一种基于不确定性量化的含水层渗透系数场深度学习反演方法

本发明涉及地下水文参数反演技术领域，公开了一种基于不确定性量化的含水层渗透系数场深度学习反演方法，包括如下步骤：步骤一、数据获取与预处理：获取井间抽水试验的空间水头场数据，将多次抽水试验形成的水头场整合为模型输入张量，并对所述水头场数据进行归一化预处理；获取对应的渗透系数场真实数据，对渗透系数值进行对数变换和归一化处理，作为模型训练标签；步骤二、模型构建：构建一个内置Dropout层的深度残差U‑Net神经网络模型H‑UQNet。本发明实现了高精度、高效率的渗透系数场反演，通过内置的不确定性量化机制和地质统计约束，显著提升了结果的可靠性和地质合理性，具有重要的理论研究价值与广阔的工程应用前景。