利用机器学习结合电阻率层析技术绘制复杂人工堤坝的地图并预测其状况 迪亚·谢沙赫、 埃纳斯·阿卜杜勒萨梅伊、 维克托利亚·布兰卡-韦吉、 达维德·菲廖、 格尔戈·马加尔、 艾哈迈德·莫森、 亚历山德鲁·赫吉、 阿巴斯·M·阿巴斯、 恰巴·托特以及 久尔吉·西波斯 + 另4位作者

《Water》：Mapping Complex Artificial Levees and Predicting Their Condition Using Machine Learning-Integrated Electrical Resistivity Tomography Diaa Sheishah, Enas Abdelsamei, Viktória Blanka-Végi, Dávid Filyó, Gerg? Magyar, Ahmed Mohsen, Alexandru Hegyi, Abbas M. Abbas, Csaba To?th and Gy?rgy Sipos + 4 authors

　　

摘要

沿主要河流修建的人工堤坝对于降低洪水风险至关重要，然而许多老旧的堤坝存在内部结构不明确且材料不均匀的问题，这限制了传统安全评估的可靠性。本研究通过将电阻率层析成像技术与钻孔观测相结合，构建了一种定量且无损的框架，用于分析堤坝的内部结构。通过将电阻率层析成像得到的数据与钻孔中测得的粒径（D50）及含水量信息结合，研究了地下结构的差异性，并分析了沉积学参数与地球物理参数之间的关联。基于电阻率层析成像获得的电阻率和含水量信息，采用四种预测方法——随机森林回归、人工神经网络、线性回归以及支持向量回归——对钻孔样本的粒径数据进行了建模。研究结果表明，所分析的堤坝内部存在明显的异质性，同时沉积物组成、含水量与电阻率之间存在着稳定的关联。在各类测试模型中，基于集成方法的随机森林回归具有最高的预测性能（R² = 0.81）。这些发现表明，利用机器学习技术，可以依据电阻率层析成像数据准确推断出堤坝材料的D50特征，从而无需进行破坏性取样。所提出的方法为堤坝评估提供了一种通用方案，同时也有助于未来在无损监测、基于空间信息的洪水风险分析以及具备气候适应能力的洪水防护管理方面的应用。