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

Technische Samenvatting: Forward-Modeling-gestuurde Kwantificering van Karst ERT-responsen en Boorgat-geconstraineerde AI-ondersteunde Interpretatie

Probleemstelling
Electrical Resistivity Tomography (ERT) is de primaire methode voor het detecteren van verborgen karstholtes en breukzones, maar de interpretatie ervan staat voor aanzienlijke uitdagingen. De mapping van schijnbare resistiviteit naar de ondergrondse structuur is een slecht gestelde inverse probleem (ill-posed inverse problem) dat wordt gekenmerkt door volumegewogen middeling, meetgeometrie-effecten en niet-uniciteit. Deze factoren veroorzaken systematische verstoringen in de geobserveerde respons, wat leidt tot vervaagde grenzen en ambiguïteit in equivalentie. Hoewel recente studies end-to-end deep learning hebben geïntroduceerd voor de interpretatie van ERT-data, blijven drie kritieke hiaten bestaan: (1) een gebrek aan auditing voor parameter-distributiebias in synthetische trainingsdatasets, wat ertoe kan leiden dat modellen dataset-shortcuts leren in plaats van fysieke patronen; (2) onvoldoende kwantificering van hoe de kwaliteit van boorgat-constraints (specifiek, of deze de doelwit doorsnijden) de winst in interpretatie beïnvloedt; en (3) een gebrek aan interpreteerbare tussenlagen die de distributiepatronen van de forward-respons karakteriseren, waardoor het moeilijk is om AI-conclusies te koppelen aan onderliggende fysieke mechanismen.

Methodologie
De studie stelt een forward-modeling-gestuurd framework voor dat de analyse van de fysieke respons expliciet scheidt van de AI-ondersteunde voorspelling. De workflow bestaat uit de volgende componenten:

1. Controleerbare Modelbibliotheek: Een grondwaarheid-complete bibliotheek van 5.000 synthetische modellen werd geconstrueerd, die acht representatieve geoelectrische karstscenario's beslaat (bijv. eenvoudige gelaagdheid, enkelvoudige/meervoudige watergevulde of droge holtes, ondiepe interferentie/afscherming, golvend topografie). De achtergrond bestaat uit drie lagen (toplaag, verweringlaag, gesteente), waarbij karstholtes worden gedefinieerd als laag-resistieve (watergevulde) of hoog-resistieve (droge) anomalieën.
2. Forward Modeling: Schijnbare resistiviteitsresponsen en pseudosecties werden gegenereerd met behulp van de open-source finite-element library pyGIMLi met een Wenner-α array (60 elektroden, 1 m tussenruimte). Om numerieke robuustheid te garanderen, werden 12 representatieve modellen onafhankelijk geëvalueerd met RES2DMOD.
3. Dataset-Bias Audit: De studie implementeerde een drieledige audit om systematische bias te detecteren: een anchor-strategie vergelijking (vergelijking tussen willekeurige versus middenpunt-boringen), ruimtelijke clusteringanalyse van false positives, en cross-versie stabiliteitstesten van distributiepatronen.
4. Distortie Kwantificering: Forward-responsen werden vergeleken met grondwaarheid-modellen om zeven specifieke distortiepatronen te kwantificeren: dieptecompressie, laterale verplaatsing, morfologische distortie, ondiepe afscherming (shielding), het samensmelten van meerdere anomalieën, polariteitsverschillen en array-gevoeligheid.
5. Boorgat Simulatie: Boorgaten werden gesimuleerd met zes plaatsingstrategieën (willekeurig, naïef gelijkmatig gespreid, anomalie-centrum, anomalie-rand, maximaal gradiënt, en grondwaarheid bovenste grens). Cruciaal is dat alle boorgat-observaties uitsluitend werden geëxtraheerd uit de grondwaarheid-modellen, en niet uit de pseudosecties, om fysieke consistentie te waarborgen.
6. Deep Learning Interpretatie: Een lichtgewicht U-Net (ongeveer 1,9 miljoen parameters) werd getraind om resistiviteitsbeelden en anomalie-masks te voorspellen van pseudosecties, met optionele boorgat-kanalen als input. Het netwerk werd geëvalueerd op een testset van 512 monsters.

Belangrijkste Bijdragen

• Framework Ontwikkeling: Vastgesteld een forward-modeling-gestuurd workflow die interpreteerbare responsanalyse plaatst vóór AI-voorspelling, waardoor conclusies worden gekoppeld aan deterministische modelleringsbewijzen.
• Distortie Kwantificering: Systematisch zeven forward-respons distortiepatronen gekwantificeerd en hun numerieke robuustheid gevalideerd via cross-software vergelijking (pyGIMLi vs. RES2DMOD).
• Bias Auditing: Gedemonstreerd dat parameter-distributieontwerp even cruciaal is als de steekproefomvang, waarbij herbruikbare auditmethoden zijn geïntroduceerd om te voorkomen dat modellen dataset-shortcuts leren.
• Boorgat Constraint Analyse: Expliciet de relatie geëvalueerd tussen de "hit quality" van boorgaten (het doorsnijden van het doelwit) en de magnitude/richting van de verbetering in AI-ondersteunde interpretatie.

Resultaten

• Numerieke Robuustheid: RES2DMOD en pyGIMLi vertoonden een nauwe overeenkomst met een relatieve RMS-fout van 2,03% over 12 modellen, wat de betrouwbaarheid van de gerapporteerde distortiepatronen bevestigt.
• Distortiepatronen:
  • Dieptecompressie: Respons-pieken zijn systematisch ondieper dan de werkelijke begravingsdieptes (compressieratio daalt van ~0,54 in ondiepe regio's naar ~0,24 in diepere regio's).
  • Laterale Verplaatsing: De mediane horizontale offset van respons-pieken is ~3,1 m (ongeveer drie elektrode-afstanden), wat toeneemt nabij de uiteinden van de meetlijn.
  • Morfologische Distortie: De breedte van de respons-halfamplitude is aanzienlijk smaller dan de werkelijke anomalie-breedte (mediane ratio ~0,33).
  • Ondiepe Afscherming (Shallow Shielding): Hoog-resistieve ondiepe lichamen kunnen diepe doelwit-responsen bijna volledig dempen (afschermingsindex ~1,0), terwijl laag-resistieve lichamen juist valse bevestigingen kunnen veroorzaken.
  • Samensmelten van Meerdere Anomalieën: Meerdere holtes smelten vaak samen tot minder pieken in pseudosecties (bijv. 61% van de 3-holte monsters vertoonde minder pieken).
• Boorgat Hit Rates: In de gedebiaste bibliotheek bereikten technisch haalbare strategieën een eerste-boorgat hit rate van slechts 21–24%, ver onder de 97–99% behaald door de grondwaarheid bovenste grens (oracle). Respons-gestuurde plaatsing verbeterde de hit rates met slechts ~5 procentpunten ten opzien van willekeurige boringen.
• AI Interpretatie Prestaties:
  • Geen Boorgat Baseline: Het netwerk behaalde een anomalie-regio Intersection over Union (IoU) van 0,114 en een false-positive rate (FPR) van 0,84.
  • Oracle Constraints: Wanneer boorgaten gegarandeerd het doelwit doorsneden (99% hit rate), steeg de IoU naar 0,506 en daalde de FPR naar 0.
  • Engineering Constraints: De winsten van haalbare strategieën waren beperkt en variabel. Zo verminderden twee boorgaten geplaatst aan de randen van de anomalie de FPR, maar veroorzaakten zij het grootste verlies in recall. De studie vond dat verbeteringen in AI-interpretatie sterk geassocieerd waren met de waarschijnlijkheid dat boorgaten het doelwit doorsneden, in plaats van de loutere aanwezigheid van boorgat-data.
• Observeerbare Gating: Een zero-training audit toonde aan dat veld-observeerbare kenmerken (bijv. piek signaal-ruisverhouding) niet betrouwbaar konden screenen voor monsters waarbij boorgaten het doelwit zouden raken; in sommige gevallen correleerden sterkere responsen negatief met hit rates vanwege afscherming of samensmeltingseffecten.

Betekenis en Claims
Het artikel claimt dat forward-respons distortie gekwantificeerd moet worden voordat AI-ondersteunde ERT-interpretaties worden beoordeeld. Het stelt dat de waarde van grootschalige forward-modeling datasets niet alleen afhangt van de steekproefomvang, maar van het ontwerp van de parameter-distributies om bias te voorkomen. De studie benadrukt dat het voordeel van boorgat-constraints in AI-interpretatie niet lineair is; het hangt kritiek af van de waarschijnlijkheid dat de boorgaten het doelwit doorsnijden. Bijgevolg suggereren de auteurs dat het verbeteren van de constraint-kwaliteit door middel van dichtere grondwaarheid-exposities een meer verdedigbare engineering-route is dan het vertrouwen op respons-gebaseerde screening.

De auteurs houden een bescheiden reikwijdte aan door te stellen dat het deep-learning component een "proof of concept" is, beperkt tot synthetische Wenner-α data, en niet geïnterpreteerd moet worden als een algemeen bruikbaar veldinversiesysteem. Zij erkennen beperkingen, waaronder het smalle bereik van hit rates gesampled door engineering-strategieën en het gebrek aan vergelijking met conventionele smoothness-constrained inversies of veldcasestudies. De primaire bijdrage is methodologisch: het bieden van een framework om dataset-bias te auditen en fysieke distorties te kwantificeren om de beperkingen en het potentieel van AI in geofysische interpretatie beter te begrijpen.