CN112147895B - 外源干扰下的水动力循环智能反馈实时控制***及方法 - Google Patents

外源干扰下的水动力循环智能反馈实时控制***及方法 Download PDF

Info

Publication number
CN112147895B
CN112147895B CN202011010501.XA CN202011010501A CN112147895B CN 112147895 B CN112147895 B CN 112147895B CN 202011010501 A CN202011010501 A CN 202011010501A CN 112147895 B CN112147895 B CN 112147895B
Authority
CN
China
Prior art keywords
concentration
phase
repair
component
groundwater
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011010501.XA
Other languages
English (en)
Other versions
CN112147895A (zh
Inventor
何理
尹方平
卢宏玮
李晶
樊星
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN202011010501.XA priority Critical patent/CN112147895B/zh
Publication of CN112147895A publication Critical patent/CN112147895A/zh
Application granted granted Critical
Publication of CN112147895B publication Critical patent/CN112147895B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Computer Hardware Design (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Automation & Control Theory (AREA)
  • Computer Graphics (AREA)
  • Physiology (AREA)
  • Algebra (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Genetics & Genomics (AREA)
  • Processing Of Solid Wastes (AREA)

Abstract

本发明提供一种外源干扰下的水动力循环智能反馈实时控制***及方法，控制方法包括建立三维水气热电多场耦合地下水随机模拟模型，利用该模拟模型获得修复过程中污染物的浓度；通过人工智能的深度学习方法，建立污染物浓度与修复***运行条件的拟合关系；建立目标优化模型，以运行条件与污染物浓度的拟合关系作为约束条件，求解动态变化情景下修复***的最佳运行条件，并通过对地下水指标监测的反馈，实时控制修复***的最佳运行条件。本发明中控制***及方法，能够在外源干扰、不同地下水污染情况、以及特定修复目标下，对最佳适用的运行条件进行确定，且实时获得优化的修复***运行条件。

Description

外源干扰下的水动力循环智能反馈实时控制***及方法
技术领域
本发明属于地下水环境监测和控制领域，具体涉及一种外源干扰下的水动力循环智能反馈实时控制***及方法。
背景技术
现代化发展过程中，不合理的开采和利用地下水，导致地下水资源日益短缺，并且伴随着各种各样的污染问题。考虑到地下水污染危害的严重性，世界各国早已开始研究地下水污染的修复方法，具体可以归纳为水气热电四方面：
(1)水，利用地下水运动实施原位或异位污染物去除，主要针对污染范围较大、污染程度较严重的地下水重金属或有机污染，通常采用渗透反应屏障技术、抽出处理技术和原位微生物修复技术等。渗透反应屏障技术通常在在污染源的下游开挖沟槽，填充反应介质，设置反应墙。抽出处理技术是利用抽水井群，将受污染的地下水抽出地面，并利用地表的处理***对抽出的受污染的地下水进行修复治理。在抽水/注水时，地下水的流场发生改变，在一定水力条件下，可将受污染水体圈闭起来，从而使受污染水体与清洁水体分隔开来。处理后的达标的地下水有些直接使用，多数用于回灌。回灌的地下水与原地下水相混合，一方面对地下污染水体起到稀释的作用，在一定程度上冲洗了含水层介质：另一方面还可以促进地下水良性循环，加速地下水流速从而提升污染物去除速率并减少地下水的处理及修复时间。原位微生物修复技术，向污染场地注入驯化降解菌群或利用土著微生物降解去除污染物。
(2)气，针对地下水中挥发和半挥发性有机污染物的去除，主要处理技术有土壤气相抽提、空气扰动和井中汽提方法等，其共同特点是利用挥发汽化等手段将污染质转移至气相，随气体排出。土壤气相抽提通常采用在包气带中布设注气井和抽气井，使包气带中的污染质进入气相，使用真空泵在地表抽取包气带中的空气，抽出的气体要经过除水汽和碳吸附后排入大气。空气扰动技术一般与土壤气相抽提技术联合使用，通过向地下饱和带注入空气，在污染晕下方形成气流屏障，防止污染晕进一步向下扩散和迁移；在气压梯度作用下，在包气带收集汽化后的污染物。井中汽提方法原理是地下水中挥发性有机物在去除井中汽化，将气体收集至地表处理或在包气带利用微生物降解；部分处理的地下水可注人包气带，逐渐进入水井被抽取处理，进而使地下水迸行循环直至达到修复目的。
(3)热，指热力学修复技术和热解吸修复技术。热力学修复技术利用热传导，热毯、热井或热墙等，或热辐射，无线电波加热等实现对污染土壤的修复。热解吸修复技术，以加热方式将受有机物污染的土壤加热至有机物沸点以上使吸附土壤中的有机物挥发成气态后再分离处理。
(4)电，通过电迁移、电渗透流和电泳方式去除污染物。电迁移是离子或络合离子向相反电极移动，溶于地下水中的带电离子通过该方式去除；电渗透是土壤中的孔隙水在电场中从一极向另一极的定向移动，非离子态污染物随着电渗透流移动而被去除。电泳是带电粒子或胶体在直流电场作用下，牢固地吸附在可移动颗粒上的污染物可采用该方式去除。一般采用将设置电极井，***电极，通直流电后形成电场，进行污染物处理。
目前地下水修复方式单一、或仅为有限且受限的修复方式的组合(多为微生物修复技术与其他技术的组合)，对污染情况特别是复合污染情况，存在处理效率不理想的问题。多种修复方式的灵活采用及合理规划、控制是值得关注的问题。
同时，地下水修复成本较高，以抽出处理技术为例，该技术在应用前期需要打井，井的安装成本与井的数量成正比；运行期间进行抽水，抽水成本与抽水流量成正比；各种设备运行需要电力支持，耗电量直接影响成本；设备需要定期维护，维护成本等。若井位设计不合理例如造成井间距过小，会导致抽水过程中干扰过大，从而还会增加抽水成本和抽水时间。因此，实施投入少、高效的修复方案，对当前我国以有限的资金最大程度的解决环境问题具有十分重大的意义，并且未来的发展方向都会趋向于降低处理成本或改进基于风险的修复措施。除受限于成本之外，修复工程的还可能会对修复时间等有所要求，也就是说，修复过程中需要根据操作者的要求进行修复技术的灵活调整。
考虑到地下水的修复方法均会对地下水的水流运动造成改变(外源干扰)，以及不同地下水污染情况下对处理效果好、成本少的最佳适用的修复技术的选择，有必要提供一种外源干扰下的地下水修复实时控制***及方法，以实时获得优化的修复***运行条件。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种外源干扰下的水动力循环智能反馈实时控制***及方法。
本发明的目的在于提供以下技术方案：
(1)一种外源干扰下的水动力循环智能反馈实时控制方法，该方法包括：
S1：建立三维水气热电多场耦合地下水随机模拟模型，利用该模拟模型获得修复过程中污染物的浓度；
S2：通过人工智能的深度学习方法，建立污染物浓度与修复***运行条件的拟合关系；
S3：建立目标优化模型，以运行条件与污染物浓度的拟合关系作为约束条件，求解动态变化情景下修复***的最佳运行条件，并通过对地下水指标监测的温度、水位和电导率等参数反馈，实时控制修复***的最佳运行条件。
优选地，三维水气热电多场耦合地下水随机模拟模型通过以下方程描述：
式中，k为污染物组分；l代表水、气、油等流动相；φ表示土壤孔隙度；表示组分k总的浓度(单位孔隙体积内组分k的体积)；ρk表示组分k的密度[ML-3]；np表示相的数量；Ckl表示组分k在相l中的浓度(体积比)；/>表示相l的达西速度[LT-1]；Sl表示相l的饱和度(单位孔隙体积内相l的体积)；Rk表示组分k总的源/汇项(单位时间单位孔隙体积内组分k的体积)；/>为扩散张量，/>为相l流速。
优选地，目标优化模型的目标函数为成本最小化，具体公式为：
目标函数：
约束函数：
式中，J为成本；为控制因子；/>为***输出；Eq,IEq为各种等式或不等式约束；tk为第k个采样时间；P为预测周期。
(2)一种外源干扰下的水动力循环智能反馈实时控制***，该***用于实施上述(1)所述的控制方法，该控制***包括：
三维水气热电多场耦合地下水随机模拟模型，用于获得修复过程中污染物的浓度，建立污染物浓度与修复***运行条件的拟合关系；
目标优化模型，用于以运行条件与污染物浓度的拟合关系作为约束条件，求解动态变化情景下修复***的最佳运行条件。
与现有技术相比，本发明提供的一种外源干扰下的水动力循环智能反馈实时控制***及方法具有以下有益效果：
建立生物强化的三维水气热电多场耦合地下水随机模拟模型，用模拟模型支撑地下水原位修复过程；通过进行地下水原位修复试验，模拟有机物泄漏溢出阈值后的地下水修复过程，通过观测数据进行参数校准和验证，不断改进三维水气热电多场耦合地下水随机模拟模型，提高了模型准确性和可靠性；
以修复目标如修复***运行成本最小化为目标，能够建立非线性离散优化模型，通过遗传算法求解动态变化情景下修复***的最佳运行条件，并通过自动监测***实现智能反馈，实时控制修复***的最佳运行条件。
附图说明
为了更清楚地说明本发明实施例，下面将对实施例描述中所需要使用的附图作简单地介绍。
图1示出本发明中外源干扰下的水动力循环智能反馈实时控制方法的流程示意图；
图2示出本发明中智能反馈实时控制的流程示意图；
图3示出实施例中为模拟石油类地下水污染修复场地的中试***初步设计布置图；
图4示出中试***中布井位置；
图5示出中试***中井位的平面图；
图6示出实验第57天苯的浓度分布；
图7示出井5和井6的验证结果对比；
图8示出修复期间的最佳抽出/注入速率；
图9示出修复过程中苯去除率；
图10示出第2天到第22天对苯的预测修复结果，显示第2、6、10、14、18和22天的苯浓度；
图11示出第2天至第22天的9个虚拟井的苯浓度。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。
为解决现有修复技术在污染特别是复合污染情况下，修复方式单一，导致修复效果不理想的问题，同时满足管理人员的目标需求(如在满足修复水平的前提下控制污染修复成本)，本发明人基于抽出处理技术作为目前应用最为广泛的地下水污染治理技术及其存在的优点，确定以抽出处理技术灵活结合电动修复等其他外源干扰驱动实施地下水污染修复为研究基础，通过建立三维地下水修复模拟模型和目标优化模型，实施动态条件下修复***运行条件的实时调控。
本发明中采用抽出处理技术灵活结合其他修复技术实施地下水污染修复的原因在于：a.抽出处理技术需要开设抽吸井和注入井实施污染地下水的抽提以及处理剂或处理后地下水的回灌，而其他修复技术如空气扰动、电动修复均需要开设对应的注气井或电极井，将多种方式结合，一井多用，利于降低安装和维护费用；b.多种修复技术的结合，实时控制且灵活选用修复技术，能够提高污染物处理效率，对污染物的适用范围更广；c.允许多种修复技术存在，在不同的时段能够满足对更加适宜地下水处理的修复方式的选择，同时也利于满足管理人员的目标需求。
如图1所示，本发明提供的一种外源干扰下的水动力循环智能反馈实时控制方法，该方法包括：
S1：建立三维水气热电多场耦合地下水随机模拟模型，利用该模拟模型获得修复过程中污染物的浓度；
S2：通过人工智能的深度学习方法，建立污染物浓度与修复***运行条件的拟合关系；
S3：建立目标优化模型，以运行条件与污染物浓度的拟合关系作为约束条件，求解动态变化情景下修复***的最佳运行条件，并通过对地下水指标监测的温度、水位和电导率等参数反馈，实时控制修复***的最佳运行条件。
本发明中，外援干扰力是指水气热电多种修复方式的操作，这是由于该多种修复方式的操作均会对水流场产生影响。
地下水存在于地面以下土壤或岩石空隙中，考虑到地下环境和污染物来源，污染物不仅存在于水相中，还可以存在气相、油相中。污染物修复过程可以用一套三维水气热电多场耦合地下水随机模拟模型进行描述，用模型支撑地下水原位修复过程。根据一定的假设，模型主要通过式(1)中的质量守恒方程描述：
式中，k为污染物组分；l代表水、气、油等流动相；φ表示土壤孔隙度；表示组分k总的浓度(单位孔隙体积内组分k的体积)；ρk表示组分k的密度[ML-3]；np表示相的数量；Ckl表示组分k在相l中的浓度(体积比)；/>表示相l的达西速度[LT-1]；Sl表示相l的饱和度(单位孔隙体积内相l的体积)；Rk表示组分k总的源/汇项(单位时间单位孔隙体积内组分k的体积)；/>为扩散张量。
其中，为相l流速，与修复效果和修复***的运行条件密切相关，如l为水相时，/>关系到水流量，进而对抽取地下水和回灌地下水的流速产生限制。本发明中，/>可以通过达西定理的多相形式进行计算：
式中，krl为多孔媒介相对相l的渗透率；为内在渗透张量[L2]；μl为相l的粘度[ML-2T-1]；ρl为相l的密度[ML-3]；g为重力加速度[LT-2]；z为垂直距离，定义向下为正向[L]；Pl为相l的压力[ML-1T-2]。
本发明中采用的三维多场模拟模型考虑到三个方向上污染物的迁移，相较于现有技术中对二维模拟模型，对污染物的迁移模拟更为准确，贴合实际迁移规律。
在一个实施例中，生物强化技术能够用于扩大地下污染区土壤孔隙度，增大微生物原位修复作用半径；高效输送微生物以及营养物质，有效利用降解菌，避免污染的扩散并深度降解有机污染物污染；缩短微生物修复周期，极大提高修复效率。优选原位微生物修复技术作为必要的修复技术用于地下水污染修复。
在含水层中，可生物降解的有机组分能够溶解到水中，成为水中游离细菌的基质，这种基质大部分能够通过生物降解反应，随附着的生物质从水中清除。
考虑到修复***的高复杂性和其动态变化过程，在建立模拟模型时可能会遗漏一些重要信息，本发明通过地下水原位修复小试实验，模拟有机物泄漏溢出阈值后的地下水修复过程，通过观测数据进行参数校准和验证，不断改进三维水气热电多场耦合地下水随机模拟模型，提高模型准确性和可靠性。其中，进行校准和验证的参数为泄露的污染物浓度、化学需氧量(COD)、生化需氧量(BOD)、溶解有机碳(DOC)等，该参数取值根据不同的地下水污染情况和修复运行条件而有不同的选择。
在本发明中，在地下水原位修复小试实验中，还包括采用人工智能的深度学习方法，模拟动态变化情景下地下水修复***的修复效果。通过分析大量的模拟运行结果，建立污染物浓度与修复操作条件之间的关系。模拟过程基于特定污染情况，用方程X＝G(U)来描述地下水原位修复具体过程，X＝(x1,x2,…,xn)是固定参数，U＝(u1,u2,…,um)是可变参数。人工智能的深度学习方法将不同运行条件下对应的污染物修复浓度作为因变量即X，运行条件和初始污染状况是自变量即U，关系为：
U(t)＝f(X(t))
FCI仿真模拟过程为基于人工智能的深度学习方法，主要是用来模拟外源干扰下地下水污染修复过程的模拟，可以用以下方程表示:
X(t+1)＝f(X(t),U(t))
上述运行条件包括面对当前污染情况下，修复技术的配合使用方式、使用顺序、以及各修复技术的运行参数，例如，在当前情况地下水污染情况下，选择抽出处理技术和原位微生物修复相结合，开启设定A组抽提井-注入井，确定泵送/注入速率等参数，修复B天后，更换为电动修复技术，开启设定C组电极井，设定电压强度等各参数，修复D天，上述操作均为运行条件。
在本发明中，通过人工智能的深度学习方法，建立污染物浓度与修复***运行条件的拟合关系，设计动态变化情景下修复***运行条件对关键位置污染物浓度的影响，模拟外源干扰下的原位地下水修复过程。通过上述操作，利于在实际动态变化情景下，对运行条件的选择；以及在多种运行条件满足控制污染时，选择更加满足操作者需求(如成本最低或时间最短等)的运行条件。
在修复过程中，修复***需要满足不断变化的各种水文地质条件以及人为因素。因此，需要开发一套智能反馈实时控制***以保证地下水中污染物浓度满足所规定的地下水环境质量标准。该控制***必须满足一系列约束条件。例如，抽吸泵必须保持一定的有效吸水压头，贮罐不应溢出或排空，泵的最大抽取率必须在其额定功率下使用。以上要求表明，需要在修复过程中借助于人工参与(设计者、操作者)和合理配置仪器设备(传感器、调节阀、控制器、计算机)来实现控制目标。总的来说，控制***应满足的基本要求包括：抑制外部扰动的影响，确保技术运行过程中的稳定性，使修复过程的工况达到实时的最优化。
如图2所示，X(t)初始设定的污染物修复浓度，作为三维水气热电多场耦合的输入条件，U(t)为污染场地初始状况，对多场耦合修复起到负调节作用，Xr(t|1)为修复***优化控制的输入对三维耦合场地起到正调节。U’(t)为经过多场耦合修复后的污染产地情况，和X(t)在动态变化情境下，作为地下水修复原位生物强化修复模拟预测器和修复回归分析的输入条件，修复并进行回归分析输出Xp(t+1)对修复***进行反馈调节。最终输出X(t+1)，进行人工智能深度学习。
在本发明中，X、X、x与x含义相同。
在本发明中，控制***通过目标优化模型实现，当控制需求为修复***运行成本最小化时，J为成本，建立式(11)非线性离散优化模型，通过遗传算法求解动态变化情景下修复***的最佳运行条件。具体公式为：
目标函数：
约束函数：
式中，为控制因子，如运行条件；/>为***输出，如污染物浓度；Eq,IEq为各种等式或不等式约束，如污染物浓度与运行条件的拟合关系；tk为第k个采样时间；P为预测周期。可以知道，目标函数J可以根据不同的控制需求采用不同的形式。
如果限制为线性的，则该模型中的非线性优化可以转化为二次优化问题(QP)。具体的来说，以上QP问题可以转化为：
式中，xr(t+i)为参考值，xn(t+i)模型预测值，Δu(t+i)指控制增量，定义为u(t+i)-u(t+i-1)，λ输入的权重因子，N1,N2分别为最小的和最大的预测周期，Nμ为控制周期，u(t+i))为期望输出。以上模型的求解需要应用启发式的现代优化算法，如遗传算法来实现。
由于地下水污染情况随着修复过程而不断变化，通过自动监测***(即用于检测地下水的设备的集合)对地下水情况进行监控和智能反馈，利用目标优化模型，能够实时控制修复***的最佳运行条件。
本发明的另一方面在于，提供一种外源干扰下的水动力循环智能反馈实时控制***，用于实施上述外源干扰下的水动力循环智能反馈实时控制方法，该控制***包括：
三维水气热电多场耦合地下水随机模拟模型，用于获得修复过程中污染物的浓度，建立污染物浓度与修复***运行条件的拟合关系；
目标优化模型，用于以运行条件与污染物浓度的拟合关系作为约束条件，求解动态变化情景下修复***的最佳运行条件。
其中，三维水气热电多场耦合地下水随机模拟模型通过以下方程描述：
式中，k为污染物组分；l代表水、气、油等流动相；φ表示土壤孔隙度；表示组分k总的浓度(单位孔隙体积内组分k的体积)；ρk表示组分k的密度[ML-3]；np表示相的数量；Ckl表示组分k在相l中的浓度(体积比)；/>表示相l的达西速度[LT-1]；S l表示相l的饱和度(单位孔隙体积内相l的体积)；Rk表示组分k总的源/汇项(单位时间单位孔隙体积内组分k的体积)；/>为扩散张量，/>为相l流速。
当目标优化模型的目标函数为成本最小化，具体公式为：
目标函数：
约束函数：
式中，J为成本；为控制因子；/>为***输出；Eq,IEq为各种等式或不等式约束；tk为第k个采样时间；P为预测周期。
也就是说，该智能反馈实时控制***能够根据地下水基本参数，如地下水水位、电导率、土壤孔隙度，以及人为因素，对修复条件进行动态调节。
实施例
将上述方法应用于某油田石油类地下水污染修复场地。为了模拟自然条件下地下含水层的情况，拟设计一套中试***(反应器)。该***呈长方体形，尺寸为L×W×H＝3.6×1.2×1.0m3(如图3)。反应器分为四节，每一节反应器装有一定数量的采样孔(监测井)，呈方阵排列。采样器从采样孔进入反应器，获取不同位置及深度的土壤和水样。采样器利用不锈钢制成，用于采集土壤与地下水样。采样器可以垂直向移动，从而可以获得不同深度与位置的样品。采样器分两种类型，分别用以采集土样与水样。有机物浓度采用Varian CP-3800气相色谱仪(GC)测定该色谱仪采用微机控制，用于分析气相(土壤包气带中)与液相(水样中)中有机污染物的含量。
根据土壤剖面的特征、有机污染物的迁移及污染物羽流运动，选取6个井(5号井、7号井、8号井、10号井、11号井和12号井)中苯的浓度代表地下水污染情况(浓度表示为和/>)。为了反映尽可能多的污染情况，设置苯浓度水平范围变化较大，其最大浓度为30mg/L，最小浓度为0mg/L。在该范围内，对于每个相关井(监测井)随机产生50个浓度水平，进而设置产50种污染情景。
图3示出拟设计的中试***平面图，即初步设计时的布置图；图4示出根据污染场地污染物测量和地质地质条件实际布井位置，以及模拟过程中假想井的位置；图5示出分层监测时第三和第四监测阶段监测井井位平面图。
通过地下水泵***输送受污染的含水层循环养分和氧气。该过程涉及两部分：通过两个注入井将充气和富含营养物和生物质的水引入污染区；通过两个提取井回收下降梯度的水。通过污染区循环，以确保氧气、养分、污染物和微生物之间的混合和紧密接触。因此，泵送/注入速率直接影响污染物去除效率和***操作成本。选定井的泵送/注入速率被确定为主要控制条件。基于修复***中的土壤孔隙度和渗透率，通过开发的生物强化地下水修复模型对其进行验证来确定泵送/注入速率的范围。最大流速设定为40L/d，而最小流速设定为10L/d。注入流体中的生物量、氧气、营养物浓度分别为20、8、1500(mg/L)。随机生成了50个操作条件的情景，相关的控制变量表示为u1(井I的注入速率，L/d)、u2(井Ⅱ的注入速率，L/d)、u3(井III的提取率，L/d)和u4(井IV的提取率，L/d)。
50个污染水平情景和50个运行条件情景的组合产生了2500个情景。相应地，有机物污染的生物强化地下水修复模型生成2500组动态情景。结果表明，修复开始后18天，地下水中的苯浓度显着降低。设定修复时间为22天，并被分成11个2天的周期。对于每种污染水平情景(和/>)，可以从模拟运行中获得50组关于特定位置苯浓度去除百分比(η)和生物强化的地下水原位修复的操作条件的数据(u1,u2,u3,和u4)。
在回归分析***中，通过人工智能的深度学***均值为0.36mg/L。均方根误差为0.47mg/L，相关系数为0.93。图6显示了第57天的验证结果。图7显示了井5和井6中苯浓度随时间变化的验证结果。经校准和验证后，此模拟模型可用于研究不同生物修复对苯浓度的影响。将第57天的初始污染物浓度分布作为***的初始条件。图8显示了11个时间段内最佳操作条件。图9显示了修复过程中苯的去除率。发现在修复过程中(第12天至第16天，第18天至第22天)有两个平台期。
到监测期结束时，修复场地已达到清理目标，意味着模拟域中任何地方的苯浓度已降至300μg/L以下，去除率为93％。图10显示了从第2天到第22天的DPC***(苯污染区域地下水***)的预测修复结果。结果表明在修复过程中污染水平已显着降低。为了反映修复***的效率，从模拟域中选择了9个虚拟井(HW)。图11显示了第2天至第22天的9个虚拟井的苯浓度，其预测数据的分析表明，修复前10天的苯浓度在某些地方缓慢下降甚至增加，泵送/注入速率也相应增加。污染物浓度增加的信号触发了必要的过程控制操作调整。运行10天后，大多数位置的污染物浓度都有所降低，泵送/注入速率也相应地从第12天开始减少。
通过上述实施例，对本发明的目的、技术方案和有益效果进行了详细说明，然而以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种外源干扰下的水动力循环智能反馈实时控制方法，其特征在于，该方法包括：
S1：建立三维水气热电多场耦合地下水随机模拟模型，利用该模拟模型获得修复过程中污染物的浓度；
S2：通过人工智能的深度学习方法，建立污染物浓度与修复***运行条件的拟合关系；
S3：建立目标优化模型，以运行条件与污染物浓度的拟合关系作为约束条件，求解动态变化情景下修复***的最佳运行条件，并通过对地下水指标监测的温度、水位和电导率等参数反馈，实时控制修复***的最佳运行条件；
步骤S1中，三维水气热电多场耦合地下水随机模拟模型通过以下方程描述：
式中，k为污染物组分；l代表水、气、油等流动相；φ表示土壤孔隙度；表示组分k总的浓度(单位孔隙体积内组分k的体积)；ρk表示组分k的密度[ML-3]；np表示相的数量；Ckl表示组分k在相l中的浓度(体积比)；/>表示相l的达西速度[LT-1]；Sl表示相l的饱和度(单位孔隙体积内相l的体积)；Rk表示组分k总的源/汇项(单位时间单位孔隙体积内组分k的体积)；为扩散张量；
步骤S3中，目标优化模型的目标函数为成本最小化，具体公式为：
目标函数：
约束函数：
式中，J为成本；为控制因子；/>为***输出；Eq,IEq为各种等式或不等式约束；tk为第k个采样时间；P为预测周期。
2.根据权利要求1所述的外源干扰下的水动力循环智能反馈实时控制方法，其特征在于，可以通过以下方程计算：
式中，krl为多孔媒介相对相l的渗透率；为内在渗透张量[L2]；μl为相l的粘度[ML-2T-1]；ρl为相l的密度[ML-3]；g为重力加速度[LT-2]；z为垂直距离，定义向下为正向[L]；Pl为相l的压力[ML-1T-2]。
3.根据权利要求1所述的外源干扰下的水动力循环智能反馈实时控制方法，其特征在于，步骤S2中，人工智能的深度学习方法将不同运行条件下对应的污染物修复浓度作为因变量即X，运行条件和初始污染状况是自变量即U，建立污染物浓度与修复***运行条件的拟合关系，关系为：
U(t)＝f(X(t))
FCI仿真模拟过程如下所示:
X(t+1)＝f(X(t),U(t))。
4.根据权利要求1所述的外源干扰下的水动力循环智能反馈实时控制方法，其特征在于，步骤S2中还包括，通过地下水原位修复试验，模拟污染物泄漏溢出阈值后的地下水修复过程，通过观测数据进行三维水气热电多场耦合地下水随机模拟模型中参数的校准和验证。
5.根据权利要求1所述的外源干扰下的水动力循环智能反馈实时控制方法，其特征在于，当限制为线性时，目标优化模型中的公式如下：
式中，xr(t+i)为作为标准的参考值，xn(t+i)模型预测值，Δu(t+i)指控制增量，定义为u(t+i)-u(t+i-1)，λ输入的权重因子，N1,N2分别为最小的和最大的预测周期，Nμ为控制周期，u(t+i)为期望输出。
6.一种外源干扰下的水动力循环智能反馈实时控制***，该***用于实施权利要求1至5之一所述的控制方法，其特征在于，该控制***包括：
三维水气热电多场耦合地下水随机模拟模型，用于获得修复过程中污染物的浓度，建立污染物浓度与修复***运行条件的拟合关系；
目标优化模型，用于以运行条件与污染物浓度的拟合关系作为约束条件，求解动态变化情景下修复***的最佳运行条件。
7.根据权利要求6所述的外源干扰下的水动力循环智能反馈实时控制***，其特征在于，三维水气热电多场耦合地下水随机模拟模型通过以下方程描述：
式中，k为污染物组分；l代表水、气、油等流动相；φ表示土壤孔隙度；表示组分k总的浓度(单位孔隙体积内组分k的体积)；ρk表示组分k的密度[ML-3]；np表示相的数量；Ckl表示组分k在相l中的浓度(体积比)；/>表示相l的达西速度[LT-1]；Sl表示相l的饱和度(单位孔隙体积内相l的体积)；Rk表示组分k总的源/汇项(单位时间单位孔隙体积内组分k的体积)；为扩散张量。
CN202011010501.XA 2020-09-23 2020-09-23 外源干扰下的水动力循环智能反馈实时控制***及方法 Active CN112147895B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011010501.XA CN112147895B (zh) 2020-09-23 2020-09-23 外源干扰下的水动力循环智能反馈实时控制***及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011010501.XA CN112147895B (zh) 2020-09-23 2020-09-23 外源干扰下的水动力循环智能反馈实时控制***及方法

Publications (2)

Publication Number Publication Date
CN112147895A CN112147895A (zh) 2020-12-29
CN112147895B true CN112147895B (zh) 2024-04-05

Family

ID=73896315

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011010501.XA Active CN112147895B (zh) 2020-09-23 2020-09-23 外源干扰下的水动力循环智能反馈实时控制***及方法

Country Status (1)

Country Link
CN (1) CN112147895B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113219917B (zh) * 2021-04-21 2022-03-29 天津大学 一种非一致性判别引导式孪生模型的生物修复强化工艺
CN114974442B (zh) * 2022-05-27 2024-07-09 吉林大学 一种用于有机污染场地的多相抽提修复方法
CN115688636B (zh) * 2022-12-29 2023-04-07 浙江远算科技有限公司 一种基于计算流体力学的大气环境污染修复仿真方法及***

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102272415A (zh) * 2008-09-26 2011-12-07 西里斯能源公司 评估、设计和优化原位生物转化过程的方法
CN102992417A (zh) * 2012-08-29 2013-03-27 华北电力大学 一种石油污染地下水的原位修复的决策方法
CN103489053A (zh) * 2013-05-13 2014-01-01 湖南云控科技有限公司 一种基于云计算与专家***的智能水资源管控平台
CN103712939A (zh) * 2013-12-30 2014-04-09 张显超 一种基于紫外可见光谱的污染物浓度拟合方法
CN107525907A (zh) * 2017-10-16 2017-12-29 中国环境科学研究院 地下水污染监测网多目标优化方法
CN109190280A (zh) * 2018-09-18 2019-01-11 东北农业大学 一种基于核极限学习机替代模型的地下水污染源反演识别方法
CN109284571A (zh) * 2018-10-19 2019-01-29 西南石油大学 一种二氧化碳置换页岩气多尺度多场耦合渗流数学建模方法
CN110355193A (zh) * 2019-07-19 2019-10-22 中国科学院南京土壤研究所 一种基于动态地下水循环的污染场地原位修复方法
CN111008920A (zh) * 2019-11-07 2020-04-14 上海勘察设计研究院(集团)有限公司 一种基于地下水位波动效应的污染场地调查方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102272415A (zh) * 2008-09-26 2011-12-07 西里斯能源公司 评估、设计和优化原位生物转化过程的方法
CN102992417A (zh) * 2012-08-29 2013-03-27 华北电力大学 一种石油污染地下水的原位修复的决策方法
CN103489053A (zh) * 2013-05-13 2014-01-01 湖南云控科技有限公司 一种基于云计算与专家***的智能水资源管控平台
CN103712939A (zh) * 2013-12-30 2014-04-09 张显超 一种基于紫外可见光谱的污染物浓度拟合方法
CN107525907A (zh) * 2017-10-16 2017-12-29 中国环境科学研究院 地下水污染监测网多目标优化方法
CN109190280A (zh) * 2018-09-18 2019-01-11 东北农业大学 一种基于核极限学习机替代模型的地下水污染源反演识别方法
CN109284571A (zh) * 2018-10-19 2019-01-29 西南石油大学 一种二氧化碳置换页岩气多尺度多场耦合渗流数学建模方法
CN110355193A (zh) * 2019-07-19 2019-10-22 中国科学院南京土壤研究所 一种基于动态地下水循环的污染场地原位修复方法
CN111008920A (zh) * 2019-11-07 2020-04-14 上海勘察设计研究院(集团)有限公司 一种基于地下水位波动效应的污染场地调查方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
InSAR Assessment of Surface Deformations in Urban Coastal Terrains Associated With Groundwater Dynamics;Jonathan C. L. Normand;《IEEE Transactions on Geoscience and Remote Sensing 》;全文 *
基于多相流模型和探地雷达正演模拟的LNAPLs 探测研究;佘松盛等;《地球物理学进展》;全文 *
寒区石油污染场地浅层地下水原位增温强化空气扰动修复 初;初彤等;《化工学报》;全文 *

Also Published As

Publication number Publication date
CN112147895A (zh) 2020-12-29

Similar Documents

Publication Publication Date Title
AU2020102748A4 (en) Intelligent feedback real-time control system and method for hydrodynamic circulation under external interference
CN112147895B (zh) 外源干扰下的水动力循环智能反馈实时控制***及方法
Minsker et al. Dynamic optimal control of in-situ bioremediation of ground water
CN106269843A (zh) 一种重金属‑有机复合污染土壤的原位修复方法
US5730550A (en) Method for placement of a permeable remediation zone in situ
Chilingar et al. Electrobioremediation of soils contaminated with hydrocarbons and metals: progress report
CN105880276A (zh) 镉、铅污染土壤的修复方法及电动-微生物联合可渗透反应墙修复装置
Hoffman Ground‐water remediation using “Smart Pump and Treat”
CN110883085A (zh) 一种针对有机农药污染的erb联合修复方法和修复装置
CN111994973A (zh) 一种地下水卤代烃原位多级循环修复***
Huang et al. Integrated simulation-optimization approach for real-time dynamic modeling and process control of surfactant-enhanced remediation at petroleum-contaminated sites
CN103736718A (zh) 重金属污染土壤的电动修复方法及其装置
Liu et al. Field‐scale monitoring test of aeration for enhancing biodegradation in an old landfill in China
CN113426816B (zh) 一种污染场地智能修复***及修复方法
Zheng et al. Passive convergence-permeable reactive barrier (PC-PRB): An effective configuration to enhance hydraulic performance
CN103613236B (zh) 一种曲流式地下水污染修复装置
CN114974442B (zh) 一种用于有机污染场地的多相抽提修复方法
CN115301718B (zh) 一种土壤修复多相抽提设备性能优化方法
CN215905884U (zh) 一种用于地下水btex污染原位热修复实验模拟装置
Sun et al. A numerical simulation of thermally-enhanced soil vapor extraction with a validation of an actual contaminated site
CN112588804A (zh) 一种原位水力循环修复过程效果分析评价方法
CN102218443A (zh) 一种新型电动注入微生物工艺
Huang et al. IPCS: An integrated process control system for enhanced in-situ bioremediation
CN110563126A (zh) 地下水中挥发性有机物修复***及修复方法
Sims et al. In Situ Bioremediation of Contaminated Unsaturated Subsurface Soils 1

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant