[发明专利]一种场地有机污染物迁移过程的特征参数识别系统有效
申请号: | 202110509905.1 | 申请日: | 2021-05-11 |
公开(公告)号: | CN113267607B | 公开(公告)日: | 2022-04-08 |
发明(设计)人: | 曾令藻;郝辰宇 | 申请(专利权)人: | 浙江大学 |
主分类号: | G01N33/18 | 分类号: | G01N33/18;G06F30/20;G06F113/08 |
代理公司: | 杭州天勤知识产权代理有限公司 33224 | 代理人: | 高佳逸;胡红娟 |
地址: | 310013 浙江*** | 国省代码: | 浙江;33 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 场地 有机 污染物 迁移 过程 特征 参数 识别 系统 | ||
1.一种场地有机污染物迁移过程的特征参数识别系统,其特征在于,应用于化工场地区域的地下污染源监测,利用场地原位收集的污染物浓度监测值估计污染源参数,将实时分析得到的污染源分布情况以可视化形式在网站前端展示;
所述的化工场地包括监测井和可能产生污染物泄露的生产井;
所述的场地有机污染物迁移过程的特征参数识别系统包括:数据采集终端、云端服务器和网站前端;其中:
所述的数据采集终端用于采集化工场地区域的地下有机污染物浓度,并将实时更新的污染物浓度监测数据通过GPRS网络传输给云端服务器;
所述的云端服务器基于一种结合替代模型的迭代集合平滑器算法,对所述的监测数据进行同化,得到污染源参数,即描述污染源的位置坐标(xs,ys)[L]、污染源强度Ss[MT-1]、污染源开始时间ton[T]、污染源结束释放时间toff[T]共5个参数,具体包括:
生成先验数据集[X,Y],污染源5个参数来描述m=[xs,ys,Ss,ton,toff],污染源参数样本集合Nini代表数据集的样本数量,污染源监测数据C=[Ct-1,Ct],污染源监测样本集合Ct-1、Ct分别表示污染物运移时间t-1、t时刻监测到的污染物浓度;
基于先验数据集[X,Y],利用多项式混沌展开构建替代模型,采用正交多项式表示原始模型的随机变量,原始地下水运移模型表达为:
其中:NPC是PCE正交多项式的数量,ci与分别代表多项式的系数和PCE多项式;
将替代模型带入迭代集合平滑器算法的迭代框架代替原本的地下水模型,构建Ne组符合先验分布的污染源参数m,该参数集合中第j组污染源参数的第l次迭代结果为利用以下公式同化监测数据,得到污染源参数的第l+1次更新值:
其中:下标j代表样本序号,上标l代表迭代更新的次序,代表第j组污染源参数的第l+1次更新值,dobs,j是经过噪声扰动的第j组监测数据,CD代表监测误差协方差矩阵;代表模型g(·)在参数ml处的线性化,由模型参数的变化与模型输出相应变化的比值计算而来,代表矩阵的转置;βl代表更新步长,0βl≤1;mpr,j代表污染源参数的第j组先验样本;Δmpr代表先验参数样本mpr与参数均值的偏差,代表模型参数的协方差,通过有限数量的样本集合计算:
借助迭代集合平滑器算法,将反演得到的后验样本作为新训练集的一部分,从而在调整后的训练集基础上提高PCE模型在后验参数空间的精度,由此保证迭代集合平滑器算法在当前迭代步更新的参数,可利用修正后的替代模型,得到近似程度更高的污染物浓度输出;
训练集调整的具体步骤如下:从中随机选择Nadd个后验样本,带入原始模型得到输出样本Yadd,基于与监测数据的欧氏距离排序,从[Yadd,Y]中筛选新训练集Y′,同时删减掉相同数量的与监测数据距离较远的旧训练样本,保持训练集样本总数Nini不变,由此在更新后的训练集基础上,训练替代精度更高的替代模型;
ej=|Yj-dobs,j|,j=1,2,...,Nini
其中,欧式距离e表示两个输入点之间的欧几里得距离;ej代表训练集中第j个输出样本Yj与实际监测的欧几里得距离;二者的欧式距离越小,输出样本与监测数据更加相似;
最终将得到的污染源参数通过GPRS网络传输给网站前端;
qsCs=Ssδ(x-xs)[H(t-ton)-H(t-toff)]
其中:qs是污染源在单位体积含水层中的体积流速[L3T-1],Cs是污染源的浓度[ML-3],qsCs[MT-1]代表污染源强度Ss,xs=(xs,ys),δ(·)和H(·)分别是狄拉克函数和单位阶跃函数,x=(xi,xj)为污染物的位置坐标,t为污染物的运移时间;
所述的网站前端用于展示实时的污染源运移情况,即位于(xs,ys)的污染源,以恒定的强度Ss,从ton时刻开始释放污染物,在toff时刻结束时放。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于浙江大学,未经浙江大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202110509905.1/1.html,转载请声明来源钻瓜专利网。