 岳佳豪, 等. DBSCAN-SMOTEENN-RF联合算法及在三维地质建模中的应用[J]. 地理与地理信息科学, 2025, 41(3): 19-26.

[8] GUARDIANO F B, SRIVASTAVA R M. Multivariate geostatistics: beyond bivariate moments[M]// Geostatistics Tróia’92: Volume 1. Dordrecht: Springer, 1993: 133-144.

[9] COMUNIAN A, RENARD P, STRAUBHAAR J. 3D multiple-point statistics simulation using 2D training images[J]. Computers & Geosciences, 2012, 40: 49-65.

[10] LIU G, FANG H F, CHEN Q Y, et al. A feature-enhanced MPS approach to reconstruct 3D deposit models using 2D geological cross sections: a case study in the Luodang Cu deposit, southwestern China[J]. Natural Resources Research, 2022, 31(6): 3101-3120.

[11] 王鸣川, 段太忠. 基于相序的多点地质统计学相建模方法及其应用[J]. 石油与天然气地质, 2023, 44(1): 238-246.

[12] 王永志, 陈郁良, 谢民民, 等. 面向矿产资源储量计算的三维训练图像构建方法[J]. 金属矿山, 2023(5): 247-253.

[13] 王恺其, 肖凡. 多点地质统计学的理论、方法、应用及发展现状[J]. 地质科技情报, 2019, 38(6): 256-268.

[14] STREBELLE S. Conditional simulation of complex geological structures using multiple-point statistics[J]. Mathematical Geology, 2002, 34: 1-21.

[15] MARIETHOZ G, RENARD P. Reconstruction of incomplete data sets or images using direct sampling[J]. Mathematical Geosciences, 2010, 42: 245-268.

[16] TAHMASEBI P, HEZARKHANI A, SAHIMI M. Multiple-point geostatistical modeling based on the cross-correlation functions[J]. Computational Geosciences, 2012, 16: 779-797.

[17] CHEN Q Y, MARIETHOZ G, LIU G, et al. Locality-based 3-D multiple-point statistics reconstruction using 2-D geological cross sections[J]. Hydrology and Earth System Sciences, 2018, 22(12): 6547-6566.

[18] 尹艳树, 张昌民, 李少华, 等. 一种基于沉积模式的多点地质统计学建模方法[J]. 地质论评, 2014, 60(1): 216-221.

[19] 喻思羽, 李少华, 王端平, 等. 基于p-stable LSH的多点地质统计建模算法[J]. 石油学报, 2017, 38(12): 1425-1433.

[20] GUETING N, CAERS J, COMUNIAN A, et al. Reconstruction of three-dimensional aquifer heterogeneity from two-dimensional geophysical data[J]. Mathematical Geosciences, 2018, 50: 53-75.

[21] 麻平山, 李少华, 卢昌盛, 等. 基于众数法聚类的多点地质统计学方法[J]. 天然气地球科学, 2020, 31(6): 809-817.

[22] YANG L, HOU W S, CUI C J, et al. GOSIM: a multi-scale iterative multiple-point statistics algorithm with global optimization[J]. Computers & Geosciences, 2016, 89: 57-70.

[23] HOU W S, LIU H G, ZHENG T C, et al. Hierarchical MPS-based three-dimensional geological structure reconstruction with two-dimensional image (s)[J]. Journal of Earth Science, 2021, 32(2): 455-467.

[24] HOU W S, LIU H G, ZHENG T C, et al. Extended GOSIM: MPS-driven simulation of 3D geological structure using 2D cross-sections[J]. Earth and Space Science, 2022, 9(6): e2021EA001801.

[25] HOU W S, CHEN Y H, LIU H G, et al. Reconstructing Three-dimensional geological structures by the multiple-point statistics method coupled with a deep neural network: a case study of a metro station in Guangzhou, China[J]. Tunnelling and Underground Space Technology, 2023, 136: 105089.

[26] ZUO R G, XIONG Y H, WANG J, et al. Deep learning and its application in geochemical mapping[J]. Earth-Science Reviews, 2019, 192: 1-14.

[27] 周永章, 左仁广, 刘刚, 等. 数学地球科学跨越发展的十年: 大数据、人工智能算法正在改变地质学[J]. 矿物岩石地球化学通报, 2021, 40(3): 556-573, 777.

[28] 陈麒玉, 荀磊, 崔哲思, 等. 三维地质建模技术的最新进展和发展趋势[J]. 地质科技通报, 2025, 44(3): 373-387.

[29] 胡迅, 侯加根, 刘钰铭. 多源断控岩溶型溶洞训练数据集构建和生成对抗网络三维建模应用[J]. 石油科学通报, 2024, 9(3): 422-433.

[30] 陈麒玉, 刘刚, 何珍文, 等. 面向地质大数据的结构-属性一体化三维地质建模技术现状与展望[J]. 地质科技通报, 2020, 39(4): 51-58.

[31] SHAHAM T R, DEKEL T, MICHAELI T. Singan: learning a generative model from a single natural image[C]// Proceedings of the IEEE/CVF international conference on Computer Vision. Seoul, Korea (South):2019 IEEE/CVF International Conference on Computer Vision (ICCV), 2019: 4570-4580.

[32] ZHANG T, YANG Z H, SUN C C. Stochastic simulation of fan deltas using parallel multi-stage generative adversarial networks[J]. Journal of Petroleum Science and Engineering, 2022, 208: 109442.

[33] 李少华, 史敬华, 于金彪, 等. 基于单一图像生成对抗神经网络方法在沉积相建模中的应用[J]. 油气地质与采收率, 2022, 29(1): 37-45.

[34] FENG J X, TENG Q Z, LI B, et al. An end-to-end three-dimensional reconstruction framework of porous media from a single two-dimensional image based on deep learning[J]. Computer Methods in Applied Mechanics and Engineering, 2020, 368: 113043.

[35] KIM H S, JI Y. Three-dimensional geotechnical-layer mapping in Seoul using borehole database and deep neural network-based model[J]. Engineering Geology, 2022, 297: 106489.

[36] GUO J T, XU X C, WANG X L, et al. GeoPDNN: a semisupervised deep learning neural network using Pseudolabels for three-dimensional urban geological modelling and uncertainty analysis from borehole data[J]. Geoscientific Model Development Discussions, 2023, 2023: 1-21.

[37] 徐学闯, 张恒兵, 符韶华, 等. 基于钻孔伪标签半监督深度学习的沈阳市浅表地层三维建模研究[J]. 地理与地理信息科学, 2023, 39(6): 9-17.

[38] 叶舒婉, 侯卫生, 杨玠, 等. 三维地质智能建模研究进展[J]. 地学前缘, 2025, 32(4): 182-198.

[39] FENG J X, TENG Q Z, HE X H, et al. Accelerating multi-point statistics reconstruction method for porous media via deep learning[J]. Acta Materialia, 2018, 159: 296-308.

[40] SCHOLZE G P, BASSANI M A A, COSTA J F C L. Generative Adversarial Networks to incorporate the training image uncertainty in multiple-point statistics simulation[J]. Geoenergy Science and Engineering, 2023, 230: 212257.

[41] WANG X X, YU S Y, LI S H, et al. Two parameter optimization methods of multi-point geostatistics[J]. Journal of Petroleum Science and Engineering, 2022, 208: 109724.

[42] BAI T, TAHMASEBI P. Hybrid geological modeling: combining machine learning and multiple-point statistics[J]. Computers & Geosciences, 2020, 142: 104519.

[43] 郭甲腾, 刘寅贺, 韩英夫, 等. 基于机器学习的钻孔数据隐式三维地质建模方法[J]. 东北大学学报(自然科学版), 2019, 40(9): 1337-1342.

[44] MONTAVON G, SAMEK W, MüLLER K R. Methods for interpreting and understanding deep neural networks[J]. Digital Signal Processing, 2018, 73: 1-15.

[45] BERGSTRA J, KOMER B, ELIASMITH C, et al. Hyperopt: a python library for model selection and hyperparameter optimization[J]. Computational Science & Discovery, 2015, 8(1): 014008.

[46] FEURER M, HUTTER F. Hyperparameter optimization[M]. Cham: Springer International Publishing, 2019: 3-33.

[47] AKIBA T, SANO S, YANASE T, et al. Optuna: a next-generation hyperparameter optimization framework[C]// Proceedings of the 25th ACM SIGKDD international conference on Knowledge Discovery & Data Mining. New York: Association for Computing Machinery, 2019: 2623-2631.

[48] AL-SHEHARI T, ALSOWAIL R A. An insider data leakage detection using one-hot encoding, synthetic minority oversampling and machine learning techniques[J]. Entropy, 2021, 23(10): 1258.

[49] 刘成军, 刘恒光, 侯卫生, 等. 基于多点统计学的地质体三维重构及其在地铁工程中的应用[J]. 中山大学学报(自然科学版)(中英文), 2022, 61(1): 94-104.

[50] SHI C, WANG Y. Data-driven construction of three-dimensional subsurface geological models from limited site-specific boreholes and prior geological knowledge for underground digital twin[J]. Tunnelling and Underground Space Technology, 2022, 126: 104493.

基金资助

国家自然科学基金项目(42372341)

国家自然科学基金项目(41972302)

珠江创新人才团队项目(2021ZT09H399)