Forward-Modeling-Driven Quantification of Karst ERT Responses and Borehole-Constrained AI-Assisted Interpretation

Sintesi Tecnica: Quantificazione delle risposte ERT guidata dalla modellazione diretta e interpretazione assistita da IA con vincoli di sondaggio

Problema
La Tomografia di Resistività Elettrica (ERT) è il metodo principale per rilevare cavità carsiche e zone fratturate nascoste, tuttavia la sua interpretazione affronta sfide significative. La mappatura dalla resistività apparente alla struttura del sottosuolo è un problema inverso mal posto, caratterizzato da una media ponderata per volume, effetti di geometria di campionamento e non univocità. Questi fattori causano distorsioni sistematiche nelle risposte osservate, portando a confini sfumati e ambiguità di equivalenza. Sebbene studi recenti abbiano introdotto l'apprendimento profondo (deep learning) end-to-end per interpretare i dati ERT, rimangono tre lacune critiche: (1) una mancanza di audit per il bias della distribuzione dei parametri nei dataset sintetici di addestramento, che può causare l'apprendimento di scorciatoie dai dataset anziché di pattern fisici; (2) una quantificazione insufficiente di come la qualità dei vincoli di sondaggio (specificamente, se essi intersechino il target) influenzi i guadagni interpretativi; (3) una mancanza di strati intermedi interpretabili che caratterizzino i pattern di distorsione della risposta diretta, rendendo difficile collegare le conclusioni dell'IA ai meccanismi fisici sottostanti.

Metodologia
Lo studio propone un framework guidato dalla modellazione diretta che separa esplicitamente l'analisi della risposta fisica dalla predizione assistita dall'IA. Il flusso di lavoro consiste nei seguenti componenti:

1. Libreria di Modelli Controllabile: È stata costruita una libreria di 5.000 modelli sintetici completi di verità fondamentale (ground-truth), che copre otto scenari geoelettrici carsici rappresentativi (es. stratificazione semplice, singola/multipla cavità riempita d'acqua o asciutta, interferenza/schermatura superficiale, topografia ondulata). Il background è composto da tre strati (topsoil, strato degradato, roccia madre), con le cavità carsiche definite come anomalie a bassa resistività (riempite d'acqua) o alta resistività (asciutte).
2. Modellazione Diretta (Forward Modeling): Le risposte della resistività apparente e le pseudosezioni sono state generate utilizzando la libreria open-source a elementi finiti pyGIMLi con un array Wenner-α (60 elettrodi, spaziatura di 1 m). Per garantire la robustezza numerica, 12 modelli rappresentativi sono stati valutati indipendentemente con RES2DMOD.
3. Audit del Bias del Dataset: Lo studio ha implementato un audit in tre parti per rilevare il bias sistematico: confronto della strategia di ancoraggio (confronto tra perforazione casuale vs. mediana), analisi del clustering spaziale dei falsi positivi e test di stabilità cross-versione dei pattern di distorsione.
4. Quantificazione della Distorsione: Le risposte dirette sono state confrontate con i modelli di verità fondamentale per quantificare sette specifici pattern di distorsione: compressione della profondità, spostamento laterale, distorsione morfologica, schermatura superficiale, fusione di multi-anomalie, differenze di polarità e sensibilità dell'array.
5. Simulazione di Sondaggi: I sondaggi sono stati simulati utilizzando sei strategie di posizionamento (casuale, spaziatura uniforme ingenua, centro dell'anomalia, bordo dell'anomalia, massimo gradiente e limite superiore della verità fondamentale). Fondamentalmente, tutte le osservazioni dei sondaggi sono state estratte esclusivamente dai modelli di verità fondamentale, non dalle pseudosezioni, per garantire la coerenza fisica.
   6.za Interpretazione tramite Deep Learning: Una rete U-Net leggera (circa 1,9 milioni di parametri) è stata addestrata per predire immagini di resistività e maschere di anomalia dalle pseudosezioni, con canali di sondaggio opzionali come input. La rete è stata valutata su un set di test di 512 campioni.

Contributi Chiave

• Sviluppo del Framework: È stato stabilito un workflow guidato dalla modellazione diretta che pone l'analisi della risposta interpretabile prima della predizione tramite IA, collegando le conclusioni a prove di modellazione deterministica.
• Quantificazione della Distorsione: Sono stati quantificati sistematicamente sette pattern di distorsione della risposta diretta e validati la loro robustezza numerica attraverso il confronto tra software (pyGIMLi vs. RES2DMOD).
• Audit del Bias: È stato dimostrato che il design della distribuzione dei parametri è critico quanto la dimensione del campione, introducendo metodi di audit riutilizzabili per prevenire che i modelli apprendano scorciatoie dai dataset.
• Analisi del Vincolo del Sondaggio: È stato valutato esplicitamente il rapporto tra la "qualità di intersezione" del sondaggio (intersezione con il target) e l'entità/direzione del miglioramento nell'interpretazione assistita da IA.

Risultati

• Robustezza Numerica: RES2DMOD e pyGile hanno mostrato un accordo stretto con un errore RMS relativo del 2,03% su 12 modelli, confermando l'affidabilità dei pattern di distorsione riportati.
• Pattern di Distorsione:
  • Compressione della Profondità: I picchi di risposta sono sistematicamente più superficiali rispetto alle reali profondità di sepoltura (il rapporto di compressione diminuisce da ~0,54 nelle regioni superficiali a ~0,24 nelle regioni più profonde).
  • Spostamento Laterale: Lo spostamento orizzontale mediano dei picchi di risposta è di ~3,1 m (circa tre spazi elettrodici), aumentando vicino alle estremità della linea di rilievo.
  • Distorsione Morfologica: La larghezza dell'ampiezza dimezzata della risposta è significativamente più stretta della reale larghezza dell'anomalia (rapporto mediano ~0,33).
  • Schermatura Superficiale: Corpi ad alta resistività superficiali possono quasi completamente attenuare le risposte dei target profondi (indice di schermatura ~1,0), mentre i corpi a bassa resistività possono causare conferme errate.
  • Fusione di Multi-Anomalie: Molteplici cavità spesso si fondono in meno picchi nelle pseudosezioni (ad esempio, il 61% dei campioni con 3 cavità mostrava meno picchi).
• Tassi di Intersezione dei Sondaggi: Nella libreria de-biased, le strategie ingegneristicamente fattibili hanno ottenuto tassi di intersezione del primo sondaggio di soli 21–24%, ben lontani dal 97–99% raggiunto dal limite superiore della verità fondamentale (oracle). Il posizionamento guidato dalla risposta ha migliorato i tassi di intersezione di soli ~5 punti percentuali rispetto alla perforazione casuale.
• Performance dell'Interpretazione IA:
  • Baseline Senza Sondaggio: La rete ha raggiunto un'Intersezione su Unione (IoU) dell'area di anomalia di 0,114 e un tasso di falsi positivi (FPR) di 0,84.
  • Vincoli Oracle: Quando i sondaggi garantivano l'intersezione con il target (99% di tasso di intersezione), l'IoU è aumentato a 0,506 e l'FPR è sceso a 0.
  • Vincoli Ingegneristici: I guadagni dalle strategie fattibili sono stati limitati e variabili. Ad esempio, due sondaggi posizionati ai bordi dell'anomalia hanno ridotto l'FPR ma hanno causato la maggiore perdita di richiamo (recall). Lo studio ha scoperto che i miglioramenti nell'interpretazione dell'IA erano fortemente associati alla probabilità che i sondaggi intersecassero il target, piuttosto che alla mera presenza di dati di sondaggio.
• Gating Osservabile: Un audit a zero addestramento ha rivelato che le caratteristiche osservabili sul campo (ad esempio, il rapporto segnale-rumore del picco) non potevano filtrare in modo affidabile i campioni in cui i sondaggi avrebbero colpito il target; in alcuni casi, risposte più forti correlavano negativamente con i tassi di intersezione a causa di effetti di schermatura o fusione.

Significato e Rivendicazioni
Il documento sostiene che la distorsione della risposta diretta debba essere quantificata prima che le interpretazioni ERT assistite dall'IA vengano valutate. Argomenta che il valore dei dataset di modellazione diretta su larga scala dipende non solo dalla dimensione del campione, ma dal design delle distribuzioni dei parametri per evitare il bias. Lo studio evidenzia che il beneficio dei vincoli di sondaggio nell'interpretazione dell'IA non è lineare; dipende criticamente dalla probabilità che i sondaggi intersechino il target. Di conseguenza, gli autori suggeriscono che migliorare la qualità del vincolo attraverso esposizioni più dense della verità fondamentale sia una via ingegneristica più difendibile rispetto al ricorso allo screening basato sulla risposta.

Gli autori mantengono un ambito modesto, affermando che la componente di deep learning è una "prova di concetto" limitata a dati sintetici Wenner-α e non deve essere interpretata come un sistema di inversione generale sul campo. Riconoscono i limiti, inclusa la gamma ristretta di tassi di intersezione campionati dalle strategie ingegneristiche e la mancanza di confronto con le classiche inversioni vincolate alla regolarità (smoothness-constrained) o con casi di studio sul campo. Il contributo primario è metodologico: fornire un framework per sottoporre a audit il bias del dataset e quantificare le distorsioni fisiche per comprendere meglio i limiti e il potenziale dell'IA nell'interpretazione geofisica.