[发明专利]一种不确定性条件下DNAPL污染场地修复的多目标优化方法

权利要求书

1.一种不确定性条件下DNAPL污染场地修复的多目标优化方法，其特征在于，包括以下步骤：

(1)建立不确定条件下的多目标优化模型：以设置决策变量为SEAR治理井的流量；优化目标为最小化SEAR修复总费用f₁和最小化修复后NAPL相的分布范围约束条件为治理井的流量限制；不确定条件为满足稀疏观测数据的含水层介质和DNAPL污染源区非均质分布的多个实现；

(2)构建深度卷积神经网络模型，替代耗时的多相流数值模型，实现对SEAR修复DNAPL的数值模型的高维替代；

(3)采用优化算法调用训练好的替代模型对不确定条件下的优化模型进行求解，获得不确定条件下最优的修复方案。

2.根据权利要求1所述的不确定性条件下DNAPL污染场地修复的多目标优化方法，其特征在于，所述步骤(1)通过以下公式实现：

其中，C₁(m+n)代表m口注入井和n口抽出井的安装费用(元)；C₂代表抽出井的运行费用(元/m³)；t代表修复时间；代表第j口抽出井的流量；C₃代表注入井的运行费用(元/m³)；代表第i口注入井的流量；

其中，和分别代表N_r个实现计算得到的修复后NAPL相的分布范围f₂的均值和方差；λ代表风险厌恶系数，λ取2意味着置信区间为97.5％，即有97.5％的代表第i个网格的残留的DNAPL饱和度；M(·)是指示函数，用于指示一个网格是否有NAPL相；N是网格总数；

约束条件：

其中，Q_max和Q_min是饱和度的阈值，分别是注入井(In)和抽出井(Ex)允许的最大和最小值。

3.根据权利要求1所述的不确定性条件下DNAPL污染场地修复的多目标优化方法，其特征在于，所述步骤(2)实现过程如下：

将数值模型的输入场和输出场转为三维图片，利用卷积操作充分提取图片数据的局部空间相关性、进而学习输入－输出图片间的潜在的复杂映射关系；其中SEAR修复井流量组合转化为图片的方式如下：

其中，ω＝1,…,W；h＝1,…,H；d＝1,…,D；j＝1,…N，N代表井数；S_rj0代表注入井；S_rj0代表抽出井。即，在井位置处的像素值为抽出/注入率，其他没有井的位置处的像素值为0；

使用一个卷积层从输入图像中提取特征面，然后将提取的特征面通过多重残差密集块和下采样层交替加工，每经过一个下采样层，特征面尺寸将减半，最后输出一系列包含高层特征的特征面，这些特征面随后经过RRDB和上采样层交替加工，每经过一个上采样层，特征面尺寸将加倍，最终经过一个卷积层和激活函数Sigmoid激活重构输出图像。

4.根据权利要求1所述的不确定性条件下DNAPL污染场地修复的多目标优化方法，其特征在于，所述步骤(3)实现过程如下：

优化算法不断搜索新的决策变量组合，通过调用训练好的替代模型在生成的地下介质和污染源区的实现集合中对决策变量组合进行评价，最终获得不确定条件下最优的修复方案。

5.根据权利要求3所述的不确定性条件下DNAPL污染场地修复的多目标优化方法，其特征在于，所述数值模型的输入场为强非均质渗透系数场、DNAPL饱和度场、SEAR修复井流量的组合；输出为修复后的DNAPL饱和度场。