两种典型孔隙结构对反常溶质运移过程的影响机制研究

Anomalous dispersion of solute transport in groundwater is generally thought to be caused by the heterogeneity of porous media. However, people usually pay much attention to the heterogeneity of porous media at field scale or laboratory scale and neglect the heterogeneity of pore scale. This project intends to consider two typical pore-scale heterogeneous structures (dead-end pore structure and different types of particle-mixed pore structures) to study the effect of pore-scale heterogeneous structures on solute transport anomalies. Among them, the dead-end pore structure leads to the sub-dispersion anomalous process with heavy tail. The pore structure mixed by different types of particles will form the dominant channels and make the non-Fick process more obvious. Exploring the relationship between pore-scale geometric parameters and the anomalous migration model can further the understanding of the mechanism of anomalous dispersion and optimize the parameters of the anomalous solute transport model. Therefore, this project not only has important scientific significance by enriching the theory of groundwater science, but also has good application values by providing technical support for improving the prediction accuracy of pollutant transport in groundwater.

地下水中溶质运移的反常弥散现象通常认为由多孔介质的非均质性引起。然而人们往往关注宏观场地尺度或室内实验室尺度多孔介质的非均质性，却忽视了孔隙尺度的非均质性。本项目拟分别考虑两种常见的孔隙尺度非均质性结构（死端孔隙结构和不同类型颗粒混合的孔隙结构），研究孔隙尺度非均质性结构对溶质反常运移的影响机制。其中，死端孔隙结构会导致溶质拖尾的亚弥散反常过程；不同类型颗粒混合的孔隙结构会构成优势通道，从而使非Fick过程明显。确定孔隙尺度非均质结构的几何参数和反常运移模型的关系，可以加深对反常溶质运移机制的理解，优化反常溶质运移模型的参数。因此本项目既可丰富地下水科学理论，具有重要的科学意义，又可为提高地下水中污染物运移的预报精度提供技术支撑，具有良好的应用价值。

本项目主要研究了非均质介质中溶质污染物的运移特征以及相应数学模型的参数预测。通过对孔隙尺度的溶质运移过程进行模拟，发现溶质运移反常性最明显时，多孔介质大小固体颗粒体积比约为3:7，这个比值与流速大小、固体颗粒的具体尺寸无关，我们用逾渗理论和优势流通道解释了这个现象，加深了对地下水中反常溶质运移机制的理解。为了更精确地模拟孔隙尺度的水流和溶质运移，我们提出了一种新的速度插值方法，它使得格子玻尔兹曼方法(LBM)能够更精确地模拟固体颗粒表面附近的流场，而这个低流速区域的流场对溶质运移的反常性有重要影响。. 为了利用机器学习方法计算溶质运移模型参数，我们生成了数千个多孔介质样本并计算了渗透率和溶质运移的弥散参数。利用这些样本作为数据集，就可以训练机器学习模型或深度神经网络，快速计算多孔介质渗透率和弥散系数等参数。我们还提出了一种直观的提取多孔介质几何结构特征的方法。通过大幅压缩多孔介质三维孔隙结构数据为一维序列数据，能够高效地训练机器学习模型并得到比较准确的渗透率预测结果。在此数据集基础上，我们构建了一种卷积神经网络（CNN）耦合transformer网络的深度学习网络，它利用二维CNN网络自动提取孔隙结构特征构成序列，然后用自注意力机制的transformer网络处理序列关系，能很好地预测多孔介质渗透率和溶质弥散系数等模型参数。本项目的研究成果可为快速、精确地模拟地下水中污染物溶质运移过程提供理论支持和计算方法。