基于改進(jìn)電法裝置和深度神經(jīng)網(wǎng)絡(luò)的填埋場滲濾液水位探測

夏廣培，能昌信,，侯曉姝，劉景財(cái)，楊 楓，姚光遠(yuǎn)，徐 亞*

1. 山東工商學(xué)院信息與電子工程學(xué)院，山東 煙臺 264005

2. 中國環(huán)境科學(xué)研究院固體廢物污染控制技術(shù)研究所，環(huán)境基準(zhǔn)與風(fēng)險(xiǎn)評估國家重點(diǎn)實(shí)驗(yàn)室，北京 100012

3. 生態(tài)環(huán)境部環(huán)境規(guī)劃院，北京 100012

填埋場是固體廢物的主要處置場所，也是土壤和地下水污染風(fēng)險(xiǎn)集中發(fā)生的場所. 近年來，固體廢物填埋場的環(huán)境風(fēng)險(xiǎn)管控成為固體廢物管理領(lǐng)域的焦點(diǎn). 填埋場中的滲濾液水位過高不僅會加大滲濾液的滲漏風(fēng)險(xiǎn)，污染土壤和地層水，還會影響固廢堆體的穩(wěn)定性，極易造成堆體滑坡、坍塌等安全風(fēng)險(xiǎn)[1-3]. 近年來，我國固體廢物填埋風(fēng)險(xiǎn)管控標(biāo)準(zhǔn)不斷完善，2019年修訂的《危險(xiǎn)廢物填埋污染控制標(biāo)準(zhǔn)》[4]明確了滲濾液水位不得高于30 cm.

滲濾液水位探測是滲濾液水位控制的前提，近年來引起諸多研究者的關(guān)注. 例如：張文杰等[5]通過鉆孔布置滲壓計(jì)測試不同深度的孔壓，得到滲濾液水位分布；何海杰等[6]通過鉆孔至預(yù)定深度，提取套筒滲濾液，獲得多層覆蓋層的填埋場滲濾液水位；除鉆探方法外，基于滲濾液飽和區(qū)與非飽和區(qū)電阻率差異的電阻率法等無損探測方法也逐漸興起[7]. 付士根等[8]使用Wenner裝置對庫底無防滲HDPE膜的非正規(guī)垃圾堆場進(jìn)行探測，有效識別了滲濾液飽和水位.

然而，視電阻率與真實(shí)電阻率之間為非線性映射關(guān)系，傳統(tǒng)電阻率法采用最小二乘法(LS)等線性反演算法反演真實(shí)電阻率時(shí)，容易陷入局部極小值，無法得到全局最優(yōu)解[9]；同時(shí)，由于現(xiàn)代工程填埋場庫底常鋪設(shè)HDPE膜，其高阻特性掩蓋了滲濾液的低阻特性，使用基于LS算法的傳統(tǒng)電阻率法難以精確識別滲濾液水位. 近年來，基于深度神經(jīng)網(wǎng)絡(luò)的非線性反演算法發(fā)展迅速，該算法基于數(shù)據(jù)集構(gòu)建概率統(tǒng)計(jì)模型并運(yùn)用模型對數(shù)據(jù)進(jìn)行預(yù)測與分析，直接從數(shù)據(jù)中構(gòu)造非線性數(shù)學(xué)模型從而映射輸入和輸出之間的非線性關(guān)系，已在生物醫(yī)學(xué)、圖像處理、自動駕駛和環(huán)境治理等領(lǐng)域取得了重大進(jìn)展[10-14]，相比傳統(tǒng)LS算法其在電阻率反演上呈現(xiàn)出獨(dú)特優(yōu)勢.

深度卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)作為深度神經(jīng)網(wǎng)絡(luò)的一種，具有較深的網(wǎng)絡(luò)層數(shù)和更強(qiáng)的參數(shù)處理能力[15]，收斂速度和預(yù)測精度均優(yōu)于BP神經(jīng)網(wǎng)絡(luò)[16]. U-Net將CNN網(wǎng)絡(luò)中的低維和高維特征進(jìn)行融合[17]，并使用少量數(shù)據(jù)集進(jìn)行訓(xùn)練和測試，為醫(yī)學(xué)圖像分割做出了很大貢獻(xiàn)[18]. 耿艷磊等[19]在U-Net中引入半監(jiān)督全卷積網(wǎng)絡(luò)，實(shí)現(xiàn)了場景復(fù)雜的高分辨率遙感影像上的地物提取. Zeng等[20]將殘差塊、多尺度和通道注意力機(jī)制與U-Net相結(jié)合，提高了細(xì)胞檢測、細(xì)胞分類和腫瘤分級的核分割精度.

為此，筆者引入U(xiǎn)-Net進(jìn)行填埋場滲濾液水位探測的電阻率反演；同時(shí)，針對傳統(tǒng)電阻率法的采集裝置僅包含一個(gè)垂直剖面的滲濾液信息，且深度越深其攜帶信息量越少的問題[21]，提出了一種改進(jìn)的采集裝置?川字型裝置，使得電流可以通過更多介質(zhì)，采集數(shù)據(jù)攜帶了大量的滲濾液信息，有助于識別深層垃圾下方不同區(qū)域的滲濾液水位. 利用川字型裝置采集的數(shù)據(jù)量大以及多層感知機(jī)(MLP)能夠?qū)⒉豢啥x的電勢空間變換到低分辨率特征圖像空間的特點(diǎn)[22]，構(gòu)建MLP和U-Net相結(jié)合的川字型反演深度神經(jīng)網(wǎng)絡(luò)(EConvNet-C)進(jìn)行滲濾液水位探測. 首先基于川字型探測裝置建立多滲濾液水位場景的COMSOL數(shù)值模型以構(gòu)建探測數(shù)據(jù)集，用于EConvNet-C網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練，實(shí)現(xiàn)水位探測數(shù)據(jù)到真實(shí)電阻率的非線性映射；其次，為驗(yàn)證川字型裝置及其非線性反演模型的準(zhǔn)確性，將其與Wenner裝置和二極裝置及LS算法、EConvNet-T反演網(wǎng)絡(luò)進(jìn)行對比；最后，利用實(shí)際填埋場地的檢測數(shù)據(jù)驗(yàn)證EConvNet-C算法的有效性，以期為后期開展評估和修復(fù)工作提供技術(shù)支持.

1 研究方法

1.1 基本流程和方法驗(yàn)證

與其他人工智能反演算法類似，EConvNet-C反演同樣通過對樣本進(jìn)行學(xué)習(xí)，建立電勢差分?jǐn)?shù)據(jù)與真實(shí)電阻率之間的非線性關(guān)系，進(jìn)而在實(shí)際探測時(shí)通過電勢差分?jǐn)?shù)據(jù)準(zhǔn)確反演真實(shí)電阻率及其分布. 核心步驟包括兩部分：一是具有代表性和高質(zhì)量的樣本數(shù)據(jù)的生成；二是對樣本數(shù)據(jù)進(jìn)行訓(xùn)練，使得網(wǎng)絡(luò)輸出和期望輸出向量之間的均方誤差達(dá)到目標(biāo)要求. 首先，針對提出的川字型采集裝置，采用COMSOL仿真軟件，建立川字型探測模擬模型，模擬獲得不同填埋場高度、不同滲濾液水位的電勢采集數(shù)據(jù)；然后，根據(jù)川字型裝置采集到的電勢兩兩相減獲得電勢差分?jǐn)?shù)據(jù)，使用EConvNet-C進(jìn)行訓(xùn)練，建立電勢差分?jǐn)?shù)據(jù)與滲濾液水位的非線性網(wǎng)絡(luò)關(guān)系模型. 另外，為驗(yàn)證EConvNet-C的準(zhǔn)確性和精度，使用COMSOL模型得到的模擬測試集和江西省某危廢填埋場實(shí)際數(shù)據(jù)進(jìn)行對比. 填埋場滲濾水位探測流程與方法驗(yàn)證如圖1所示.

圖1 填埋場滲濾液水位探測流程與方法驗(yàn)證Fig.1 Landfill leachate level detection process and method validation

1.2 川字型裝置和深度神經(jīng)網(wǎng)絡(luò)模型耦合

由于川字型裝置觀測數(shù)據(jù)與電阻率模型在空間上沒有一一對應(yīng)關(guān)系，針對這一問題，根據(jù)川字型裝置觀測數(shù)據(jù)量大的特點(diǎn)，構(gòu)建MLP與深度神經(jīng)網(wǎng)絡(luò)U-Net相融合的深度神經(jīng)網(wǎng)絡(luò)反演模型(命名為EConvNet-C)，以探測填埋場滲濾液水位.

1.2.1 川字型裝置

1.2.1.1 川字型裝置的流線分布

在填埋場四周和底部鋪設(shè)HDPE膜，HDPE膜的電阻率為1017Ω?m，其高阻特性使電流無法穿過，而是沿著HDPE膜表面流動. 傳統(tǒng)電阻率裝置(如Wenner裝置、二極裝置等)是在一條測線上進(jìn)行電阻率測量，導(dǎo)致電流只能流過滲濾液區(qū)域的一個(gè)剖面，獲得的數(shù)據(jù)僅攜帶少量的滲濾液信息. 川字型裝置通過兩條平行測線上的電極供電，使得大部分電流流過滲濾液區(qū)域(見圖2)，所獲得的數(shù)據(jù)攜帶大量的滲濾液信息，提高了滲濾液水位的識別率和探測范圍.

1.2.1.2 川字型采集方式

電極結(jié)構(gòu)由128個(gè)電極組成，分別布設(shè)在3條平行測線上，在測線1中布置32個(gè)電極作為供電電極A，極距為2 m；在測線2中布置32個(gè)電極作為供電電極B，極距為2 m；在測線3中布置64個(gè)電極作為采集電極M，極距為1 m. 電極布設(shè)和采集過程如圖2所示.

圖2 川字型裝置電流流向及排列方式Fig.2 The current flow direction and arrangement of ‘Chuan’ type device

每步電極轉(zhuǎn)換都包含電勢信息，共有32組，其電勢采集步驟如下.

第1組：第1步，供電電極A1供正電，供電電極B2供負(fù)電，采集電極M依次采集；第2步，A1供正電，B3供負(fù)電，采集電極M依次采集；直至第31步，A1供正電，B32供負(fù)電，采集電極M依次采集.

逐步迭代循環(huán)至32組：第1步，A32供正電，B1供負(fù)電，采集電極M依次采集；第2步，A32供正電，B2供負(fù)電，采集電極M依次采集；直至第31步，A32供正電，B31供負(fù)電，采集電極M依次采集.

1.2.2 川字型裝置的人工智能反演算法

1.2.2.1 基于仿真模型的樣本數(shù)據(jù)生成

數(shù)據(jù)集的質(zhì)量、數(shù)量和真實(shí)性決定了EConvNet-C模型的準(zhǔn)確性和實(shí)用性，由于實(shí)際填埋場地中地電結(jié)構(gòu)復(fù)雜，訓(xùn)練集數(shù)據(jù)難以從含有滲濾液的實(shí)際場地中獲取. 采用仿真軟件對實(shí)際場地進(jìn)行模擬，通過改變模型參數(shù)獲取訓(xùn)練集數(shù)據(jù)，Butler等[23]通過試驗(yàn)驗(yàn)證了仿真數(shù)據(jù)具有真實(shí)性和可靠性. 使用仿真模擬模型可以獲得不同滲濾液位置和不同填埋物質(zhì)的電勢差

分?jǐn)?shù)據(jù)，作為訓(xùn)練集數(shù)據(jù)和測試數(shù)據(jù)，為EConvNet-C模型學(xué)習(xí)提供數(shù)據(jù)基礎(chǔ).

代表性填埋場地構(gòu)建：填埋場中滲濾液的積存可概化為2種情況：①正常情況下滲濾液積存于HDPE膜上，即場景A；②非正常情況下，由于中間覆土層、塑料垃圾等弱透水介質(zhì)的存在可能導(dǎo)致滲濾液積存于堆體中間，即場景B. 為此，通過COMSOL建立簡化理想模型[24]以模擬滲濾液積存于HDPE膜上和滲濾液積存于堆體中間的兩種場景(見圖3)，用于研究不同填埋場地高度以及不同滲濾液水位、位置和阻值在填埋場中電阻率的異常分布，在上述不同情況下，模擬川字型裝置采集電勢差分?jǐn)?shù)據(jù)，作為EConvNet-C的訓(xùn)練集和測試集. 詳細(xì)模擬過程：首先，建立一個(gè)倒梯形六面體模擬填埋場，其中填埋堆體設(shè)置兩種電阻率，分別代表滲濾液飽和區(qū)域與非飽和區(qū)域；其次，將填埋場庫底和四周設(shè)置高電阻率值(1017Ω?m)，模擬HDPE膜的高阻特性，場外的長方體模擬大地；最后，模擬川字型裝置采集數(shù)據(jù)，川字型裝置供電測線32個(gè)電極，極距為2 m，測量測線64個(gè)電極.

圖3 滲濾液堆積形式的三維理論模型示意Fig.3 The schematic diagram of three-dimensional theoretical model of leachate accumulation form

通過改變填埋堆體高度(6~10 m之間等間距設(shè)置5個(gè)不同高度)、滲濾液水位(0.1~4 m之間等間距設(shè)置40個(gè)水位)以及填埋物質(zhì)和滲濾液的材料參數(shù)(電阻率和相對介電常數(shù))，共獲得600組具有不同堆體高度和滲濾液水位的樣本，基本包含大部分野外滲濾液情況，2種代表性場景下堆體高度和滲濾液水位情況見圖3.

電場控制方程：對于代表性滲濾液場地的幾何模型，電法裝置探測過程中電流源S產(chǎn)生的電場分布服從泊松分布[25]:

式中：ρ為電阻率，Ω?m；φ為電勢，V；jc為電荷密度，A/m2. 給定模型中的電阻率，則可計(jì)算介質(zhì)內(nèi)任一點(diǎn)的電勢.

樣本數(shù)據(jù)獲?。河么ㄗ中脱b置采集電勢數(shù)據(jù)并對電勢兩兩相減處理成電勢差分?jǐn)?shù)據(jù)，每個(gè)樣本包含992×2 016個(gè)數(shù)據(jù)點(diǎn). 通過改變模型的參數(shù)，川字型裝置均能獲取600組樣本作為反演模型的數(shù)據(jù)，表示為為電勢差分樣本，為真電阻率數(shù)據(jù)，將樣本D按照比例7∶3劃分為訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集，分別為420和180個(gè). 其中訓(xùn)練集用于訓(xùn)練模型，測試集用來對模型結(jié)果進(jìn)行驗(yàn)證.

1.2.2.2 EConvNet-C非線性反演模型

與傳統(tǒng)高密度電法探測裝置不同，川字型探測裝置的視電阻率無法使用基于U-Net的結(jié)構(gòu)EConvNet-T進(jìn)行特征學(xué)習(xí)，針對川字型探測裝置特點(diǎn)，提出了一種基于電勢差分?jǐn)?shù)據(jù)的川字型探測裝置采集數(shù)據(jù)輸入并進(jìn)行重組的策略，作為EConvNet-C反演網(wǎng)絡(luò)的輸入基礎(chǔ).

首先，將川字型裝置采集的電勢數(shù)據(jù)進(jìn)行兩兩相減的電勢差分?jǐn)?shù)據(jù)重組為EConvNet-C的992個(gè)通道的輸入，每個(gè)通道的數(shù)據(jù)量可達(dá)到2 016個(gè)，使用MLP對缺乏空間對應(yīng)關(guān)系的電勢差分?jǐn)?shù)據(jù)進(jìn)行處理.當(dāng)反演區(qū)域?yàn)?4 m×12 m時(shí)，對992個(gè)通道的電勢差分?jǐn)?shù)據(jù)采用3次全連接網(wǎng)絡(luò)進(jìn)行重構(gòu)，得到992個(gè)對應(yīng)的小尺度(32 m×6 m)低分辨率特征圖像. 在此基礎(chǔ)上，對重建的低分辨率特征圖像進(jìn)行特征重組(992×32×6)，采用EConvNet-C預(yù)測電阻率模型.

EConvNet-C網(wǎng)絡(luò)的參數(shù)設(shè)置：中間層激活函數(shù)為Relu，末層為Sigmoid；學(xué)習(xí)率為10?3；訓(xùn)練輪數(shù)為5 000，優(yōu)化器為Adam. EConvNet-C網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示.

圖4 EConvNet-C網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 The network structure of EConvNet-C

1.2.3 傳統(tǒng)裝置的反演

為驗(yàn)證并比較ConvNet-C的有效性和優(yōu)勢，將所得結(jié)果分別與傳統(tǒng)裝置(Wenner裝置，二極裝置)通過線性反演算法?LS算法得到的結(jié)果以及通過EConvNet-T算法得到的結(jié)果進(jìn)行比較. 其中，傳統(tǒng)裝置的EConvNet-T反演使用U-Net網(wǎng)絡(luò)的編碼-解碼結(jié)構(gòu)，編碼結(jié)構(gòu)先經(jīng)過若干個(gè)卷積層和池化層提取特征并得到分辨率較低的高維特征圖，可以有效地捕捉上下文信息. 而解碼結(jié)構(gòu)將上下文信息傳播到高分辨率層可以較好地預(yù)測位置信息，此外還通過跳躍連接填補(bǔ)底層信息以提高分割精度. 調(diào)整網(wǎng)絡(luò)的深度和寬度會使其更適應(yīng)視電阻率數(shù)據(jù)的規(guī)模. EConvNet-T網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示.

圖5 EConvNet-T網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 The network structure of EConvNet-T

1.3 實(shí)際場地應(yīng)用

采用1.2.2.1節(jié)中COMSOL模型獲取的測試數(shù)據(jù)集和江西省某危廢填埋場實(shí)測數(shù)據(jù)來驗(yàn)證EConvNet-C的有效性和準(zhǔn)確性. 實(shí)測場地為江西省某危廢填埋場，庫區(qū)占地總面積約為196 393 m2，總庫容約為93.5×104m3(見圖6). 探測裝置采用Wenner裝置、二極裝置和川字型裝置. 現(xiàn)場測線布置：Wenner裝置、二極裝置的測線長均為50.4 m，電極極距均為0.8 m，共64個(gè)電極；川字型裝置中供電電極兩條供電測線長均為64 m，采集測線長均為64 m，電極極距分別為2 m和1 m.

圖6 江西省某危廢填埋場位置結(jié)構(gòu)示意Fig.6 The location structure of a hazardous waste landfill site in Jiangxi Province

2 結(jié)果與討論

從180個(gè)測試集中選擇4個(gè)填埋場(堆體高度和滲濾液水位不同)進(jìn)行方法驗(yàn)證和對比(其結(jié)構(gòu)見表1)，其中填埋場1和填埋場2屬于代表性場景A，填埋場3和填埋場4屬于代表性場景B. 使用川字型裝置采集觀測數(shù)據(jù)，并使用EConvNet-C算法進(jìn)行反演，得到滲濾液液位高度. 為便于對比，還利用傳統(tǒng)裝置(Wenner裝置，二極裝置)對上述兩種代表性場景下的4個(gè)填埋場進(jìn)行了電阻率數(shù)據(jù)采集，采集數(shù)據(jù)分別利用LS算法和EConvNet-T算法進(jìn)行了反演.

表1 代表性場景下填埋場的理論模型結(jié)構(gòu)Table 1 The theoretical model structure of landfill in representative scenarios

2.1 基于川字型裝置的EConvNet-C反演結(jié)果

基于川字型裝置EConvNet-C的反演結(jié)果如圖7所示. 以場景A中填埋場1為例，從圖7(a)可以看出，電阻率存在明顯的分層特征，一共可分為4層，從上到下電阻率依次約為19.26、13.93、3.27和10 000 Ω?m. 其中，第3層電阻率值最低，約為3.27 Ω?m，厚度為1.10 m，判斷為滲濾液區(qū)域；該層以下電阻率急劇升高，達(dá)到10 000 Ω?m數(shù)量級，顯然該層與上層分界即為庫底HDPE膜所在位置. 第2層是滲濾液區(qū)域與填埋物質(zhì)區(qū)域之間的過渡層，這是由EConvNet-C反演算法在訓(xùn)練中過擬合產(chǎn)生的局部誤差導(dǎo)致. 總體上電阻率垂向分布與實(shí)際滲濾液分布規(guī)律較為一致.

圖7 川字型裝置下EConvNet-C反演斷面Fig.7 Cross-sectional view of EConvNet-C inversion under the ‘Chuan’ device

采用均方誤差(MSE)[26]對EConvNet-C非線性反演算法的性能進(jìn)行評價(jià)，MSE是表征非線性反演獲得的電阻值與實(shí)際電阻率值之間偏差的指標(biāo)，其值越小，表示算法的反演性能越好，反演誤差越小[27]，通過式(2)進(jìn)行計(jì)算. 結(jié)果表明，在場景A中填埋場1和填埋場2的EConvNet-C的MSE均在0.002 30以下，而其他學(xué)者采用線性反演算法得到的MSE在0.20~0.60之間[28]，明顯高于筆者所得結(jié)果.

式中，N表示樣本總數(shù)，zi表示第i個(gè)訓(xùn)練樣本的真實(shí)值，表示第i個(gè)訓(xùn)練樣本的預(yù)測值.

將低阻區(qū)域高度確定為滲濾液的液位高度. 通過式(3)量化評估水位的探測精度(ACC)，結(jié)果表明，場景A中EConvNet-C的探測精度均在90.0%以上.

式中：Hp為識別的滲濾液液位高度，m；H0為實(shí)際的滲濾液液位高度，m；Sp為識別的滲濾液區(qū)域；S0為實(shí)際的滲濾液區(qū)域.

2.2 不同滲濾液積存條件對探測結(jié)果的影響

首先分析正常場景下(場景A，也即滲濾液積存在庫底HDPE膜上方)滲濾液水位高度變化對探測結(jié)果的影響. 具有不同滲濾液水位的填埋場1和填埋場2的EConvNet-C反演結(jié)果見圖7(a)(b)，反演結(jié)果的MSE見表2. 由表2可見：從EConvNet-C反演結(jié)果的MSE來看，填埋場1和填埋場2的MSE均非常小，分別為0.002 30和0.001 73，且二者差異極??；另外，從探測精度指標(biāo)ACC來看，填埋場1和填埋場2反演的滲濾液位置的ACC分別為?6.00~?4.90 m和?8.00~?6.60 m，液位高度分別為1.10 m和1.40 m；二者的探測精度分別90.0%和93.3%，均達(dá)到90%以上. 顯然，正常場景下，不論水位如何變化，都能取得較好的探測準(zhǔn)確度.

表2 三種反演算法MSE的比較Table 2 MSE comparison results of three algorithms

其次對比正常場景和非正常場景(場景B，也即滲濾液積存在堆體中部)下的EConvNet-C反演性能和滲濾液水位探測精度，以填埋場1和填埋場4為例進(jìn)行對比，填埋場4條件下MSE為0.004 20，是填埋場1的1.82倍；滲濾液位置為?7.00~?4.60 m，液位高度為2.40 m，探測精度ACC為80.0%，是填埋場1的0.89倍. 顯然在非正常情況下，探測精度有所降低，但總體來看依然在80.0%以上，仍然保留了較高的探測準(zhǔn)確度. 非正常場景下探測精度下降的原因可能是，滲濾液積存在中部時(shí)，滲濾液下方介質(zhì)從電阻率較大的HDPE膜變化為相對較小的非飽和垃圾區(qū)，與滲濾液之間的電阻率差異變小，導(dǎo)致更難分辨.

2.3 與不同探測方法的比較

3種反演算法的MSE結(jié)果如表2所示，基于川字型裝置的EConvNet-C反演算法的MSE結(jié)果明顯小于基于傳統(tǒng)裝置的LS算法反演探測結(jié)果，如場景A中的填埋場1，EConvNet-C反演算法是LS算法反演探測的0.002 8倍；但與基于傳統(tǒng)裝置的EConvNet-T反演算法而言，二者并無明顯差異，MSE都在10?3數(shù)量級，偶爾會出現(xiàn)EConvNet-C的MSE大于EConvNet-T(如場景A的填埋場1)，也會出現(xiàn)EConvNet-C的MSE小于EConvNet-T(如場景A的填埋場2)的情況. 這可能是反演精度較高時(shí)的數(shù)值誤差的偶然性體現(xiàn).

2.3.1 場景A條件下不同方法的比較

對比正常場景（場景A）下不同方法的性能和探測精度，填埋場1和填埋場2的反演結(jié)果如表3和圖8所示. 以填埋場1為例進(jìn)行說明，不同探測方法的結(jié)果見圖8(a)~(d). 結(jié)果顯示，在Wenner裝置和二極裝置下LS算法的反演結(jié)果中，從頂部向底部電阻率逐漸升高，以圖7(a)為例，其底部電阻率為72 Ω?m，頂部電阻率為10.5 Ω?m. 而實(shí)際上滲濾液積存于底部，該位置處電阻率應(yīng)是最低的，電阻率較小的區(qū)域分別對應(yīng)深度?3.60~?1.50和?3.00~?0.50 m，而實(shí)際滲濾液水位在?6.00~?5.00 m之間，顯然該方法無法準(zhǔn)確判斷滲濾液的位置和厚度. 這是受到HDPE膜高阻的影響，電阻率法存在體積效應(yīng)，反映的是一定體積的電阻率，而HDPE膜的電阻率近似無窮大，在體積作用下其相鄰區(qū)域都呈現(xiàn)出異常高阻[29-30]. 另外，LS算法需要對目標(biāo)函數(shù)反復(fù)迭代，使得噪聲對反演結(jié)果的影響隨著迭代次數(shù)的增加而逐步加大，EConvNet-C不考慮初始模型的影響，也不計(jì)算目標(biāo)函數(shù)的梯度[31]，因此能夠抑制數(shù)據(jù)噪聲對反演結(jié)果的影響.

圖8 場景A中不同裝置下LS、EConvNet-T反演斷面Fig.8 The cross-sectional map of LS, EConvNet-T and under different devices in scenario A

表3 場景A條件下不同方法反演的滲濾液液位高度Table 3 Leachate level heights retrieved by different methods in scenario A

基于Wenner裝置和二極裝置的EConvNet-T探測的滲濾液位置分別為?5.95~?5.14和?5.99~?4.75 m，滲濾液厚度分別為0.81和1.24 m，滲濾液水位探測誤差分別為81.0%和76.0%，雖然相比基于傳統(tǒng)裝置的LS算法有著明顯改進(jìn)，基本能夠識別滲濾液高度和厚度，但對比基于川字型裝置的EConvNet-C反演算法，其探測精度下降了10.0%~15.6%.

2.3.2 場景B條件下不同方法的比較

對比非正常場景（場景B）下不同方法的探測結(jié)果，填埋場3和填埋場4的反演結(jié)果如表4和圖9所示. 以填埋場4為例進(jìn)行說明. 不同探測方法的結(jié)果見圖9(e)~(h). 結(jié)果顯示，在兩種傳統(tǒng)裝置下LS算法的反演結(jié)果圖中，電阻率較小的區(qū)域分別對應(yīng)深度?6.00~?3.50 和?1.50~?5.00 m，而實(shí)際滲濾液水位在?6.00~?4.50 m之間，但基于Wenner裝置的LS算法反演的滲濾液分為了左右兩塊區(qū)域，該方法在場景B中也無法準(zhǔn)確判斷滲濾液的位置和厚度，其原因與場景A中一樣，是由填埋場底部HDPE膜的高阻影響所致.

表4 場景B條件下不同方法反演的滲濾液液位高度Table 4 Leachate level heights retrieved by different methods in scenario B

基于兩種傳統(tǒng)裝置的EConvNet-T探測的滲濾液位置分別為?7.02~?5.61和?7.06~?4.51 m，滲濾液厚度分別為1.41和2.55 m，滲濾液水位探測誤差分別為70.5%和72.5%，雖然相比基于傳統(tǒng)裝置的LS算法有著明顯改進(jìn)，基本能夠識別滲濾液高度和厚度，但對比基于川字型裝置的EConvNet-C反演算法，其探測精度下降了9.3%~11.9%.

2.4 現(xiàn)場實(shí)測數(shù)據(jù)反演結(jié)果

使用LS算法和EConvNet-T模型的反演結(jié)果(Wenner裝置，二極裝置)和EConvNet-C模型反演結(jié)果(川字型裝置)如圖10所示.

由圖10可見，在Wenner裝置和二極裝置下，LS算法的反演斷面結(jié)果中頂部有低阻異常，這是由于受到填埋場一部分滲濾液水分蒸發(fā)或降雨產(chǎn)生的影響[32]. 由于HDPE膜高阻的影響，無法確定滲濾液情況. 而EConvNet-T和EConvNet-C能夠識別出滲濾液水位信息，其中Wenner裝置探測到的水位為1.52 m，二極裝置為2.27 m，川字型裝置為1.84 m. 工作人員通過現(xiàn)場開挖確定滲濾液水位為1.90 m. 綜上，EConvNet-T和EConvNet-C能夠反演出實(shí)際場地的滲濾液水位，EConvNet-C的精度最高. 另外，由圖10(c)(d)(e)沒有反映出頂部的低阻異常，這是由于深度學(xué)習(xí)算法受學(xué)習(xí)樣本的影響，開始的學(xué)習(xí)樣本沒有設(shè)計(jì)頂部存在低阻的情況，所以無法有效學(xué)習(xí).

圖10 現(xiàn)場實(shí)測數(shù)據(jù)LS, EConvNet-T, EConvNet-C反演斷面圖Fig.10 LS, EConvNet-T, EConvNet-C inversion section view of field data

2.5 不同探測方法的優(yōu)缺點(diǎn)

從耗時(shí)、探測精度以及探測方法適用性3個(gè)方面對比分析不同方法的優(yōu)缺點(diǎn)，結(jié)果如表5所示. 從耗時(shí)上，傳統(tǒng)裝置Wenner裝置采集的數(shù)據(jù)包含651個(gè)數(shù)據(jù)點(diǎn)，耗時(shí)22 min；二極裝置包含690個(gè)數(shù)據(jù)，耗時(shí)23 min；川字型裝置包含992個(gè)數(shù)據(jù)點(diǎn)，耗時(shí)33 min，單次探測時(shí)間超過傳統(tǒng)裝置的50%.

表5 滲濾液水位探測中不同方法的優(yōu)缺點(diǎn)對比Table 5 Comparison of advantages and disadvantages of different methods in leachate level detection

從探測精度來看，傳統(tǒng)裝置+傳統(tǒng)反演算法的組合幾乎失效，無法探測填埋場底部的滲濾液水位；在傳統(tǒng)裝置下EConvNet-T反演算法和在川字型裝置下EConvNet-C反演算法均能夠探測滲濾液水位，EConvNet-C的探測精度最大，EConvNet-T其次，LS算法無法探測.

從適用性角度看，LS不需要構(gòu)建數(shù)據(jù)集，能夠直接探測沒有高阻影響的復(fù)雜的地質(zhì)結(jié)構(gòu)；而EConvNet-C需要提前知道地質(zhì)結(jié)構(gòu)以構(gòu)建數(shù)據(jù)集用于EConvNet-C的訓(xùn)練和測試，因此對于復(fù)雜的地質(zhì)結(jié)構(gòu)或地質(zhì)結(jié)構(gòu)未知情況，難以使用EConvNet-C反演算法進(jìn)行探測. 但在填埋場場景下，由于堆體是人工構(gòu)筑的，且垂向結(jié)構(gòu)相對簡單，變量僅為滲濾液水位，可以提前通過構(gòu)建模擬數(shù)據(jù)集進(jìn)行學(xué)習(xí)，其適用性較差的局限可忽略.

3 結(jié)論

a) 基于川字型裝置的EConvNet-C反演結(jié)果可以明顯反映介質(zhì)類型及含水率差異導(dǎo)致的電阻率分層特征.

b) 基于川字型裝置的EConvNet-C反演中，場景A的兩個(gè)填埋場MSE分別為0.00 200和0.00 173，場景B的兩個(gè)填埋場MSE分別為0.00 270和0.00 420，分別是場景A的0.74和0.42倍；場景A的兩個(gè)填埋場探測精度ACC分別為90.0%和93.3%，場景B的兩個(gè)填埋場ACC均為80.0%，分別是場景A的1.125和1.167倍.

c) EConvNet-C能準(zhǔn)確識別填埋場滲濾液水位，在場景A中滲濾液水位探測精度為90%~93.3%，EConvNet-T為76.0%~84.7%；在場景B條件下，EConvNet-C探測精度為80%，EConvNet-T為70.5%~72.6%；而LS算法在HDPE膜高阻特性的影響下只能找到HDPE膜的部分區(qū)域，無法有效識別滲濾液水位.