基于深度学习的地下管线探地雷达数据反演

李海港; 王涛; 杨艳伟; 董学征; 廖利勇; 付晓东; 刘硕磊; 倪雨苗

doi:10.13278/j.cnki.jjuese.20240266

吉林大学学报(地球科学版) ›› 2026, Vol. 56 ›› Issue (3) : 1026 -1037. DOI: 10.13278/j.cnki.jjuese.20240266

基于深度学习的地下管线探地雷达数据反演

李海港, 王涛, 杨艳伟, 董学征, 廖利勇, 付晓东, 刘硕磊, 倪雨苗

作者信息 +

Author information +

文章历史 +

摘要

地下管线的精准定位对于预防施工事故和确保城市发展至关重要。探地雷达(ground penetrating radar,GPR)方法作为一种高效且无损的探测手段,能快速获取地下结构信息。现有的GPR地下管线数据处理多依赖于B-Scan图像的人工解析,存在复杂性、主观性及精度的局限。针对这一问题,本文提出一种基于卷积神经网络的反演方法,自动从GPR数据中识别管线特征,实现精确定位。首先构建不同材质、尺寸和埋深的地下管线模型,以模拟现实中管线的多样性与复杂性;接着运用gprMax模块对模型进行正演模拟,形成训练数据集;然后建立端到端深度学习网络,其输入为归一化的GPR正演响应,输出为目标介电常数模型,获得正演响应与介电常数模型之间的网络模型;最后利用训练好的网络模型对输入的观测GPR数据进行反演,得出地下管线的介电常数模型。实验结果表明,在信噪比从0 dB降至—15 dB的测试中,反演结果的结构相似性均保持在0.86以上,均方误差维持在0.1以下,证实了该方法不仅能高精度反演管线位置与尺寸,且具备良好的抗噪性。实测数据验证进一步表明,所提方法在实际GPR数据中具有可靠的应用效果。