CN114386329B 一种不确定性条件下dnapl污染场地修复的多目标优化方法 （南京大学）

optimizationunderuncertahighlyheterogeneousaquifers.Jo一种不确定性条件下DNAPL污染场地修复的本发明公开了一种不确定性条件下DNAPL污层非均质性及DNAPL污染源区的双重不确定性条费用f1和最小化修复后NAPL相的分布范围为现不确定条件下DNAPL污染场地最优修复方案的2目标为最小化SEAR修复总费用f1和最小化修复后NAPL相的分布范围f:约束条件为治理井的流量限制；不确定条件为满足稀疏观测数据的含水层介质和DNAPL污染源区非均质分布(3)采用优化算法调用训练好的替代模型对不确定条件下的优化模型进行求解，获得将数值模型的输入场和输出场转为三维图片，利用卷积操作充分使用一个卷积层从输入图像中提取特征面，然后将提取的特征2.根据权利要求1所述的不确定性条件下DNA其中，Hfz和ofz分别代表Nr个实现计算得到的修复后NAPL相的分布范围f2的均值和方f"<f,j=1,.nN,:s?代表第i个网格的残留的DNAPL饱和度；M(·)是指示函数，用于指示一个网格是否有33.根据权利要求1所述的不确定性条件下DN优化算法不断搜索新的决策变量组合，通过调用训练4.根据权利要求1所述的不确定性条件下DNAPL污染场4[0004]第一，含水层非均质性和DNAPL污染源区的不确定性空间参数会导致“维数灾难而可能误导表面活性剂强化的含水层修复(SurfactantEnhancedAquiferRemediation,流过程中存在的高维输入(刻画非均质渗透率场和DNAPL饱和度场的高维空间参数)的挑[0005]为解决不确定条件下优化带来的两个挑战，我们建立了深度卷积神经网络(CNN)关系的替代。然后建立不确定条件下的优化问题，通过优化算法非支配排序遗传算法5(NSGAII)调用替代模型CNN，形成不确定条件下的基于深度学习替代模型的[0006]已有的替代DNAPL污染源区的SEAR修复过程的替代模型有人工神经网络regression)和高斯过程(Gaussianproc染场地修复的多目标优化方法，实现未精细刻画的污染场地中SEAR修复DNAPL的最优修复[0009]技术方案：本发明所述的一种不确定性条件下DNAPL污染场地修复的多目标优化优化目标为最小化SEAR修复总费用f1和最小化修复后NAPL相的分布范围约束条件为治理井的流量限制；不确定条件为满足稀疏观测数据的地下介质和污染源区分布的多个实[0011](2)构建深度卷积神经网络模型，替代耗时的多相流数值模型，实现对SEAR修复[0012](3)采用优化算法调用训练好的替代模型对不确定条件下的优化模型进行求解，代表m口注入井和n口抽出井的安装费用(元)；C2代表抽出井的运行[0017]其中，Hfz和ofz分别代表Nr个实现计算得到的修复后NAPL相的分布范围f2的均值<f:6rj>0代表注入染场地的非均质地下含水层和DNAPL污染源区的刻画具有不确定性的情况下，实现污染场[0031]图3是为渗透率(lnk)参考场和DNAPL饱和度(SN0)参考场及lnk场和SN0场随机选7[0033]图5是三种随机实现中，数值模型UTCHEM(SN)和替代模型CNN(SW)预测的SEAR修[0034]图6是CNN替代模拟-优化方法获得的帕累托最优解和所有实现上的(f1，[0038]针对SEAR修复DNAPL的优化问题，设置决策变量为SEAR治理井(注入井和抽提井)化修复后NAPL相的分布范围约束条件为治理井的流量限制。考虑刻画污染场地具有不代表m口间为97.5即有97.5％的代表第i个网格的残留的DNAPL饱和[0042]使用常见的非支配排序遗传算法(Non-dominatedSortingGeneticAlgorithm-8[0043]为了实现替代优化模型中调用的SEAR修复DNAPL的多相流数值模型，首先需要运[0045]使用德克萨斯大学化学成分模拟器(UTCHEM)来模拟SEAR治理DNAPL污染源区的多[0046]深度卷积神经网络CNN作为深度神经网络的一种，适用于对图像数据的处理。因rj>0代表注入[0049]深度卷积神经网络CNN对高维输入图片进行粗化到精炼(coarsen-to-refine)加图像中提取特征面，然后将提取的特征面通过多重残差密集块(residual-in-residual[0050]生成满足观测数据的地下介质渗透率k场和污染源区NAPL相饱和度SN中的有条件的序贯高斯模拟(conditionalSGSIM)，取用钻孔获得的先验k值作为条件输9[0051]通过数值实验说明了深度卷积神经网络替代模拟-优化方法的可行性。算例是一用随机侵入渗流(stochasticinvasionpercolation，SIP)算法生成初始DNAPL饱和度个观测井(垂直圆柱体)获得的渗透率和饱和度观测值作为先验[0056]SEAR修复共设置m＝6个注入井和n＝3个抽出井，如图2所示，修复时间设置为30和0)(m'/d),通过收敛性分析确定用于[0057]替代模型需要替代的是优化问题中的目标函数f2，即从输入变量(渗透率k场、生成5000个训练样本对CNN进行训练。网络训练的主要超参数设置为：初始学习率epoch获得训练后模型。训练精度采用结构相似性指标(structuralsimilarityindex，[0059]图4显示了CNN替代三维多相流运移模型的替代精度。可以看出，CNN替代模型在5000个训练样本上替代精度指标SSIM的中值为0.995，在1000个测试样本上[0060]图5进一步说明了CNN可以较为准确的预测修复后的DNAPL饱和度SN场。图中比较[0061]分析优化到最后一代获得的最优修复方案。图6是CNN替代模拟-优化方法获得的帕累托最优解(f,fa)(圆圈)和所有实现上的(f1，f2)解(方块)，显示了在考虑500个实现时获得的(f,fa)的最优帕累托前沿和求解目标函数时计算的50