将数值建模和深度学习技术与电阻层析成像相结合，用于岩石力学研究

《BUILDING AND ENVIRONMENT》：Integrating numerical modeling and deep learning with electrical resistance tomography for rock mechanics

岩石力学中电导率成像（ERT）与数值建模结合的非破坏性检测方法研究。通过多点样条曲线生成复杂导电分布数据集，开发归一化预处理方法实现物理信号与数值模拟的映射，构建1D-CNN模型显著提升图像重构精度、计算效率和鲁棒性，并成功应用于红砂岩渗流、裂缝扩展及破坏过程的实时监测。

　　在岩石力学领域，研究岩石的变形与破坏行为对于评估其机械性能至关重要。然而，岩石样品通常包含裂隙、孔隙等不连续结构，使得其在应力、温度和渗流等耦合作用下的变形与破坏过程变得复杂，难以直接观察。因此，开发高效的非破坏性检测（NDT）技术成为研究岩石力学的关键方向之一。近年来，随着计算机硬件和人工智能技术的快速发展，特别是深度学习算法在图像处理中的广泛应用，一种结合数值模拟与深度学习方法的新思路逐渐受到关注。

电气电阻成像（ERT）作为一种非破坏性检测技术，因其低成本、高成像速度、非侵入性、无辐射等优点，在工业多相流监测、生物医学成像以及混凝土结构健康监测等领域得到了广泛应用。然而，将ERT应用于岩石力学研究，尤其是在监测岩石渗流、裂缝扩展和破坏过程方面，仍面临诸多挑战。现有的ERT研究多集中在宏观层面的监测，缺乏对岩石内部损伤演化过程的深入分析。此外，传统的ERT图像重建算法在处理非线性和软场问题时，存在计算速度慢、图像精度低等不足，难以满足实际工程中对实时性和高精度的要求。

为了克服这些局限，本研究提出了一种新的解决方案，即将数值模拟与一维卷积神经网络（1D-CNN）相结合，用于提升ERT在岩石力学研究中的应用效果。首先，通过数值模拟方法，利用多点样条曲线生成具有复杂电导率分布的数据集，从而实现对复杂电导率分布的模拟。接着，采用归一化的数据预处理方法，将实际测量的物理信号转换为模拟信号，同时保留其固有特性。这种方法能够实现迁移学习，使得由数值模拟训练得到的网络能够有效应用于实际的ERT设备。

在数据预处理阶段，重点在于如何将实际测量的物理信号与模拟信号进行对齐，以减少系统误差。这一过程类似于迁移学习，通过将数值模拟与物理实验相结合，弥补了传统方法在处理复杂非线性问题时的不足。随后，基于典型卷积神经网络模型，构建了一个1D-CNN图像重建方法，并在模拟信号预测方面对其性能进行了验证。结果表明，该模型在图像重建精度、计算速度和鲁棒性方面均表现出显著优势。

为了进一步验证该方法在实际应用中的有效性，研究团队进行了岩石损伤实验。实验中使用了具有不同电导率分布的岩石样本，并通过ERT设备对其内部损伤演化过程进行了监测。实验结果表明，所开发的重建方法在识别损伤区域和渗流区域方面优于现有方法，能够更准确地反映岩石内部的物理变化过程。此外，该方法在噪声环境下的表现也较为出色，具有良好的抗噪能力，能够有效提升图像重建的可靠性。

本研究的创新点在于将数值模拟与深度学习技术相结合，以解决ERT在岩石力学研究中的应用瓶颈。传统的ERT图像重建方法依赖于迭代算法，计算速度慢，且难以处理复杂的非线性问题。而基于1D-CNN的方法则能够自动提取丰富的特征，提升图像重建的精度和效率。同时，该方法在数据预处理阶段引入了归一化技术，使得实际测量信号与模拟信号之间的差异得以最小化，从而提高模型的泛化能力和适用性。

在实验验证过程中，研究团队构建了一个包含参考电导率和异常电导率的复杂数据集，以模拟实际监测环境中可能出现的电导率变化情况。通过该数据集，研究团队验证了1D-CNN方法在识别不同电导率分布情况下的表现。结果表明，该方法能够有效区分岩石中的不同损伤区域，并在噪声干扰下保持较高的图像重建质量。这为ERT在岩石力学研究中的应用提供了新的思路和方法。

本研究的结论表明，结合数值模拟与深度学习的1D-CNN方法在岩石非破坏性检测中具有显著优势。与传统方法相比，该方法不仅在图像重建精度和计算速度方面表现出色，还具有良好的鲁棒性和泛化能力。此外，该方法在数据预处理阶段引入了归一化技术，使得实际测量信号与模拟信号之间的差异得以最小化，从而提高模型的适用性。实验结果表明，该方法在识别岩石损伤区域和渗流区域方面优于现有方法，能够更准确地反映岩石内部的物理变化过程。

本研究的贡献在于为ERT在岩石力学研究中的应用提供了一种新的解决方案。通过将数值模拟与深度学习相结合，研究团队成功开发了一种高效的图像重建方法，能够有效提升ERT在监测岩石内部损伤演化过程中的准确性。此外，该方法在数据预处理阶段引入了多点样条曲线，使得复杂电导率分布的模拟更加精确。通过这一方法，研究团队能够更全面地了解岩石在不同环境下的损伤行为，为岩石力学研究提供了新的理论支持和技术手段。

本研究的实施过程中，研究团队克服了多个技术难题。首先，如何生成具有复杂电导率分布的数据集是一个关键问题。通过多点样条曲线，研究团队能够模拟出不同形状和分布的电导率情况，从而为深度学习模型的训练提供高质量的数据。其次，如何将实际测量的物理信号与模拟信号进行对齐，以减少系统误差，也是一个重要挑战。通过归一化的数据预处理方法，研究团队成功解决了这一问题，使得实际测量信号能够更好地与模拟信号匹配。

此外，研究团队还对1D-CNN方法在不同环境下的表现进行了验证。实验结果表明，该方法不仅在模拟信号预测中表现出色，还在实际测量中具有良好的适用性。特别是在噪声环境下，该方法能够有效提升图像重建的可靠性，为岩石力学研究提供了新的技术支持。这些成果不仅为ERT在岩石力学研究中的应用提供了理论依据，还为相关工程实践提供了可行的解决方案。

综上所述，本研究通过结合数值模拟与深度学习技术，成功开发了一种高效的ERT图像重建方法，能够有效提升岩石非破坏性检测的准确性。这一方法在数据预处理、模型构建和实验验证等方面均表现出色，为岩石力学研究提供了新的思路和技术手段。研究团队的成果不仅推动了ERT在岩石力学领域的应用，还为相关工程实践提供了重要的参考价值。