【技术实现步骤摘要】
本专利技术属于土壤-地下水污染防控与风险管控，具体涉及基于数值模拟与svm高效建模的环境诊断方法及装置。
技术介绍
1、目前，在对地下水污染的监测与风险评估中，应用数值模拟系统评估量化地下水污染状态与环境风险是常用的研究手段，但为了精确数值模拟需要综合考虑众多影响因素与复杂演化过程，耗时、专业性强，并且复杂介质地下水系统建模预测本身存在较大不确定性，采用蒙托卡罗等方法进行不确定性评估需要数百上千次数值模拟试验，然而计算成本巨大甚至不可接受，且效率低，因此，亟需实用高效、简捷精准的地下水环境量化与风险判别方法。
技术实现思路
1、为此，本专利技术提供了基于数值模拟与svm高效建模的环境诊断方法及装置，以解决现有技术中对环境风险诊断不确定性大、成本高、效率低的问题。
2、为实现以上目的，本专利技术采用如下技术方案：
3、第一方面，本专利技术提供了基于数值模拟与svm高效建模的环境诊断方法，包括：
4、选定地下水环境的关联特征变量并构建典型条件框架下相应地下水环境系统时空演化概念模型；选定并依据数学控制方程与数值模型得到数值模拟系统；
5、基于所述时空演化概念模型、所述数值模型和所述数值模拟系统得到影响关联特征变量时空演变的n个模型输入参变量，所述模型输入参变量具体取值为模型输入参数；选定每个模型输入参变量的变化区间进而集合得到模型输入参变量区间集；
6、依据给定的典型情景预设数，获取地下水环境系统不同的模型输入参数组合构成的不
7、基于n个所述模型输入参变量得到预设数量的情景采样，获得第一组数据强化情景参数组合，通过所述数值模拟系统得到每个情景对应关联特征变量的第一组数据强化情景模拟值，将所述第一组数据强化情景参数组合及第一组数据强化情景模拟值集合后作为模型验证数据集；基于所述模型验证数据集，通过所述多元回归统计预测模型得到关联特征变量预测误差值及其分布特征；根据预测误差值及其分布特征，确定与给定预设置信度对应的预测误差随机变量分布区间；
8、基于n个所述模型输入参变量得到预设数量的情景采样，获得第二组数据强化情景参数组合，通过所述多元回归统计预测模型得到每个情景对应关联特征变量的第二组数据强化情景预测值；依据所述第二组数据强化情景预测值和所述给定预设置信度对应的预测误差随机变量分布区间确定所述关联特征变量预测置信区间；基于所述n个所述模型输入参变量得到预设数量的情景参数组合与所述预测置信区间进而合并得到统计分析强化建模数据集；
9、若给定单一环境诊断阈值，则依据所述统计建模数据集、所述统计分析强化建模数据集和所述模型验证数据集依次得到svm分类机器学习第一组输出标签值、第二组输出标签值和第三组输出标签值；
10、将所述统计建模数据集和所述统计分析强化建模数据集及模型验证数据集分别对应预设数量的情景参数组合，与分别对应的所述第一组输出标签值和所述第二组输出标签值及所述第三组输出标签值合并后得到单一阈值svm分类机器学习数据集；
11、若给定多个环境诊断阈值，则根据预设阈值取值变化区间及预设阈值取值数量选定不同阈值，基于所述统计建模数据集和所述统计分析强化建模数据集，以及基于所述模型验证数据集，增加环境诊断阈值为svm分类机器学习建模的模型输入参变量，进而得到含阈值参变量svm分类机器学习数据集；
12、依据所述单一阈值svm分类机器学习数据集和所述含阈值参变量svm分类机器学习数据集，依据并应用svm分类模型建模原理及优化方法，依次得到相应的单一阈值svm环境诊断模型和含阈值参变量svm环境诊断模型；
13、针对符合所述典型条件框架的实际应用情景，依据具体地下水环境系统的实际条件与采集数据，获取所述模型参变量具体取值，通过所述单一阈值svm环境诊断模型，得到对应阈值的输出标签值，所述输出标签值为环境诊断预判结果，和/或依据具体地下水环境系统的实际条件与采集数据和所述预设环境诊断阈值，通过所述含阈值参变量svm环境诊断模型得到环境诊断预判结果。
14、进一步地，所述将所有所述不同典型情景的模型输入参数组合及其所述相应关联特征变量模拟值集合获得统计建模数据集，包括：
15、选定每个所述模型输入参变量的变化水平；通过正交试验方法或输入参变量全组合方法获取地下水环境系统不同的模型输入参数组合构成的不同典型情景，为确定性情景采样；
16、基于所述数值模拟系统得到所述不同典型情景所述关联特征变量的相应模拟值；依据所述不同典型情景不同模型输入参数组合及其所述相应模拟值得到所述确定性情景采样的统计建模数据集；
17、以及基于n个所述模型输入参变量随机取值得到预设数量的随机情景采样，即获得一定数量不同的随机情景模型输入参数组合，通过所述数值模拟系统得到每个随机情景关联特征变量的模拟值，将所述随机情景模型参数组合及随机情景关联特征变量的模拟值集合而得到所述随机情景采样的统计建模数据集；
18、以及集合所述确定性情景采样的统计建模数据集与所述随机情景采样的统计建模数据集，获得确定性情景采样与随机情景采样集成的统计建模数据集。进一步地，所述svm分类机器学习数据集，包括：svm分类机器学习训练集与svm分类机器学习测试集；
19、以及将所述统计建模数据集和所述统计分析强化建模数据集分别对应预设数量的情景参数组合，与分别对应的所述第一组输出标签值和所述第二组输出标签值合并后得到单一阈值svm分类机器学习训练集；将所述模型验证数据集对应预设数量的情景参数组合与所述第三组输出标签值合并得到单一阈值svm分类机器学习测试集；
20、以及所述得到含阈值参变量svm分类机器学习数据集，还包括，若给定多个环境诊断阈值，则根据预设阈值取值变化区间及预设阈值取值数量选定不同阈值，基于所述统计建模数据集和所述统计分析强化建模数据集，以及基于所述模型验证数据集，将环境诊断阈值作为新的模型输入参变量，分别得到含阈值参变量svm分类机器学习的训练集与测试集。
21、进一步地，还包括：给定所述svm环境诊断模型的建模准确度预设值，包括训练准确度预设值与测试准确度预设值，若所获得所述svm环境诊断模型建模准确度低于所述预设值，则增加不同所述给定的典型情景预设数和/或增加不同所述情景采样的所述预设数量进行svm环境诊断模型建模优化，得到相应准确度svm环境诊断模型；所述相应准确度svm环境诊断模型包括单一阈值svm环境诊断模型和含阈值参变量svm环境诊断模型。
22、进一步地，所述关联特征变量至少为1个；所述关联特征变量，包括：地下水污染物浓度、饱水带污染物断面或界面通量、污染羽本文档来自技高网...
【技术保护点】
1.基于数值模拟与SVM高效建模的环境诊断方法，其特征在于，包括：
2.根据权利要求1所述的诊断方法，其特征在于，所述将所有所述不同典型情景的模型输入参数组合及其所述相应关联特征变量模拟值集合获得统计建模数据集，包括：
3.根据权利要求1所述的诊断方法，其特征在于，所述SVM分类机器学习数据集包括SVM分类机器学习训练集与SVM分类机器学习测试集；所述方法还包括：
4.根据权利要求1所述的诊断方法，其特征在于，还包括：
5.根据权利要求1所述的诊断方法，其特征在于，所述关联特征变量至少为1个；所述关联特征变量，包括：地下水污染物浓度、饱水带污染物断面或界面通量、污染羽迁移扩散前锋位置、污染羽稳定时间、稳定污染羽分布面积、稳定污染羽前锋距污染源距离、稳定污染羽平均浓度和污染羽消散时间；
6.根据权利要求1所述的诊断方法，其特征在于，所述构建典型条件框架下相应地下水环境系统时空演化概念模型，包括：
7.根据权利要求1所述的诊断方法，其特征在于，还包括：
8.根据权利要求1所述的诊断方法，其特征在于，所
9.根据权利要求1所述的诊断方法，其特征在于，所述通过所述多元回归统计预测模型得到关联特征变量预测误差值及其分布特征；根据预测误差值及其分布特征，确定与给定预设置信度对应的预测误差随机变量分布区间，包括：
10.根据权利要求1所述的诊断方法，其特征在于，所述SVM分类模型建模原理及优化方法中的SVM分类模型建模优化方法，包括：
11.根据权利要求1所述的诊断方法，其特征在于，所述得到SVM分类机器学习第一组输出标签值、第二组输出标签值和第三组输出标签值，包括：
12.基于数值模拟与SVM高效建模的环境诊断装置，其特征在于，所述装置包括：
...【技术特征摘要】
1.基于数值模拟与svm高效建模的环境诊断方法，其特征在于，包括：
2.根据权利要求1所述的诊断方法，其特征在于，所述将所有所述不同典型情景的模型输入参数组合及其所述相应关联特征变量模拟值集合获得统计建模数据集，包括：
3.根据权利要求1所述的诊断方法，其特征在于，所述svm分类机器学习数据集包括svm分类机器学习训练集与svm分类机器学习测试集；所述方法还包括：
4.根据权利要求1所述的诊断方法，其特征在于，还包括：
5.根据权利要求1所述的诊断方法，其特征在于，所述关联特征变量至少为1个；所述关联特征变量，包括：地下水污染物浓度、饱水带污染物断面或界面通量、污染羽迁移扩散前锋位置、污染羽稳定时间、稳定污染羽分布面积、稳定污染羽前锋距污染源距离、稳定污染羽平均浓度和污染羽消散时间；
6.根据权利要求1所述的诊断方法，其特征在于，所述构建典型条件框架下...
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。