基于替代系统的数据同化方法及其在地下水污染物迁移中的应用

数据同化对于地下水污染的预防和修复有着重要的意义，近来已引起越来越大的关注。好的数据同化方法能够充分合理地从各种来源的观测数据中提取信息，减小污染物迁移中的不确定性，从而对迁移过程做出更加准确的预测。现有的基于蒙特卡罗模拟的同化方法计算负担较大。本项目研究一种高效的基于替代系统的数据同化方法，并将其应用于地下水污染物迁移问题。主要研究内容包括：在各种参数条件下，研究有效的随机配点法以构造替代系统；针对具体问题中不同强弱的非线性，采用不同的方法，在非线性较弱时，研究基于替代系统的卡曼滤波器算法及改进方法，在强非线性下，研究基于替代系统的贝叶斯分析法，包括马尔科夫链蒙特卡罗法与粒子滤波器法。希望通过本项目的研究，发展新的适用于地下水污染物迁移的数据同化方法，以更小的计算量，更加准确地预测污染物迁移过程。

本课题致力于发展准确高效的适用于地下水与污染物运移的数据同化方法。在多孔介质流方面，开发了一套将卡曼滤波算法与多尺度有限元耦合的方法，同时利用了卡曼滤波的实时同化优势，又利用多尺度算法大大减少了计算代价。该方法在大型地下水流动问题中能很好地进行数据同化，能够较为准确地从局部少数的水头观测数据中反演出整个水力传导度场。在污染物运移方面，利用稀疏格子插值法(Spare grids interpolation)在参数的先验空间构造替代系统，结合最新的马尔科夫链蒙特卡罗法DRAM直接在替代系统基础上采样，无需求解原始的对流弥散方程，大大减少了计算代价。该方法可高效地进行地下水污染源识别，能够准确估计出污染源位置，释放历史等重要参数。本课题的研究成果可适用于大型地下水与污染物运移问题，具有较大的理论与实际应用价值。