1.课题的背景与意义
随着我国大库建设的迅猛发展，渗漏问题出现的越来越多。渗漏作为一个普遍问题带来的修复难度和修复成本也在日益增加。其造成的一些安全隐患严重影响部分工程的运行。影响到诸如水电站的经济效益，大坝的安全稳定等。然而，传统的勘察方式查找地下渗漏情况只能根据钻孔揭示的岩心取样进行粗略的分析，一般无法确定地下水的渗流场分布。导致很难对渗流状况做出科学的判断，也就很难做出针对性的解决方。因此很多学者希望借助高效计算机利用数学理论和计算技术建立多种数模和算法应用到渗流问题上，希望找到好的解决方案。
声纳渗流技术作为诸多渗流探测解决方案之一 ，在实践中的效果很好。声纳渗流探测技术利用声波在水中的优异传播特性而实现对水流速度场的测量。如果被侧水体存在渗流，必然在测点产生渗流场，声纳探测器阵列能够精细地测量出声波在流体中能量传递的大小，依据声纳传感器阵列测量数据的时空分布，导入三维流速矢量声纳可视化成像系统，即可生成土木工程需要的原位渗流场的渗透流速、渗流方向、渗流量、渗透系数等各种水文地质参数的二维、三维立体图和切剖面。
因地质构造体系成因的复杂性、隐蔽性，以及地质孔隙、裂隙和溶隙固有的复杂水文地质渗流特性，人们无法建造有效的通用动态计算模型，只能依据不同的渗流类别，经验性地评估和预测水文地质渗流特性。地下水渗流理论与工程的应用仍未取得突破性进展。
一方面，声纳渗流技术在实践中已经积累了大量的应用数据，这些数据足够支撑机器进行大数据分析。另一方面，虽然理论上来说，参数越多的模型复杂度越高、容量越大，这意味着它能完成更复杂的学习任务，但是在一般情形下，复杂模型的训练效率低下，易陷入过拟合，因此难以受到人们的青睐。而随着云计算、大数据时代的到来，计算能力的大幅度提高可缓解训练的低效性，训练数据的大幅增加则可降低过拟合风险，以深度学习为代表的复杂机器学习模型在逐步进入大众的视野。
综合考虑以上因素，可以以深度学习与数据挖掘为主要技术手段，利用计算机科学的现有技术，在做到智能识别环境干扰信号的基础上进一步挖掘其声纳渗流运动的机理以及规律性的内在联系，以期能够通过对大量数据的分析处理在地下水渗流理论与工程的理论中取得进展。
2.研究现状
利用高效计算机解决渗流问题需要得到可靠的数据，才能进行问题的分析。现如今声纳渗流测量为数据的采集提供了巨大的帮助[1]。该方法适用于孔隙、裂隙和溶隙水的天然与人工渗流场的测量。由于该方法测量的孔径小、速度快、数据全、精度高、低碳、环保，容易在现场操作和实施，已获得推广并取得良好的应用效果。测得数据在经过人工潜水实验确认和专家比对后证实该方法测得数据是可靠的[5]。
深度学习和数据挖掘提供了分许问题的方法。深度学习（deep learning）是机器学习的分支，是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。它是机器学习中一种基于对数据进行表征学习的算法。数据挖掘（Data Mining）是一个跨学科的计算机科学分支 。它是用人工智能、机器学习、统计学和数据库的交叉方法在相对较大型的数据集中发现模式的计算过程。
采集到的数据不能直接的使用需要处理，因为会有噪音的干扰。在去噪方面可利用基于深度学习算法，使用受限玻尔兹曼机以及深度神经网络调优来处理[11]，该方法实现了信号增强。将主动声纳信号建模为幅值与相位两部分，其中幅值部分利用上述方法进行信号增强。仿真结果表明，这一方法在不对噪声模型做任何假设的前提下，有效降低了信号中的噪声，信号本身基本完全还原。
