申请/专利权人：南京大学

申请日：2020-09-24

公开（公告）日：2024-03-22

公开（公告）号：CN112149353B

主分类号：G06F30/27

分类号：G06F30/27;G06N3/0464;G06F18/214;G06F113/08

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2021.01.15#实质审查的生效;2020.12.29#公开

摘要：本发明公开一种基于卷积神经网络识别DNAPL污染物在地下含水层分布的方法，首先，使用CVAE神经网络对非平稳DNAPL饱和度和有效渗透系数场进行参数化；其次，训练CVAE神经网络生成具有物理意义的污染源区结构样本；最好，将CVAE与ESMDA结合，同时考虑多源观测数据，在观测数据有限的前提下，实现DNAPL污染源区的精细识别。本发明在利用同等数据量的情况下，大大提高污染物识别精度，为后期的污染物修复提供有益指导，降低修复成本；并以较低的成本实现较高的污染物识别精度。

主权项：1.一种基于卷积神经网络识别DNAPL污染物在地下含水层分布的方法，其特征在于，包括以下步骤：1使用CVAE神经网络对非平稳DNAPL饱和度和有效渗透系数场进行参数化；2训练CVAE神经网络生成具有物理意义的污染源区结构样本；3将CVAE与数据同化方法ESMDA结合，同时考虑多源观测数据，在观测数据有限的前提下，实现DNAPL污染源区的精细识别；所述步骤2包括以下步骤：21基于饱和度和有效渗透系数样本，训练神经网络，所述神经网络为卷积变分自编码器包括编码器和解码器；其中编码器由三个卷积层与三个全连接层组成，第一、二、三个卷积层分别含有16、32、64个滤波器，激活函数都为ReLU；第一个全连接层中有1600个神经元，激活函数为ReLU；第2个全连接层中有400个神经元，激活函数为线性函数；第3个全连接层中有400个神经元，激活函数为线性函数；22经过编码器后，饱和度和有效渗透系数的图像将被转化为潜变量，该潜变量服从标准正态分布；23将随机潜变量作为输入参数，输入解码器中，生成一组相应的有效渗透系数与DNAPL饱和度具有DNAPL源区的空间结构特征图像；所述解码器由2个全连接层与4个反卷积层构成，第四个全连接层有1600个神经元，激活函数为ReLU；第5个全连接层有12800个神经元，激活函数为ReLU；其后连接4个反卷积层，分别含有64、32、16、2个滤波器；所述步骤3包括以下步骤：31从标准正态分布N0，I采样获得潜在矢量z的初始集合；32基于训练后的CVAE解码器生成相应的Sn和Keff场；其中，Sn为Sn为重非水相液体饱和度，Keff为有效渗透系数；33运行水文地球物理正演模型以获得每个实现相应的模拟观测值：h-来自谐波水力层析OHT的水头，c-下游DNAPL溶解相浓度和V-ERT的电势；34使用ESMDA更新潜向量z，进行Na次迭代；迭代结束之后，使用最后一次迭代的潜在矢量作为输入通过解码器获得后验Sn场和Keff场。

全文数据：

权利要求：

百度查询： 南京大学 基于卷积神经网络识别DNAPL污染物在地下含水层分布的方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD