【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及地下水環(huán)境保護，具體涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)cnn的強非均質(zhì)條件下地下水污染源識別方法及系統(tǒng)。
技術(shù)介紹
1、由于地下水污染具有隱蔽性和復雜性，采用傳統(tǒng)的監(jiān)測和調(diào)查手段來獲取地下水污染源信息不僅效率低下，而且工程成本高昂。準確識別地下水污染源的數(shù)量、位置坐標及其釋放歷史，是開展地下水污染治理的首要任務(wù)，對于后續(xù)的地下水環(huán)境修復工作至關(guān)重要。然而，另一方面，天然地下含水層系統(tǒng)是一個高度非均質(zhì)性的復雜系統(tǒng)。當污染物侵入地下含水層后，其遷移規(guī)律和時空變化特征深受含水層介質(zhì)非均質(zhì)性的決定性影響。傳統(tǒng)的污染源識別方法在應(yīng)對這類問題時，往往未能充分考慮空間異質(zhì)性的影響，從而導致模擬結(jié)果不準確，難以與實際情況相吻合。
2、地下水污染源識別是一個過程，它依據(jù)已有的先驗數(shù)據(jù)資料(涵蓋污染物濃度與分布、水位、水質(zhì)參數(shù)等信息)，反向推導出描述地下水污染源的關(guān)鍵細節(jié)，諸如污染源的數(shù)量、精確位置坐標以及釋放歷史等。然而，當前采用的傳統(tǒng)方法在識別地下水污染源時，頻繁且多次地需要調(diào)用地下水溶質(zhì)運移模擬模型，這一過程不僅計算量大且耗時繁瑣，從而難以確保識別過程的高效性和最終結(jié)果的準確性。
技術(shù)實現(xiàn)思路
1、本專利技術(shù)的目的在于，提出基于cnn的強非均質(zhì)條件下地下水污染源識別方法及系統(tǒng)，以應(yīng)對地下含水層系統(tǒng)的復雜性和非均質(zhì)性，實現(xiàn)對地下水污染源的位置坐標及其排放強度的精準識別。
2、根據(jù)本公開實施例的第一個方面，提供了基于cnn的強非均質(zhì)條件下地下水污染源識別方法，包括以下步驟
3、對水文地質(zhì)及地下水污染相關(guān)資料進行分析后，合理概化水文地質(zhì)條件，構(gòu)建地下水溶質(zhì)運移概念模型，以準確描述污染物在地下水中的遷移和運動；
4、在所述地下水溶質(zhì)運移概念模型中，根據(jù)污染源特征和含水層滲透系數(shù)的先驗區(qū)間，采用隨機采樣方法生成表征污染源排放強度的若干組工況、通過序貫高斯模擬生成含水層滲透系數(shù)場，以代表強非均質(zhì)條件下受污染的地下含水層系統(tǒng)；
5、基于含水層滲透系數(shù)場，構(gòu)建地下水溶質(zhì)運移-雙域基準模型，以準確反映地下含水層系統(tǒng)中污染物的物理化學過程；
6、將若干組工況逐一輸入地下水溶質(zhì)運移-雙域基準模型，得到觀測井觀測數(shù)據(jù)的模型響應(yīng)，該模型響應(yīng)為污染源的位置坐標及其排放強度，由此形成“模型輸入-模型響應(yīng)”的樣本并構(gòu)成訓練樣本集和檢驗樣本集；
7、采用深度學習-cnn算法，基于訓練樣本集構(gòu)建地下水污染源識別模型，并使用該模型實現(xiàn)對污染源的位置坐標和排放強度的預(yù)測。
8、進一步的，采用模擬退火法優(yōu)化拉丁超立方抽樣算法sa-lhs，隨機采樣若干組工況。
9、進一步的，采用modflow、mt3dms程序構(gòu)建地下水溶質(zhì)運移-雙域基準模型。
10、進一步的，所述地下水污染源識別模型，包括輸入層、卷積層、池化層、全連接層和輸出層。
11、進一步的，所述卷積層通過卷積核對前一層的輸出結(jié)果進行掃描與卷積運算，提取局部特征，并進行降維處理，具體表達式為：
12、
13、式中，是第l層的第j個特征輸出，mj是第l層的第j個卷積區(qū)域，是第l﹣1層的第i個特征輸出，是第l層的第i個卷積核的第j個權(quán)重值，是第l層的第i個偏置，*表示卷積運算。
14、卷積操作之后，利用一個激活函數(shù)來增強所提取局部特征的非線性，提高卷積神經(jīng)網(wǎng)絡(luò)的學習速度和適用范圍，進一步優(yōu)化模型且提高計算速度。一般利用relu函數(shù)進行非線性計算：
15、relu＝max(0，x)
16、式中，x是時間序列。
17、進一步的，池化層對提取到的特征進行壓縮以降低維數(shù)，提高計算速度。常用的池化方法是最大池化，其運算模型為：
18、
19、式中，是第l層的第i個特征中第t個神經(jīng)元的數(shù)值(t∈[(j﹣1)w,jw])，w是池化區(qū)域的寬度，是第l+1層的神經(jīng)元的數(shù)值。
20、進一步的，全連接層作為分類器，對池化層的輸出結(jié)果進行整合分類并將結(jié)果經(jīng)映射后輸出，具體過程的數(shù)學模型為：
21、o＝f(bo+fvwo)
22、式中，bo為偏差向量，fv為特征矢量，wo為權(quán)值矩陣；通過全連接層這一步驟，實現(xiàn)了數(shù)據(jù)從特征提取到目標識別的過程。
23、根據(jù)本公開實施例的第二個方面，提供了基于cnn的強非均質(zhì)條件下地下水污染源識別系統(tǒng)，包括：
24、概念模型建立模塊，對水文地質(zhì)及地下水污染相關(guān)資料進行分析后，合理概化水文地質(zhì)條件，構(gòu)建地下水溶質(zhì)運移概念模型，以準確描述污染物在地下水中的遷移和運動；
25、工況獲取模塊，在所述地下水溶質(zhì)運移概念模型中，根據(jù)污染源特征和含水層滲透系數(shù)的先驗區(qū)間，采用隨機采樣方法生成表征污染源排放強度的若干組工況、通過序貫高斯模擬生成含水層滲透系數(shù)場，以代表強非均質(zhì)條件下受污染的地下含水層系統(tǒng)；
26、基準模型建立模塊，基于含水層滲透系數(shù)場，構(gòu)建地下水溶質(zhì)運移-雙域基準模型，以準確反映地下含水層系統(tǒng)中污染物的物理化學過程；
27、樣本集獲取模塊，將若干組工況逐一輸入地下水溶質(zhì)運移-雙域基準模型，得到觀測井觀測數(shù)據(jù)的模型響應(yīng)，該模型響應(yīng)為污染源的位置坐標及其排放強度，由此形成“模型輸入-模型響應(yīng)”的樣本并構(gòu)成訓練樣本集和檢驗樣本集；
28、預(yù)測模塊，采用深度學習-cnn算法，基于訓練樣本集構(gòu)建地下水污染源識別模型，并使用該模型實現(xiàn)對污染源的位置坐標和排放強度的預(yù)測。
29、根據(jù)本公開實施例的第三個方面，提供了一種電子設(shè)備，包括存儲器、處理器及存儲在存儲器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)所述的基于cnn的強非均質(zhì)條件下地下水污染源識別方法。
30、根據(jù)本公開實施例的第四個方面，提供了一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，該程序被處理器執(zhí)行時實現(xiàn)所述的基于cnn的強非均質(zhì)條件下地下水污染源識別方法。
31、本專利技術(shù)采用的以上技術(shù)方案，與現(xiàn)有技術(shù)相比，具有的優(yōu)點是：1)本專利技術(shù)建立了基于cnn的強非均質(zhì)條件下地下水污染源識別模型。相較于傳統(tǒng)的地下水污染源識別方法，此模型能準確地識別強非均質(zhì)條件下的地下水污染源，有效解決復雜的高維非線性問題，還減少對地下水溶質(zhì)運移概念模型的運用，避開了繁瑣的計算過程，縮短計算周期，提升計算效率。
32、2)本專利技術(shù)解決了地下水污染源識別的精度和穩(wěn)定性問題，借助cnn更強的學習能力掌握地下水污染源識別模型中復雜的輸入-輸出關(guān)系，并且其具有良好的魯棒性和泛化能力，以應(yīng)對不同類型、不同強度的污染源以及復雜的強非均質(zhì)水文地質(zhì)條件下地下水污染源識別問題，從而保證模型的穩(wěn)定性。
33、3)本專利技術(shù)，在先驗數(shù)據(jù)的基礎(chǔ)上，獲取7個觀測井任意一年的觀測數(shù)據(jù)，即可精準識別污染源位置及其排放強度。
本文檔來自技高網(wǎng)...【技術(shù)保護點】
1.基于CNN的強非均質(zhì)條件下地下水污染源識別方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述基于CNN的強非均質(zhì)條件下地下水污染源識別方法，其特征在于，采用模擬退火法優(yōu)化拉丁超立方抽樣算法SA-LHS，隨機采樣若干組工況。
3.根據(jù)權(quán)利要求1所述基于CNN的強非均質(zhì)條件下地下水污染源識別方法，其特征在于，采用Modflow、MT3DMS程序構(gòu)建地下水溶質(zhì)運移-雙域基準模型。
4.根據(jù)權(quán)利要求1所述基于CNN的強非均質(zhì)條件下地下水污染源識別方法，其特征在于，所述地下水污染源識別模型，包括輸入層、卷積層、池化層、全連接層和輸出層。
5.根據(jù)權(quán)利要求4所述基于CNN的強非均質(zhì)條件下地下水污染源識別方法，其特征在于，所述卷積層通過卷積核對前一層的輸出結(jié)果進行掃描與卷積運算，提取局部特征，并進行降維處理，具體表達式為：
6.根據(jù)權(quán)利要求4所述基于CNN的強非均質(zhì)條件下地下水污染源識別方法，其特征在于，池化層對提取到的特征進行壓縮以降低維數(shù)，其運算模型為：
7.根據(jù)權(quán)利要求4所述基于CNN的強非均質(zhì)條件下地下水
8.基于CNN的強非均質(zhì)條件下地下水污染源識別系統(tǒng)，其特征在于，包括：
9.一種電子設(shè)備，包括存儲器、處理器及存儲在存儲器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)權(quán)利要求1-7任一項所述的基于CNN的強非均質(zhì)條件下地下水污染源識別方法。
10.一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，該程序被處理器執(zhí)行時實現(xiàn)權(quán)利要求1-7任一項所述的基于CNN的強非均質(zhì)條件下地下水污染源識別方法。
...【技術(shù)特征摘要】
1.基于cnn的強非均質(zhì)條件下地下水污染源識別方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述基于cnn的強非均質(zhì)條件下地下水污染源識別方法，其特征在于，采用模擬退火法優(yōu)化拉丁超立方抽樣算法sa-lhs，隨機采樣若干組工況。
3.根據(jù)權(quán)利要求1所述基于cnn的強非均質(zhì)條件下地下水污染源識別方法，其特征在于，采用modflow、mt3dms程序構(gòu)建地下水溶質(zhì)運移-雙域基準模型。
4.根據(jù)權(quán)利要求1所述基于cnn的強非均質(zhì)條件下地下水污染源識別方法，其特征在于，所述地下水污染源識別模型，包括輸入層、卷積層、池化層、全連接層和輸出層。
5.根據(jù)權(quán)利要求4所述基于cnn的強非均質(zhì)條件下地下水污染源識別方法，其特征在于，所述卷積層通過卷積核對前一層的輸出結(jié)果進行掃描與卷積運算，提取局部特征，并進行降維處理，具體表達式為：...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：柏曉鵬，徐燕，南瑞川，張婷婷，張?zhí)扃?/a>，閆曉惠，
申請(專利權(quán))人：大連理工大學，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。