CN116680570B 基于Transformer网络的地下水溶质弥散系数及迁移速度预测方法 （南京大学）

基于Transformer网络的地下水溶质弥散系本发明公开了基于Transformer网络的地下兹曼法(LatticeBoltzmannMethod，LBM)模拟解与SciPy优化算法反演地下水溶质纵向弥散系数DL与迁移速度u；构建分子扩散系数Dm与平均组成输入_输出样本对数据集；将数据集划分为训练集、验证集与测试集并依次应用于PhyCNN_Transformer多输出回归模型，实现对反演参数2根据污染物迁移方程解析解与SciPy优化算法反演出纵向弥散系数DL与溶质迁移速度将三维多孔介质沿水流模拟方向视为在空间上连续的二维灰度图像，入_输出样本对的数据集，并进一步划分为训练集、验证集与测试集，进而训练PhyCNN_所述PhyCNN_Transformer神经网络多输出回归模型：以CNN提取含有物理信息的三通2.根据权利要求1所述的基于Transformer网络的地下水溶质弥散系数及迁移速度预L2、新生成的固体颗粒从初始位置不断沉降，直到下部存3.根据权利要求1所述的基于Transformer网络的地下水溶质弥散系数及迁移速度预所述污染物迁移方程存在假定条件为：研究域为半无限长多孔介质柱体34.根据权利要求1所述的基于Transformer网络的地下水溶质弥散系数及迁移速度预5.根据权利要求1所述的基于Transformer网络的地下水溶质弥散系数及迁移速度预针对二维单通道图像序列中的每一张二维单通道图像，分别构建分子扩散系数Dm与平将二维参数矩阵拓展为与原始二维图像相同的尺寸，并沿通道方向将分子扩散系数Dm6.根据权利要求1所述的基于Transformer网络的地下水溶质弥散系数及迁移速度预i表示多孔介质第i张二维单通道图像对应的平均孔隙流速u9二维参数矩阵，Ni表示多孔介质第i张二维单通道图像对应的分子扩散系数Dm二维参数矩阵，s与t分别表示7.根据权利要求1所述的基于Transformer网络的地下水溶质弥散系数及迁移速度预8.根据权利要求1所述的基于Transformer网络的地下水溶质弥散系数及迁移速度预所述平均孔隙流速u9与溶质迁移速度u的量级为10_5～10_4，分子扩散系数Dm与纵向弥4[0001]本发明涉及污染水文地质学技术领域，具体为基于Transformer网络的地下水溶物溶质在地下多孔介质含水层孔隙空间中沿纵向(平行于水流运动总方向)水动力弥散能[0006]本发明的目的在于提供基于Transformer网络的地下水溶质弥散系数及迁移速度[0008]通过沉淀生成法构建固体球颗粒堆积的三维多孔介质，采用LBM模拟多孔介质内5[0009]根据污染物迁移方程解析解与SciPy优化算法反演计算出纵向弥散系数DL与溶质[0014]采取沉淀生成法构建多孔介质，选用LBM与粒子追踪方法依次模拟多孔介质流场u1过并行技术还可以大幅加速计算过程。当孔隙与固体颗粒之间的边界条件设置为反射边6通过最小化残差平方和，获取使得多孔介质出口处预测浓度值i(t)与观测浓度值C(t)最接数Dm与平均孔隙流速u′的二维参数矩阵与原始图像拼接，构成含有物理信息的三通道图i表示多孔介质第i张二维单通道图像对应的分子扩散系数Dm二维参数矩阵，s与t分别分子扩散系数Dm与纵向弥散系数DL的量级为10_10～10_7，在训练神经网络前需对上述范围7以将1种多孔介质的4个图像(原始图像与增强图像)与模拟设置参数达西流速v、分子扩散都添加批量标准化(BatchNorm)和ReLU激活函数以增强网络的递至Transformer网络进行进一[0048]以上过程在Transformer网络中通过Query向量，Key向量以及Value向量来实8网络的地下水溶质弥散系数与迁移速度的预测方法，以CNN提取含有物理参数信息的多孔[0060]图4是实施算例的分子扩散系数Dm与达西流速v的密度分布与截断对数正态分布[0062]图6是实施算例的纵向弥散系数DL与迁移速度u的密度分布与截断对数正态分布9[0063]图7是实施算例中PhyCNN_Transformer神经网络多输出回归模型在验证子集上的[0064]图8是实施算例中PhyCNN_Transformer神经网络多输出回归模型在测试集上的预[0069]所述的LBM采用D3Q19模型在介观尺度上追踪粒子概率密度函数在离散格点上的[0070]所述粒子追踪模型将地下水溶质运移过程概化为大量溶质粒子在流场中随时间[0071]S2、根据污染物迁移方程解析解与SciPy优化算法反演计算出纵向弥散系数DL与i表示多孔介质第i张二维单通道图像对应的分子扩散系数Dm二维参数矩阵，s与t分别PhyCNN_Transformer神经网络多[0086]所述PhyCNN_Transformer神经网络多输出回归模型：以CNN提取含有物理信息的[0088]利用沉淀生成法得到了2500个由球颗粒堆积而成的三维多孔介质样本(200×200}3}[0107]神经网络经过30个epoch训练后实现了对验证子集(图7)与测试集(图8)的纵向弥络模型预测2000个样本的纵向弥散系数DL、迁移速度u所需时间约为1600s。由此可见，PhyCNN_Transformer神经网络模型相对于LBM与粒子追踪的计算方法，在计算效率方面有以对前述各实施例所记载的