[发明专利]基于卷积神经网络融合地下水位及自然电位数据识别非高斯含水层参数的方法

说明书

本发明公开了基于卷积神经网络融合地下水位及自然电位数据识别非高斯含水层参数的方法，包括：1：利用非高斯含水层参数场样本训练CVAE网络，并从标准正态分布中采样，对潜向量z的估计集合进行初始化；2：将潜向量z估计集合输入至训练后的CVAE解码器中，重构出相应的非高斯含水层参数场估计集合；3：在谐波抽水试验期间，基于重构出的非高斯含水层参数场估计集合，运行水文地球物理正演模型，得到水力水头和自然电位模拟数据；4：结合水力水头与自然电位观测数据，采用ESMDA方法迭代更新潜向量z估计集合；重复2至4，直至达到最大迭代次数；5：对于更新得到的潜向量z的后验集合，通过CVAE解码器，重构获得非高斯含水层参数场的推估结果。

技术领域

本发明涉及地下水数值模拟技术领域，具体涉及一种基于卷积神经网络融合地下水位及自然电位数据识别非高斯含水层参数的方法。

背景技术

数值模拟方法已被广泛应用于地下水管理和污染含水层修复之中。可靠的地下水模型需要对地下含水层性质进行准确把握，例如渗透系数。然而，受到钻孔数量和位置的限制，通过钻孔直接测定含水层相关参数通常难以全面获取含水层的信息。因此，当前的主要手段是基于间接观测数据(例如水头和溶质浓度)通过随机反演方法来刻画含水层结构。

基于集合的数据同化方法是备受推广的一类随机反演方法，如多次数据同化的集合平滑器(Ensemble Smoother with Multiple Data Assimilation，ESMDA，Emerick和Reynolds，2013)，已被应用于众多领域之中(如水文地质学、石油工程和海洋学)。然而，数据同化方法都要求未知参数是服从高斯分布的。这个条件在很多实际问题中是满足不了的。例如，在河流相沉积的沟渠状含水层中，通常有几个极具对比的岩相共存，从而渗透系数呈现非高斯模式(Zhou et al.，2014)。由于非高斯渗透系数的空间分布与假设的高斯分布存在显著差异，直接使用传统数据同化方法推估非高斯渗透系数场无法获得真实的含水层渗透系数分布情况。因此，前人开发了许多方法来克服该非高斯问题。近年来，深度学习方法开始被应用于地下反演建模中。有一种策略是应用深度学习方法将非高斯渗透系数场参数化为服从高斯分布的潜变量，从而满足数据同化方法的高斯假设条件。例如，Laloy etal.(2018)使用了一种空间生成对抗神经(Spatial Generative Adversarial Neural，SGAN)网络来参数化复杂非高斯地质构造；Canchumuni等人(2019年)研究了卷积变分自编码器(Convolutional Variational Autoencoder，CVAE)在参数化非高斯岩相分布中的性能。Kang等人(2021a)将CVAE网络耦合到ESMDA中，以反演非高斯分布的地下污染源区结构。

尽管上述基于深度学习的方法可以有效处理非高斯问题，但相关研究仅依赖于侵入式钻孔中的水文地质观测数据(例如水头和溶质浓度)。由于获取这些观测数据耗时耗财耗力，从而导致可用于同化的观测数据数量十分有限。在数据量有限的条件下，非高斯渗透系数场的推估结果难以刻画出真实渗透系数场的精细结构。

发明内容

发明目的：为了克服传统非高斯渗透系数场反演中出现钻孔观测数据不足、推估精度有限的问题，本发明提出了一种基于卷积神经网络融合地下水位及自然电位数据识别非高斯含水层参数的方法，通过引入地球物理方法中的自然电位方法，通过融合低成本的自然电位数据，在水文地质观测数据有限的前提下，将自然电位数据作为补充，实现非高斯渗透系数场的精细识别。

技术方案：一种基于卷积神经网络融合地下水位及自然电位数据识别非高斯含水层参数的方法，包括以下步骤：

步骤1：利用非高斯含水层参数场样本训练CVAE网络，并从标准正态分布中采样，对潜向量z估计集合进行初始化；

步骤2：将潜向量z估计集合输入至训练后的CVAE解码器中，重构出相应的非高斯含水层参数场估计集合；