在水文地质学、能源工程和环境科学等领域，常需对含有裂隙的地层介质中流体流动、溶质或热量运移进行模拟预测，准确刻画这些裂缝-孔隙介质对于模拟至关重要。直接观测裂缝-孔隙介质难度很大，通常采用数据同化（DA）技术，利用观测到的状态变量（如水头、浓度和温度）推导介质性质的反演估计。然而，由于裂缝-孔隙介质的强非均质性和非高斯性，现有DA方法效果并不理想。本研究提出了一种深度学习参数估计框架（PEDL）的新型DA方法，利用深度神经网络来捕捉非线性关系并提取非高斯特征。为了评估PEDL的性能，进行了两个数值案例研究，其结果明确表明，PEDL的表现优于三种流行的DA方法：多数据同化集合平滑器（ESMDA）、迭代局部更新集合平滑器（ILUES）和基于深度学习的集合平滑（ESDL）。通过敏感性分析验证了PEDL在不同集合大小和深度神经网络架构下的有效性和适应性。此外，即使预报模型与参考模型之间存在模型误差的情况下，PEDL也能较好地识别出裂缝网络的主要特征。
 

裂隙介质,裂隙-孔隙介质,深度学习,数据同化