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。