基于参数尺度效应分析的地下水DNAPLs污染反演溯源研究

Groundwater contamination source identification (GCSI) is critical for taking effective measures to design remediation strategies, assess contamination risks, and confirm contamination responsibilities. Some forefront problems which have yet not been solved on inversion identification of DNAPLs sources in groundwater will be studied by the combination of case study and theoretical analysis in this project. Firstly, a multi-phase flow numerical simulation model of DNAPL-contaminated aquifer will be preliminarily built, and the deep learning method (Convolutional Deep Belief Network) will be adopted to formulate the intelligent surrogate model of the simulation model. Secondly, a scale effect analysis model of contaminant transport parameters will be formulated using the multi-order transition probability theory. Aiming at the elimination of "equifinality" effect caused by simultaneous identification of multiple variables, the scale effect analysis model will be coupled in a multi-objective optimization model for the inversion identification of contamination source and parameters as a regularization constraint with the deep learning surrogate model. Finally, a mechanism for gradually solving the complicated optimization model will be developed by combining the homotopy algorithm and hyper heuristic algorithm, and the identification accuracy will be significantly improved by designing a circulating update loop. This project will develop new ideas and new methods for the inversion identification of contamination sources in groundwater, simultaneously provide scientific basis for related applications.

地下水污染溯源问题的有效解决，能为修复方案设计、污染风险评估和污染责任认定提供重要前提基础。本项目拟采取实例研究与理论分析相结合的方法，对地下水DNAPLs污染反演溯源研究前沿中尚待解决的问题开展深入探索。首先，在初步建立研究区地下水DNAPLs污染多相流数值模拟模型的基础上，研究应用深度学习方法(卷积深度置信网络)构建模拟模型的智能替代模型；然后，基于多阶转移概率理论建立污染物运移参数的尺度效应分析模型，并将尺度效应分析模型作为正则化约束条件与深度学习智能替代模型一同耦合到污染源及参数反演识别的多目标非线性规划优化模型中，避免多变量同步反演求解易产生的“异参同效”效应；最后，借助同伦算法思想，与超启发式算法共同构建循序渐进的优化模型求解机制，再设计合理的循环修正回路，充分提高污染源及含水层参数的反演精度。本项目将为地下水污染反演溯源研究探索新思路和新方法，并为相关实际应用提供科学依据。

DNAPLs具有高密度、低水溶性、高毒性和高界面张力的特性。在DNAPLs污染含水层的实际修复过程中，常常面临污染物去除率低、修复过程时耗长和修复费用昂贵的困难。因此，制定合理高效的修复方案至关重要，而合理高效修复方案的制定则要以对于含水层中DNAPLs污染源状况的识别和掌握为前提。.地下水DNAPLs污染具有存在的隐蔽性和发现的滞后性特点，致使人们对于污染源的状况缺乏了解和掌握。这给地下水污染责任认定、污染风险评估和修复方案设计都带来了很大的困难。因此，有关地下水污染源反演识别的研究就显得格外重要。.本项目通过多种方法的综合运用，对地下水DNAPLs污染源反演识别研究前沿中尚待解决的问题开展深入研究，探讨了基于智能替代模型和尺度效应分析的全局最优化反演方法、超启发式-同伦算法、源信息与含水层参数互馈反演系统在地下水DNAPLs污染源反演识别问题中的可行性及有效性。.首先，初步建立研究区的地下水DNAPLs污染多相流模拟模型。运用拉丁超立方抽样方法在待识别变量(包括污染源的相关信息，以及敏感含水层参数)的可行域内抽样，并运行多相流模拟模型得到输入-输出样品数据集。.之后，根据输入-输出样品数据集，应用径向基函数神经网络、支持向量回归、克里格、小波核极限学习机、卷积深度神经网络方法建立多相流模拟模型的替代模型，并应用群智能优化算法优化确定各单一替代模型的权重，建立群智能集成学习机替代模型。.然后，分别建立两个独立的非线性规划优化模型用于污染源及含水层参数反演，同时将群智能集成学习机替代模型和尺度效应模型作为约束条件嵌入到优化模型之中代替模拟模型。开发超启发式-同伦算法，依次对两个优化模型求解，并连接构建反馈修正迭代循环系统。系统中污染源识别与参数反演交替进行，前次迭代的识别结果用于约束后一次迭代识别，以限制“异参同效”效应。随着迭代的进行，污染源特征和含水层参数的识别结果都逐步得到修正改善。