基于BiLSTM的强非均质条件下地下水溶质运移智能模拟方法及系统

本发明涉及地下水溶质运移模拟，具体涉及基于bilstm的强非均质条件下地下水溶质运移智能模拟方法及系统。

背景技术：

1、地下水污染因其隐蔽特性，难以直接观测，需依赖专业监测与调查手段方能揭露，但这往往伴随着高昂的人力物力成本。准确识别地下水污染源显得尤为重要，它不仅能有效节约资源，还能精确追踪污染源位置及释放历史，为地下水污染风险评估及责任判定奠定坚实基础。

2、另一方面，地下水系统错综复杂，含水层介质的物理非均质性显著，这一特性直接或间接加剧了化学非均质性的表现，具体反映在污染物迁移过程中的吸附特性与反应速率分布随时间和空间发生的剧烈变化。然而，传统数值模拟方法在处理此类问题时，往往未充分考虑空间异质性的影响，导致模拟结果与实际情况存在显著差异。

3、在地下水污染源识别、含水层参数(渗透系数、孔隙度)反演过程中，特别是在考虑空间异质性时，需要反复地调用数值模拟模型进行试算，模型的复杂性和计算量更是显著增加，由此会产生海量的计算负荷，同时会耗费大量的计算时间。

技术实现思路

1、本发明的目的在于，提出基于bilstm的强非均质条件下地下水溶质运移智能模拟方法及系统，实现秒级运算，从而大幅减少计算时间和成本，提高实际生产中地下水污染源识别、含水层参数(渗透系数、孔隙度)反演的准确性。

2、根据本公开实施例的第一个方面，提供了基于bilstm的强非均质条件下地下水溶质运移智能模拟方法，包括以下步骤：

3、对水文地质条件进行概化处理，初步构建地下水溶质运移水文地质概念模型，用以反映地下水溶质运移的规律；

4、确定地下水溶质运移水文地质概念模型中污染物的污染源特征、含水层参数；根据污染源特征的取值范围，随机采样若干组工况；

5、构建强非均质条件下的地下水溶质运移-双域基准模型；

6、将若干组工况逐一代入所述地下水溶质运移-双域基准模型，得到每组污染源排放强度样本的模型响应，该模型响应对应于监测井位置的污染物浓度，形成由“模型输入-模型响应”样本对构成的训练样本集和检验样本集；

7、根据训练样本集，采用深度学习-bilstm算法构建地下水溶质运移-双域基准模型的替代模型，使用该替代模型预测观测井的污染物浓度。

8、进一步的，使用模拟退火法优化拉丁超立方抽样算法sa-lhs，随机采样若干组工况。

9、进一步的，用modflow、mt3dms程序构建地下水溶质运移-双域基准模型

10、进一步的，所述地下水溶质运移-双域基准模型的替代模型，包括前向lstm单元和后向lstm单元；该模型基于记忆单元和门控机制学习和保留长期依赖关系；通过多层次的神经元结构和激活函数进行非线性动态建模；使用时间步长的递归方式适应不规则数据间隔。

11、更进一步的，对于给定的污染源s1和s2，在期间sp1、sp2、sp3、sp4这4个应力期内污染物排放强度为xt，t表示时间步，前向lstm单元的输出如下：

12、

13、式中，表示在时刻t前向输入门的输出，用于控制当前时刻的候选单元状态中有多少信息被更新到单元状态中；wxi、whi是前向输入门的权重矩阵，是前向输入门偏置项，是当前时刻的输入，是上一时刻的观测井obs1、obs2、obs3、obs4、obs5、obs6、obs7的地下水污染物浓度；σ表示sigmoid函数，其输出值在0到1之间，用于决定信息的保留程度；

14、

15、式中，表示在时刻t前向遗忘门的输出，用于控制上一时刻的单元状态中有多少信息被遗忘，wxf、whf是前向遗忘门的权重矩阵，是前向遗忘门偏置项；

16、

17、式中，表示在时刻t前向输出门的输出，用于控制单元状态中有多少信息被输出到外部，wxo、who是前向输出门的权重矩阵，是前向输出门偏置项；

18、

19、式中，表示在时刻t的前向候选单元状态，用于更新前向单元状态wxg、whg是前向候选单元状态的权重矩阵，是前向候选单元状态偏置项，tanh双曲正切函数，其输出值在-1到1之间，用于生成前向候选单元状态的值；

20、

21、式中，表示在时刻t前向lstm单元的输出，即观测井obs1、obs2、obs3、obs4、obs5、obs6、obs7在t时刻的地下水污染物浓度。

22、更进一步的，后向lstm单元的输出如下：

23、

24、式中，表示在时刻后向输入门的输出，用于控制当前时刻的候选单元状态中有多少信息被更新到单元状态中；wxi1、whi1是后向输入门的权重矩阵，是后向输入门偏置项，是当前时刻的输入，是下一时刻的观测井obs1、obs2、obs3、obs4、obs5、obs6、obs7的地下水污染物浓度；σ表示sigmoid函数，其输出值在0到1之间，用于决定信息的保留程度；

25、

26、式中，表示在时刻t后向遗忘门的输出，用于控制下一时刻的单元状态中有多少信息被遗忘，wxf1、whf1是后向遗忘门的权重矩阵，是后向遗忘门偏置项；

27、

28、式中，表示在时刻t后向输出门的输出，用于控制单元状态中有多少信息被输出到外部，wxo1、who1是后向输出门的权重矩阵，是后向输出门偏置项；

29、

30、式中，表示在时刻t的后向候选单元状态，用于更新后向单元状态wxg1、whg1是后向候选单元状态的权重矩阵，是后向候选单元状态偏置项，tanh双曲正切函数，其输出值在-1到1之间，用于生成后向候选单元状态的值；

31、

32、式中，表示在时刻t后向lstm单元的输出，即观测井obs1、obs2、obs3、obs4、obs5、obs6、obs7在t时刻的地下水污染物浓度。

33、更进一步的，前向lstm单元和后向lstm单元在各个时间步t的隐藏状态拼合，得到观测井obs1、obs2、obs3、obs4、obs5、obs6、obs7对应的地下水污染物浓度ht：

34、

35、根据本公开实施例的第二个方面，提供了基于bilstm的强非均质条件下地下水溶质运移智能模拟系统，包括：

36、概念模型建立模块，对水文地质条件进行概化处理，初步构建地下水溶质运移水文地质概念模型，用以反映地下水溶质运移的规律；

37、工况获取模块，确定地下水溶质运移水文地质概念模型中污染物的污染源特征、含水层参数；根据污染源特征的取值范围，随机采样若干组工况；

38、基准模型建立模块，构建强非均质条件下的地下水溶质运移-双域基准模型；

39、样本集获取模块，将若干组工况逐一代入所述地下水溶质运移-双域基准模型，得到每组污染源排放强度样本的模型响应，该模型响应对应于监测井位置的污染物浓度，形成由“模型输入-模型响应”样本对构成的训练样本集和检验样本集；

40、替代模型建立模块，根据训练样本集，采用深度学习-bilstm算法构建地下水溶质运移-双域基准模型的替代模型，使用该替代模型预测观测井的污染物浓度。

41、根据本公开实施例的第三个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现所述的基于bilstm的强非均质条件下地下水溶质运移智能模拟方法。

42、根据本公开实施例的第四个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的基于bilstm的强非均质条件下地下水溶质运移智能模拟方法。

43、本发明采用的以上技术方案，与现有技术相比，具有的优点是：1)本发明建立了地下水溶质运移-双域基准模型的替代模型，相较于传统的深度学习模型，其拥有对模型输入-输出关系更强的学习和泛化能力，更加擅于处理高度非线性化的地下水参数序列整理与数值模拟。

44、2)本发明解决了地下水溶质运移水文地质概念模型的高精度替代问题，可大幅提升污染物运移模拟预测的计算效率，为地下水污染源特征或污染物运移参数反演识别等需要成千上万次调用概念模型的繁冗计算这一问题提供高效解决途径。

技术特征：

1.基于bilstm的强非均质条件下地下水溶质运移智能模拟方法，其特征在于，包括以下步骤：

2.根据权利要求1所述基于bilstm的强非均质条件下地下水溶质运移智能模拟方法，其特征在于，使用模拟退火法优化拉丁超立方抽样算法sa-lhs，随机采样若干组工况。

3.根据权利要求1所述基于bilstm的强非均质条件下地下水溶质运移智能模拟方法，其特征在于，用modflow、mt3dms程序构建地下水溶质运移-双域基准模型。

4.根据权利要求1所述基于bilstm的强非均质条件下地下水溶质运移智能模拟方法，其特征在于，所述地下水溶质运移-双域基准模型的替代模型，包括前向lstm单元和后向lstm单元；该模型基于记忆单元和门控机制学习和保留长期依赖关系；通过多层次的神经元结构和激活函数进行非线性动态建模；使用时间步长的递归方式适应不规则数据间隔。

5.根据权利要求4所述基于bilstm的强非均质条件下地下水溶质运移智能模拟方法，其特征在于，对于给定的污染源s1和s2，在期间sp1、sp2、sp3、sp4这4个应力期内污染物排放强度为xt，t表示时间步，前向lstm单元的输出如下：

6.根据权利要求5所述基于bilstm的强非均质条件下地下水溶质运移智能模拟方法，其特征在于，后向lstm单元的输出如下：

7.根据权利要求6所述基于bilstm的强非均质条件下地下水溶质运移智能模拟方法，其特征在于，前向lstm单元和后向lstm单元在各个时间步t的隐藏状态和拼合，得到观测井obs1、obs2、obs3、obs4、obs5、obs6、obs7对应的地下水污染物浓度ht：

8.基于bilstm的强非均质条件下地下水溶质运移智能模拟系统，其特征在于，包括：

9.一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现所述的基于bilstm的强非均质条件下地下水溶质运移智能模拟方法。

10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，该程序被处理器执行时实现所述的基于bilstm的强非均质条件下地下水溶质运移智能模拟方法。

技术总结
本发明公开了一种基于BiLSTM的强非均质条件下地下水溶质运移智能模拟方法及系统，涉及地下水溶质运移模拟技术领域；包括以下步骤：对水文地质条件进行概化处理，初步构建水文地质概念模型；确定概念模型中污染源特征、含水层参数，随机采样若干组工况；构建强非均质条件下的地下水溶质运移‑双域基准模型；将若干组工况逐一代入所述双域基准模型，构建训练样本集和检验样本集；根据训练样本集，采用深度学习‑BiLSTM算法构建地下水溶质运移‑双域基准模型的替代模型，以此预测观测井的污染物浓度。本发明大幅减少计算时间和成本，实现了对强非均质条件下的地下水溶质时空变化规律的准确刻画，为地下水污染源特征及污染物运移参数反演识别提供高效解决途径。

技术研发人员：柏晓鹏,李恺耕,闫晓惠,王兹尧,汤效平,余依卿,李凌月,王先鹏,李杰,王泽
受保护的技术使用者：大连理工大学
技术研发日：
技术公布日：2024/12/5