传统地下水含水层表征方法（如岩心分析和抽水试验）成本高、耗时长，难以应用于大尺度研究。地球物理测井数据虽能提供连续的地下物理属性记录，但人工解释存在主观性和模糊性。本研究提出一种集成机器学习（ML）与信号处理技术的自动化方法，旨在提高匈牙利德布勒森地区第四系含水层表征的效率和准确性。
1. 数据填补与预处理
- 使用门控循环单元（GRU）神经网络，基于自然伽马（NGR）、自然电位（SP）和中电阻率（RS）测井数据，预测缺失的深电阻率（RD）测井。
- GRU模型包含两个隐藏层（100和50个神经元），采用Adam优化器，通过均方根误差（RMSE=0.06 Ωm）和R²值（0.93）验证预测精度。
2. 岩性分类与建模
- 自组织映射（SOM）：将预处理后的测井数据（SP、NGR、RS、RD）聚类为3类岩性单元：页岩（高NGR、低电阻率）、含泥砂岩（中等NGR与电阻率）、砂砾层（低NGR、高电阻率）。
- 通过肘部法和轮廓系数确定最佳聚类数为3，与钻孔岩心数据吻合度较高，但简化了部分岩性细节（如粉砂黏土归为含泥砂岩）。
3. 地层边界与周期性分析
- 连续小波变换（CWT）：基于NGR测井，分析岩性旋回和地层边界。小尺度（S1）识别薄层界面，大尺度（S2）划分主要水文地层单元（如冲积层、河谷切蚀层）。
- 结果显示，地层边界处小波系数较高，厚层页岩或砂砾层系数较低，反映均质性。
4. 岩石物理参数估算
- 页岩体积（Vsh）采用Larionov公式，渗透率（k）基于Jorgensen经验公式，结合有效孔隙度（φe）计算。
- 砂砾层（Cluster 3）渗透率最高（均值3 mD），页岩层（Cluster 1）最低（均值-1.1 mD），与SOM分类结果一致。
1. 三维岩性模型
- 构建16层水文地层模型，识别4个主要单元：加积层（CUU，含泥砂岩为主）、冲积层（AU，页岩夹砂体）、河谷切蚀层（IVU，高渗透砂砾层）、晚中新世层（LMU，页岩与含泥砂岩互层）。
- IVU为研究区主要含水层，渗透率最高（2–4 mD），砂砾含量达95%
2. 参数空间分布
- 页岩体积：CUU（均值0.25）、AU（0.33）、IVU（0.05）、LMU（0.29）。
- 渗透率：IVU > CUU > LMU > AU，与岩性分类和钻孔数据一致。
3. 方法优势
- GRU填补缺失数据优于传统ML模型（如KNN、随机森林），因能捕捉测井序列的时空依赖性。
- SOM与CWT结合提升了薄层识别和地层边界划分的精度，支持复杂沉积结构的解析。
1. 集成GRU、SOM和CWT的方法显著提高了异质含水层表征的效率，降低了传统方法的成本与时间消耗。
2. 三维模型为地下水流动与污染物运移模拟提供了可靠基础，适用于类似沉积盆地。
3. 未来可扩展至裂隙或岩溶含水层，需引入中子孔隙度、声波测井等数据以应对更高非均质性。
END
点击查看原文件：文献1.pdf
往期推荐
【地下水微讲堂】地下水采样一定要了解的采样器具和样品保存知识点，快来看一看！
【地下水微讲堂】地下水也有身份证？解读地下水年龄背后的奥秘？
【地下水微讲堂】一文读懂地下水监测井
