[发明专利]一种基于深度学习的含水层结构阶段式随机反演识别方法

说明书

本发明公开一种基于深度学习的含水层结构阶段式随机反演识别方法，包括：收集场地先验资料，设置含水层结构参数的先验分布；随机生成含水层结构参数样本，构成第一阶段溶质运移模拟替代模型的训练样本，训练第一阶段溶质运移模拟替代模型；获取含水层数据先验区间，对含水层结构参数进行反演，获取后验含水层结构参数；构建并训练含水层结构生成模型；构建并训练第二阶段溶质运移模拟替代模型；采集观测数据，对含水层结构生成模型的输入参数进行反演；将输入参数输入含水层结构生成模型，获得后验含水层结构。本发明将含水层结构识别方法和深度学习技术结合，利用场地和观测数据进行含水层结构反演识别，有效降低含水层结构随机模拟的不确定性。

技术领域

本发明涉及含水层结构识别技术领域，特别是涉及一种基于深度学习的含水层结构阶段式随机反演识别方法。

背景技术

地下水水流及溶质模拟广泛地应用于各类水文地质领域应用，如场地污染物迁移预测、CO₂地质封存、地下水资源管理和放射性废物地质存储等。

准确的地下水水流及溶质模拟依赖于含水层结构的准确刻画。基于地质统计理论的含水层结构识别方法能够依靠钻孔数据来获取含水层结构，但是由于钻孔分布较为稀疏，含水层结构参数及对应的含水层结构均存在很大的不确定性，为了提高含水层结构刻画的准确性，利用实际观测数据，结合多源数据融合方法对含水层结构参数及其后验结构进行反演是目前一种十分有效的方法。

近些年以来，随着深度学习技术的不断发展，一些图像处理的技术可以有效地应用于含水层结构识别中，如生成对抗网络，自编码器以及卷积神经网络等，提高含水层结构识别的精度与速度。而目前基于深度学习技术的含水层结构反演方法通常需要提供大量与目标含水层结构具有相近地质统计特征的含水层结构样本，而在实际中，该样本难以提供，如何充分利用场地的钻孔数据和观测数据，来获取有效的含水层结构样本，用于深度学习模型的训练，从而实现含水层结构的反演识别是目前亟待解决的一个关键技术。

发明内容

本发明的目的是提供一种基于深度学习的含水层结构阶段式随机反演识别方法，以解决上述现有技术存在的问题，能够有效地将基于地质统计的含水层结构识别方法和深度学习技术结合起来，无需额外提供含水层结构的训练样本，可以直接利用场地钻孔数据和观测数据对含水层结构进行反演识别，能够有效降低含水层结构随机模拟的不确定性，为后续溶质运移过程的准确模拟提供了技术保障，具有较大实践价值。

为实现上述目的，本发明提供了如下方案：本发明提供一种基于深度学习的含水层结构阶段式随机反演识别方法，包括以下步骤：

S1、收集场地先验资料，设置含水层结构参数的先验分布；

S2、基于所述含水层结构参数的先验分布，随机生成含水层结构参数样本，构成第一阶段溶质运移模拟替代模型的训练样本，训练所述第一阶段溶质运移模拟替代模型；

S3、采集含水层结构参数初始样本，基于所述第一阶段溶质运移模拟替代模型，对含水层结构参数进行反演，获取后验含水层结构参数；

S4、基于所述后验含水层结构参数，构建并训练含水层结构生成模型；

S5、基于所述场地先验资料，构建并训练第二阶段溶质运移模拟替代模型；

S6、采集观测数据，基于训练好的所述含水层结构生成模型和所述第二阶段溶质运移模拟替代模型，对所述含水层结构生成模型的输入参数进行反演；

S7、将反演后的所述输入参数输入到含水层结构生成模型中，获得后验含水层结构。

优选地，所述S2包括：

S2.1、基于所述含水层结构参数的先验分布，随机生成含水层结构参数样本，利用指示克里金模型，生成第一阶段含水层结构，获取所述第一阶段含水层结构对应的第一阶段状态场，构成第一阶段溶质运移模拟替代模型的第一阶段训练样本；