[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

说明书

本发明公开了一种不确定性条件下DNAPL污染场地修复的多目标优化方法，首先，基于含水层非均质性及DNAPL污染源区的双重不确定性条件下，构建多目标优化模型，以表面活性剂修复井的注入量作为决策变量，以最小化SEAR修复总费用f₁和最小化修复后NAPL相的分布范围为优化目标，以修复井的注入量为约束条件；其次，为提高多相流多目标优化的计算效率，构建深度卷积神经网络模型，替代计算量耗时的SEAR修复DNAPL多相流数值模型；最后，采用优化算法调用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。本发明能实现不确定条件下DNAPL污染场地最优修复方案的高效获取。

技术领域

本发明属于污染水文地质与深度学习的交叉领域，具体涉及一种不确定性条件下DNAPL污染场地修复的多目标优化方法。

背景技术

重非水相液体(Dense Non-Aqueous Phase Liquids，DNAPLs)污染因其高密度、低界面张力和低粘度的特性而难以清除。较为有效的修复方法是表面活性剂加强的含水层修复，其通过注入井注入表面活性剂，抽出井抽提的方式开展地下水修复。为了同时达成地下水修复的经济效益和环境效益，常采用多目标优化来获得最优修复方案。最优方案是否切实可行取决于优化中调用的数值模型是否精确反映了实际场地特征，主要是含水层渗透率和DNAPL污染源区的特征。然而，地下介质往往具有强非均质性，稀疏的观测钻孔往往不足以精确刻画出实际场地含水层渗透率以及DNAPL污染源区的特性。因此，对地下水污染场地的修复方案优化需要在考虑刻画的地下介质场及污染源区具有不确定性的前提下开展。这类问题通常通过考虑地下介质场及污染源区的多个可能实现，来评估不确定性对优化结果的影响。

优化中考虑不确定性，会增加优化算法反复调用的模拟模型的次数，即随着所考虑的地下介质场及污染源区的实现数递增，这可能带来难以负担的计算量。为了减轻计算负担，常采用替代模型替代原本耗时的数值模型。然而，在含水层介质场及DNAPL污染源区刻画不确定的条件下，替代优化算法调用SEAR修复DNAPL数值模型面临两大挑战。

第一，含水层非均质性和DNAPL污染源区的不确定性空间参数会导致“维数灾难(curse of dimensionality)”问题，即建立替代模型所需的计算量随着不确定参数维度的增加而呈指数型急剧增长。以往的地下水修复优化研究，常采用均化或分区策略，利用一个或几个参数概化非均质场，以此降低输入参数的维度。然而，考虑到多相流对渗透率变化非常敏感，数值模型中简化渗透率的非均质性无法反映实际场地的地下水及DNAPL的运移，进而可能误导表面活性剂强化的含水层修复(Surfactant Enhanced Aquifer Remediation,SEAR)方案的设计。因此，需要创新的替代模型，以应对不确定条件下，SEAR修复DNAPL多相流过程中存在的高维输入(刻画非均质渗透率场和DNAPL饱和度场的高维空间参数)的挑战。第二，SEAR修复DNAPL后得到的修复后NAPL相的饱和度为不连续的空间变量，现有替代模型难以较为准确的进行预测。以往常简化为一个或多个局部变量。然而，修复后的NAPL可能局部残留，成为一个长期污染源，对地下水质量构成威胁，仅通过整体平均的指标无法反映修复后DNAPL的残留分布。因此，需要创新的替代模型，以应对替代修复后空间不连续分布的NAPL饱和度的挑战。

为解决不确定条件下优化带来的两个挑战，我们建立了深度卷积神经网络(CNN)作为替代模型，实现对刻画不确定的污染场地下采用不同修复方案产生的高维不确定输入(即非均质渗透率分布、DNAPL源区结构和SEAR修复方案)与修复后DNAPL饱和度场之间潜在关系的替代。然后建立不确定条件下的优化问题，通过优化算法非支配排序遗传算法(NSGAII)调用替代模型CNN，形成不确定条件下的基于深度学习替代模型的多目标优化方法CNN-NSGAII，以实现在刻画具有不确定性的污染场地中高效搜索到可靠的最佳修复方案的目的。该不确定性条件下的基于深度学习的多目标优化方法的可行性通过一个三维理想算例进行了分析验证。