基于数值模拟的表面活性剂强化的DNAPLs污染含水层修复过程优化问题研究

本项目针对表面活性剂强化的DNAPLs污染的含水层修复问题，在建立多相流数学模拟模型的基础上，研究应用拉丁超立方采样(LHS)方法采集多相流模拟模型的输入-输出样品数据集，有效提高随机采样的采样效率和覆盖程度。运用采集的样品数据集对人工神经网络进行训练，用训练好的人工神经网络作为多相流模拟模型的替代模型，以大幅度减少优化模型计算过程中直接多次反复调用模拟模型所引起的庞大计算负荷。最后，以含水层中DNAPLs污染质去除率最大和修复费用最小为目标；以抽出-处理修复过程中可操控的因素为决策变量；并嵌入人工神经网络替代模型作为约束条件的一部分；建立同时含有离散整数变量和连续变量的混合整数非线性规划优化模型。应用启发式算法对优化模型进行求解，求得关于DNAPLs污染含水层修复过程的最优决策方案。为DNAPLs污染含水层修复过程的优化设计和决策探索新的理论和方法。

本项目通过历时三年的研究工作，针对表面活性剂强化的重非水相流体(DNAPLs)污染含水层修复问题，通过多相流数学模拟模型、拉丁超立方采样方法、神经网络替代模型及混合整数非线性优化模型的综合运用，求得了最优的修复设计方案，有效提高修复过程中污染质的去除率并减少修复费用。. 在建立DNAPLs 污染含水层多相流数学模拟模型的基础上，研究应用了拉丁超立方采样方法采集了多相流模拟模型的输入-输出样品数据，与原有的蒙特卡罗采样方法相比，有效提高了采样点对于采样空间的覆盖程度。然后，运用采集的样品数据集分别对误差逆传播(BP)神经网络和径向基函数(RBF)神经网络进行训练，用训练好的神经网络作为多相流模拟模型的替代模型，与原有的双响应面(多项式回归)替代模型相比，神经网络替代模型对模拟模型的近似精度大幅提高。最后，以含水层中DNAPLs 污染质去除率最大和修复费用最小为目标，以抽出-处理修复过程中可操控的因素为决策变量，同时嵌入神经网络替代模型作为优化模型中约束条件的组成部分，建立了同时含有离散整数变量和连续变量的混合整数非线性规划优化模型，应用启发式算法(遗传算法和模拟退火算法)对优化模型进行求解，求得了DNAPLs 污染含水层修复过程的最优设计方案。在非线性优化模型中，以替代模型替换多相流模拟模型，显著减少了非线性优化模型迭代求解过程中反复直接调用多相流模拟模型本身所造成的庞大计算负荷。对所建立的理论和方法分别在假想例子和实际例子进行了验证和应用，结果切合实际。. 本项目研究成果为DNAPLs 污染含水层修复过程的优化设计提供了新的理论和方法，能够有效提高修复效率并节省修复费用，为各种有关实际问题的解决奠定了理论基础和提供了技术途径。. 在本项目的资助下，至目前已发表学术论文共 20 篇，其中SCI收录期刊论文 2 篇，EI收录期刊论文 7 篇，中文核心期刊论文11篇。另外还有2篇论文已被录用待刊，其中1篇为EI收录期刊，1篇为中文核心期刊。尚有部分成果正在撰写总结之中。. 共培养研究生7人，截至2013年6 月，已毕业4人(博士2人，硕士2人)，在读3人(博士生2人，硕士生1人)。. 本项目按计划圆满完成了项目申请书和计划书中的研究任务，研究成果超额完成了申请书和计划书预期成果中的各项指标。