基于三维先验驱动的耦合贝叶斯生成对抗网络用于剖面上地层结构与地球物理属性的联合预测

《Engineering Geology》：3G prior-driven coupled Bayesian GAN for the joint prediction of stratigraphy and geo-properties in cross-sections

　　

•由地球物理和地质先验驱动的地层剖面综合
•基于地球物理和岩土工程信息的CPT-qc剖面正向建模
•具有混合损失函数的CB-GAN，用于带不确定性的耦合多模态预测
•在数值算例和实际案例上验证以表征尖灭层

引言

全球交通基础设施的快速扩张，使水下和城市隧道工程成为地下工程的前沿领域。目前，中国正在建设超过100条水下隧道，作为经济发展的驱动力（Liang等，2022）。然而，这些项目面临着工程地质固有不确定性和地层条件复杂性带来的重大挑战（Hu等，2023）。首先，陆水过渡区强烈的水动力扰动形成了不规则的地层界面，如软硬交替和不规则岩块。其次，这些区域的施工复杂性导致钻孔分布稀疏。传统插值方法无法捕捉细尺度微结构，导致场地表征中出现地质盲区（Guan等，2025；Zhang等，2025b）。地质特征的预测不准确，如意外地层变化或断层，可能引发严重的施工事故，如掌子面坍塌和涌水（Guo等，2021）。例如，石景山隧道中一个隐藏的含水断层导致了涌水事故，造成14人死亡（Kong等，2022），而在印度，一个未预见的剪切带引发了Silkyara-Barkot隧道坍塌，41名工人被困（Parvaiz，2023）。因此，开发高分辨率场地表征方法以识别地层信息是隧道工程风险知悉设计和安全施工的先决条件（Wang和Tian，2024）。

当前关于地质剖面表征的研究主要涉及概率图模型或数据驱动模型，如表1所示。传统插值方法忽视了土层的复杂空间变异性和非线性边界，过度简化了地层（Wang和Zhao，2016）。同时，Kriging等地质统计学方法往往受限于严格的平稳性假设和数据稀缺（Subedi等，2021）。因此，已开发出包括耦合马尔可夫链（CMC）和马尔可夫随机场（MRF）在内的概率图模型来量化地层不确定性。Gong等（2021）引入了一种条件随机场方法，利用最大似然估计确定空间相关函数，对地层和地质属性进行耦合表征。Qian和Shi（2024）开发了一种基于知识的范式，利用先验信息增强MRF，并通过无监督贝叶斯更新利用训练图像来解决非均质地层模式。最近，Li等（2025）提出了一种耦合概率方法，将MRF与Gibbs抽样相结合，以模拟土层和地质属性空间变异性之间的相互作用。然而，CMC模型难以从稀疏数据估计水平转移概率矩阵（Li等，2019），而MRF模型往往依赖于地层倾角等主观先验，这些在没有辅助数据的情况下难以确定（Gong等，2020；Zhao等，2021）。尽管取得了这些进展，现有的随机框架通常需要严格的平稳性假设，这限制了其捕捉高维非线性特征的能力。此外，最近的研究通过序贯统计更新整合了地质属性和地层，为进一步研究这些多模态信息的固有物理耦合奠定了基础（Deng等，2017；Cao等，2024；Wang等，2024）。

近年来，数据驱动模型，如CNN和GAN，已成为地质建模复杂非线性关系的强大工具（表1）。Shi和Wang（2021a，2022）建立了一种多维建模方法，利用训练图像学习复杂空间特征，进行2D和3D地层重建。Wei和Wang（2022）将马尔可夫随机场与贝叶斯DANN-KHMD分类器相结合，无需训练图像即可建模各向异性地层。与需要大量数据集的CNN不同，GAN在数据稀缺时通过泛化复杂模式表现出色。Lyu等（2024）开发了一种多尺度GAN，通过从训练图像中提取地层模式，严格添加钻孔约束，重建了地质真实的3D模型。最近，Liu等（2025a）通过采用双向LSTM网络与密集条件随机场和十字形采样策略相结合，推进了地层建模，捕捉复杂的空间依赖关系并增强边界预测精度（Liu等，2025b）。此外，Chen等（2025）开发了一种无参数混合机器学习框架，利用随机场和基于PCA的稀疏采样来建模土体空间变异性，同时降低计算复杂度。Li和Shi（2025）开创了利用大语言模型的少样本学习，通过内化地质推理，从稀疏数据中准确生成地质剖面。然而，大多数数据驱动方法专注于地层剖面重建，而忽视了岩土工程性质。例如，通过圆锥 penetration 测试（CPT）获得的圆锥阻力（qc）是原位获得的，提供了连续的、高保真度的力学剖面，在地层过渡处表现出明显的波动。这种固有的敏感性使CPT-qc成为完善概念化地质边界并确保准确重建的理想模态。显然，地层钻孔数据和CPT-qc的整合可以促进地层边界和力学过渡之间的严格相互验证，显著提高地层建模的精度。

场地表征的最新进展利用了多模态场地先验来解决稀疏钻孔数据固有的信息缺陷。场地先验知识可以以多种形式呈现。Shi和Wang（2021b）首先关注从地质专家经验或现有地质剖面衍生的训练图像集，将其作为反映地下非均质性的定性先验训练图像。Lyu等（2024）进一步将3D地质模型作为地下重建的场地先验训练图像。Yan等（2024）通过将地层类型、倾角和地质图像等多源数据耦合，提出了一种加权椭圆最近邻（WENN）建模方法，在实现场地重建的同时量化多源不确定性。然而，高质量训练图像或模型往往难以获得，且它们所包含的先验模式与目标场地的匹配情况通常未知。因此，来自目标场地的多源地球物理信息引起了越来越多的关注。Xu等（2022）引入了一种多源贝叶斯压缩采样方法，耦合岩土工程和地球物理数据来表征地下信息。Gong等（2025）利用支持向量机映射电阻率与地层之间的非线性关系，用丰富的连续地球物理信息丰富稀疏测量。Yan等（2025）也建立了电阻率与地层结构之间的类似非线性映射，有效捕捉了离散钻孔数据通常遗漏的复杂沉积特征，如尖灭和透镜体。Zhang等（2025a）利用堆叠集成学习整合地球物理和钻孔数据，实现了准确的地层划分。Zhao等（2026）开发了一种贝叶斯序贯更新技术，分步融合地球物理数据、钻孔数据、标准 penetration 测试（SPT）数据和圆锥 penetration 测试（CPT）数据，在大尺度稀疏数据下实现高精度地质建模并支持实时交互式模型更新。这些地球物理先验有效捕捉了离散钻孔数据通常遗漏的尖灭和透镜体等复杂沉积特征。显然，一种涵盖地球物理、地质和岩土工程（3G）场地先验的综合方法有助于实现高保真度场地重建。具体而言，地球物理先验提供连续的地层趋势，而地质先验提供来自钻孔数据的真实约束。同时，岩土工程先验有助于从场地调查中提取关键土体性质。总之，这些3G先验的指导确保所得到的场地模型不仅仅是数据驱动的插值，而是物理一致的表征。

为利用目标场地的集成先验并在地层剖面与岩土工程性质之间实现相互验证，本研究提出了一种基于耦合贝叶斯生成对抗网络（CB-GAN）的3G先验驱动工作流，用于剖面中地层和CPT-qc的联合预测。具体而言，利用3G先验中的地震数据、钻孔数据和土体性质构建了剖面中的高保真合成地层数据集和CPT-qc。然后，提出了一种CB-GAN，其中包含一种混合损失函数，具有可微分的边缘包含损失，以强制地层和CPT-qc的耦合预测。CB-GAN在各种现实场景下，包括有限的钻孔数量、随机的钻孔分布和变化的钻孔深度，在上述合成数据集上进行训练，以确保鲁棒的泛化能力。最后，在数值基准和实际工程项目上验证了所提方法的有效性和适用性。

章节摘录

基于耦合贝叶斯生成对抗网络的先验驱动工作流

我们建立了一种3G先验驱动的工作流，用于剖面中地层和CPT-qc的联合物理一致预测，该工作流整合了地层数据集综合、剖面CPT-qc正向建模以及CB-GAN训练和应用。详细的工作流程如图1所示，包括数据准备、网络架构和验证案例。

（1）步骤1：综合地层剖面

为了有效学习Experiments and results中包含的地层分布模式固有的地质...

实验与结果

本章通过数值案例研究展示了训练模型的性能和不确定性分析。这些案例基于代表性的复杂地质形态选择，具体包括倾斜地层、尖灭地层和褶皱地层。值得注意的是，在数值验证中，钻孔位置、数量和深度范围是随机采样的。这种设计旨在系统评估模型的鲁棒性和泛化能力。

工程概览

Karnaphuli River Tunnel，也称为Bangabandhu Sheikh Mujibur Rahman Tunnel，是孟加拉国吉大港的一个标志性基础设施建设项目（图16）。吉大港是该国主要港口城市和商务中心；然而，由于Karnaphuli River的地理分割，城市被分为两个截然不同的区域。城市和港口区域位于西岸，重工业区位于东岸。由于河流形态，特别是严重的淤泥堆积...

地层与地质属性联合预测的有效性

场地调查报告中的经典地质剖面通常通过人工平滑进行概念化和简化。这一过程常常忽视了对沉降和稳定性分析至关重要的薄透镜层或夹层。相反，虽然CPT数据分辨率高，但本质上容易受测量噪声影响。地层和CPT-qc的联合模拟剖面促进了多模态数据集之间的鲁棒耦合。具体而言，高...

结论

数据驱动的场地表征一直存在多源数据和场地先验利用不足的问题，导致预测不精确且无法表征复杂的空间变异性。针对这些挑战，本研究提出了一种基于CB-GAN的3G先验驱动工作流，用于剖面中地层和CPT-qc的联合预测。本研究的创新之处有三点。首先，我们提出了一种3G先验驱动的综合流程，整合了地球物理、地质...

参与/发表同意

所有作者均参与了研究构思和设计。所有作者阅读并批准了最终稿件。

CRediT作者贡献声明

Qi-Meng Guo：撰写-初稿、可视化、软件、方法论、调查、正式分析、数据管理、概念化。
Yi-Huai Lou：撰写-审阅与编辑、验证、监督、方法论、资金获取、数据管理、概念化。
Liang-Tong Zhan：撰写-审阅与编辑、监督、项目管理、概念化。
Yun-Min Chen：撰写-审阅与编辑、监督、资源、资金获取、概念化。

伦理批准与参与同意

本研究为非人类受试者研究，已免除知情同意的需求。

利益冲突声明

作者声明，他们没有已知的可能影响本文所报告工作的竞争性财务利益或个人关系。

致谢

作者感谢国家自然科学基金资助（批准号42404121），国家自然科学基金超重力下多相介质演化基础科学中心项目资助（批准号52588202），以及中央高校基本科研业务费226–2025-00050。

Qi-Meng Guo | Yi-Huai Lou | Liang-Tong Zhan | Yun-Min Chen