【技术实现步骤摘要】
本专利技术涉及地下水环境保护，具体涉及一种基于卷积神经网络cnn的强非均质条件下地下水污染源识别方法及系统。
技术介绍
1、由于地下水污染具有隐蔽性和复杂性，采用传统的监测和调查手段来获取地下水污染源信息不仅效率低下，而且工程成本高昂。准确识别地下水污染源的数量、位置坐标及其释放历史，是开展地下水污染治理的首要任务，对于后续的地下水环境修复工作至关重要。然而，另一方面，天然地下含水层系统是一个高度非均质性的复杂系统。当污染物侵入地下含水层后，其迁移规律和时空变化特征深受含水层介质非均质性的决定性影响。传统的污染源识别方法在应对这类问题时，往往未能充分考虑空间异质性的影响，从而导致模拟结果不准确，难以与实际情况相吻合。
2、地下水污染源识别是一个过程，它依据已有的先验数据资料(涵盖污染物浓度与分布、水位、水质参数等信息)，反向推导出描述地下水污染源的关键细节，诸如污染源的数量、精确位置坐标以及释放历史等。然而，当前采用的传统方法在识别地下水污染源时，频繁且多次地需要调用地下水溶质运移模拟模型，这一过程不仅计算量大且耗时繁琐，从而难以确保识别过程的高效性和最终结果的准确性。
技术实现思路
1、本专利技术的目的在于，提出基于cnn的强非均质条件下地下水污染源识别方法及系统，以应对地下含水层系统的复杂性和非均质性，实现对地下水污染源的位置坐标及其排放强度的精准识别。
2、根据本公开实施例的第一个方面，提供了基于cnn的强非均质条件下地下水污染源识别方法，包括以下步骤
3、对水文地质及地下水污染相关资料进行分析后，合理概化水文地质条件，构建地下水溶质运移概念模型，以准确描述污染物在地下水中的迁移和运动；
4、在所述地下水溶质运移概念模型中，根据污染源特征和含水层渗透系数的先验区间，采用随机采样方法生成表征污染源排放强度的若干组工况、通过序贯高斯模拟生成含水层渗透系数场，以代表强非均质条件下受污染的地下含水层系统；
5、基于含水层渗透系数场，构建地下水溶质运移-双域基准模型，以准确反映地下含水层系统中污染物的物理化学过程；
6、将若干组工况逐一输入地下水溶质运移-双域基准模型，得到观测井观测数据的模型响应，该模型响应为污染源的位置坐标及其排放强度，由此形成“模型输入-模型响应”的样本并构成训练样本集和检验样本集；
7、采用深度学习-cnn算法，基于训练样本集构建地下水污染源识别模型，并使用该模型实现对污染源的位置坐标和排放强度的预测。
8、进一步的，采用模拟退火法优化拉丁超立方抽样算法sa-lhs，随机采样若干组工况。
9、进一步的，采用modflow、mt3dms程序构建地下水溶质运移-双域基准模型。
10、进一步的，所述地下水污染源识别模型，包括输入层、卷积层、池化层、全连接层和输出层。
11、进一步的，所述卷积层通过卷积核对前一层的输出结果进行扫描与卷积运算，提取局部特征，并进行降维处理，具体表达式为：
12、
13、式中，是第l层的第j个特征输出，mj是第l层的第j个卷积区域，是第l﹣1层的第i个特征输出，是第l层的第i个卷积核的第j个权重值，是第l层的第i个偏置，*表示卷积运算。
14、卷积操作之后，利用一个激活函数来增强所提取局部特征的非线性，提高卷积神经网络的学习速度和适用范围，进一步优化模型且提高计算速度。一般利用relu函数进行非线性计算：
15、relu＝max(0，x)
16、式中，x是时间序列。
17、进一步的，池化层对提取到的特征进行压缩以降低维数，提高计算速度。常用的池化方法是最大池化，其运算模型为：
18、
19、式中，是第l层的第i个特征中第t个神经元的数值(t∈[(j﹣1)w,jw])，w是池化区域的宽度，是第l+1层的神经元的数值。
20、进一步的，全连接层作为分类器，对池化层的输出结果进行整合分类并将结果经映射后输出，具体过程的数学模型为：
21、o＝f(bo+fvwo)
22、式中，bo为偏差向量，fv为特征矢量，wo为权值矩阵；通过全连接层这一步骤，实现了数据从特征提取到目标识别的过程。
23、根据本公开实施例的第二个方面，提供了基于cnn的强非均质条件下地下水污染源识别系统，包括：
24、概念模型建立模块，对水文地质及地下水污染相关资料进行分析后，合理概化水文地质条件，构建地下水溶质运移概念模型，以准确描述污染物在地下水中的迁移和运动；
25、工况获取模块，在所述地下水溶质运移概念模型中，根据污染源特征和含水层渗透系数的先验区间，采用随机采样方法生成表征污染源排放强度的若干组工况、通过序贯高斯模拟生成含水层渗透系数场，以代表强非均质条件下受污染的地下含水层系统；
26、基准模型建立模块，基于含水层渗透系数场，构建地下水溶质运移-双域基准模型，以准确反映地下含水层系统中污染物的物理化学过程；
27、样本集获取模块，将若干组工况逐一输入地下水溶质运移-双域基准模型，得到观测井观测数据的模型响应，该模型响应为污染源的位置坐标及其排放强度，由此形成“模型输入-模型响应”的样本并构成训练样本集和检验样本集；
28、预测模块，采用深度学习-cnn算法，基于训练样本集构建地下水污染源识别模型，并使用该模型实现对污染源的位置坐标和排放强度的预测。
29、根据本公开实施例的第三个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现所述的基于cnn的强非均质条件下地下水污染源识别方法。
30、根据本公开实施例的第四个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的基于cnn的强非均质条件下地下水污染源识别方法。
31、本专利技术采用的以上技术方案，与现有技术相比，具有的优点是：1)本专利技术建立了基于cnn的强非均质条件下地下水污染源识别模型。相较于传统的地下水污染源识别方法，此模型能准确地识别强非均质条件下的地下水污染源，有效解决复杂的高维非线性问题，还减少对地下水溶质运移概念模型的运用，避开了繁琐的计算过程，缩短计算周期，提升计算效率。
32、2)本专利技术解决了地下水污染源识别的精度和稳定性问题，借助cnn更强的学习能力掌握地下水污染源识别模型中复杂的输入-输出关系，并且其具有良好的鲁棒性和泛化能力，以应对不同类型、不同强度的污染源以及复杂的强非均质水文地质条件下地下水污染源识别问题，从而保证模型的稳定性。
33、3)本专利技术，在先验数据的基础上，获取7个观测井任意一年的观测数据，即可精准识别污染源位置及其排放强度。
本文档来自技高网...【技术保护点】
1.基于CNN的强非均质条件下地下水污染源识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于CNN的强非均质条件下地下水污染源识别方法，其特征在于，采用模拟退火法优化拉丁超立方抽样算法SA-LHS，随机采样若干组工况。
3.根据权利要求1所述基于CNN的强非均质条件下地下水污染源识别方法，其特征在于，采用Modflow、MT3DMS程序构建地下水溶质运移-双域基准模型。
4.根据权利要求1所述基于CNN的强非均质条件下地下水污染源识别方法，其特征在于，所述地下水污染源识别模型，包括输入层、卷积层、池化层、全连接层和输出层。
5.根据权利要求4所述基于CNN的强非均质条件下地下水污染源识别方法，其特征在于，所述卷积层通过卷积核对前一层的输出结果进行扫描与卷积运算，提取局部特征，并进行降维处理，具体表达式为：
6.根据权利要求4所述基于CNN的强非均质条件下地下水污染源识别方法，其特征在于，池化层对提取到的特征进行压缩以降低维数，其运算模型为：
7.根据权利要求4所述基于CNN的强非均质条件下地下水
8.基于CNN的强非均质条件下地下水污染源识别系统，其特征在于，包括：
9.一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1-7任一项所述的基于CNN的强非均质条件下地下水污染源识别方法。
10.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现权利要求1-7任一项所述的基于CNN的强非均质条件下地下水污染源识别方法。
...【技术特征摘要】
1.基于cnn的强非均质条件下地下水污染源识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于cnn的强非均质条件下地下水污染源识别方法，其特征在于，采用模拟退火法优化拉丁超立方抽样算法sa-lhs，随机采样若干组工况。
3.根据权利要求1所述基于cnn的强非均质条件下地下水污染源识别方法，其特征在于，采用modflow、mt3dms程序构建地下水溶质运移-双域基准模型。
4.根据权利要求1所述基于cnn的强非均质条件下地下水污染源识别方法，其特征在于，所述地下水污染源识别模型，包括输入层、卷积层、池化层、全连接层和输出层。
5.根据权利要求4所述基于cnn的强非均质条件下地下水污染源识别方法，其特征在于，所述卷积层通过卷积核对前一层的输出结果进行扫描与卷积运算，提取局部特征，并进行降维处理，具体表达式为：...
【专利技术属性】
技术研发人员：柏晓鹏，徐燕，南瑞川，张婷婷，张天琪，闫晓惠，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。