CN114818548A - 一种基于卷积生成对抗网络的含水层参数场反演方法 - Google Patents
一种基于卷积生成对抗网络的含水层参数场反演方法 Download PDFInfo
- Publication number
- CN114818548A CN114818548A CN202210738233.6A CN202210738233A CN114818548A CN 114818548 A CN114818548 A CN 114818548A CN 202210738233 A CN202210738233 A CN 202210738233A CN 114818548 A CN114818548 A CN 114818548A
- Authority
- CN
- China
- Prior art keywords
- parameter field
- aquifer
- convolution
- normal distribution
- sample
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000009826 distribution Methods 0.000 claims abstract description 53
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 45
- 238000004088 simulation Methods 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000009499 grossing Methods 0.000 claims abstract description 15
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 9
- 102100036790 Tubulin beta-3 chain Human genes 0.000 claims description 6
- 238000013515 script Methods 0.000 claims description 4
- 102100036788 Tubulin beta-4A chain Human genes 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 230000003042 antagnostic effect Effects 0.000 claims 4
- 230000008485 antagonism Effects 0.000 abstract 1
- 239000013598 vector Substances 0.000 abstract 1
- 230000035699 permeability Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 239000000700 radioactive tracer Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000003911 water pollution Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Geophysics And Detection Of Objects (AREA)
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
Abstract
本发明公开了一种基于卷积生成对抗网络的含水层参数场反演方法,利用卷积生成对抗网络构建和学***滑算法结合,基于地下水流‑溶质运移数值模型、水头和浓度观测数据,只需估计低维正态分布变量,即可高效可靠地实现复杂非均质含水层参数场反演,进而有效提高地下水数值模型的仿真性和可靠性。
Description
技术领域
本发明涉及一种基于卷积生成对抗网络的含水层参数场反演方法,属于水文地质领域地下水数值模拟反演技术领域。
背景技术
地下水流-溶质运移数值模拟技术是再现和预测含水层中水流和溶质运移过程的重要工具,已被广泛应用于地下水污染过程研究、地下水污染溯源和风险评估等领域。
为了得到可靠的地下水流-溶质运移数值模拟结果,需要准确刻画含水层的参数场。由于地下介质的非均质性和观测数据缺乏,直接基于钻井数据刻画参数场的分布具有很大不确定性,影响模拟结果的可靠性。因此,通常需要基于水头和浓度等观测数据通过反演模拟对参数场进一步推估校正。
然而,直接对非均质参数场进行反演,会由于待估计的参数过多造成巨大的计算量(即“维数灾难”问题)。为了减少估计参数的数量,通常需要对参数场的非均质性进行简化,以此来减少求解反演问题的计算量,但这会降低模型的保真性和仿真性,进而限制地下水流-溶质运移数值模拟技术的可靠性和应用范围。为了提高含水层参数场反演的效率和可靠性,将深度学习技术与传统反演方法结合是一种值得探索的方案。
发明内容
本发明目的在于,克服现有技术存在的技术缺陷,提供一种基于卷积生成对抗网络的含水层参数场反演方法,该方法通过发展和应用卷积生成对抗网络,实现对复杂非均质含水层参数场的简单参数化表征,在反演计算中,只需估计低维标准正态分布变量,即可高效可靠地实现复杂非均质含水层参数场的反演,从而提高地下水流-溶质运移模拟技术的可靠性。
本发明采用如下技术方案:一种基于卷积生成对抗网络的含水层参数场反演方法,包括如下步骤:
步骤SS1:收集含水层地质参数先验资料,由地质统计软件随机生成满足先验信息的含水层参数场样本集;
步骤SS2:将所述含水层参数场样本集输入到卷积生成对抗网络,对其地质统计特征进行学习,并基于所述含水层参数场样本集构建低维标准正态分布和其地质统计特征之间的映射关系,建立含水层参数场生成模型;
步骤SS3:构建地下水流-溶质运移初始数值模型,模拟水流和溶质运移过程;
步骤SS4:随机生成一系列低维标准正态分布变量样本,并输入到训练好的卷积生成对抗网络,得到对应的含水层参数场样本;
步骤SS5:将步骤SS4中生成的含水层参数场样本输入到所述步骤SS3中的所述地下水流-溶质运移数值模型中,获得观测点处的水头和浓度模拟值;
步骤SS6:基于水头和浓度的模拟值和观测值,利用多步数据同化集合平滑算法,更新低维标准正态分布变量样本;
步骤SS7:将步骤SS6中更新后的低维标准正态分布变量样本,输入到训练好的卷积生成对抗网络,得到更新后的含水层参数场样本,并输入所述地下水流-溶质运移数值模型,得到更新后的含水层参数场对应的观测点处水头和浓度模拟值;
步骤SS8:重复步骤SS6和步骤SS7,直到达到预设的收敛标准;将最后一次迭代得到的低维标准正态分布变量样本,输入到卷积生成对抗网络,得到对应的后验含水层参数场。
作为一种较佳的实施例,所述步骤SS1包括:生成满足含水层地质参数先验资料的随机参数场样本。
作为一种较佳的实施例,所述步骤SS2具体包括:所述卷积生成对抗网络包含生成器G和判别器D;所述生成器G用于:学习含水层参数场的地质统计特征、构建低维标准正态分布和其地质统计特征之间的映射关系,形成含水层参数场生成模型,即给定低维标准正态分布变量输入,生成含水层参数场样本;所述判别器D用于判断生成器G生成的含水层参数场样本是否符合地质统计特征。
作为一种较佳的实施例,所述步骤SS2中的卷积生成对抗网络的生成器G和判别器D进行交替对抗训练,生成器G训练所采用的损失函数为:
判别器D训练所采用的损失函数为:
作为一种较佳的实施例,所述的卷积生成对抗网络的生成器G采用卷积多重残差密集块代替传统卷积层作为网络的基本架构。
作为一种较佳的实施例,所述的卷积生成对抗网络的生成器G为全卷积网络,即生成器G中全为卷积层,不含全连接层。
作为一种较佳的实施例,所述步骤SS6中的多步数据同化集合平滑算法,采用如下公式更新待估计参数样本:
公式(3)中,i=1, …, N iter为迭代因子,共N iter次迭代;j=1, …, N e为样本因子,集合中共包含N e个样本;和分别表示更新前后的参数,表示参数和观测值的交互协方差矩阵,为观测误差协方差矩阵,为扰动因子,为添加扰动后的观测值,扰动误差为正态分布,所述扰动误差的协方差矩阵为,为给定输入参数条件下的模型模拟值。
作为一种较佳的实施例,所述步骤SS6中采用的多步数据同化集合平滑算法,只需反演低维标准正态分布变量,再输入到卷积对抗生成网络即可获得对应的含水层参数场。
作为一种较佳的实施例,所述步骤SS6~步骤SS8循环通过编写Python脚本自动实现如下过程:给定低维标准正态分布样本输入生成含水层参数场实现、运行地下水流-溶质运移模型获取水头和溶质浓度模拟值、调用多步数据同化集合平滑算法更新低维标准正态分布样本、判断是否达到收敛标准、输出后验样本。
本发明所达到的有益效果:本发明利用卷积生成对抗网络将复杂的含水层非均质参数场映射到低维标准正态分布空间,在保留参数场非均质特征的前提下,相比现有技术能大幅减少反演参数的数量,从而显著提高含水层参数场反演的效率和地下水流-溶质运移模拟技术的可靠性。
附图说明
图1为本发明涉及的基于卷积生成对抗网络的含水层参数场反演流程框架示意图。
图2为卷积生成对抗网络的结构示意图,卷积层和转置卷积层中,均包含3个部分:卷积/转置卷积、批归一化和激活函数,生成器采用ReLU激活函数,判别器采用LeakyReLU激活函数,生成器的最后一个卷积层只包含卷积操作。
图3为卷积生成对抗网络采用的卷积多重残差密集块结构示意图,采用两重残差连接结构。
图4为地质统计软件GSLIB和卷积生成对抗网络生成的随机对数渗透系数场样本比较。
图5为目标含水层对数渗透系数场、随机生成的先验对数渗透系数场、反演得到的后验对数渗透系数场和后验样本的标准差场,其中黑色菱形点为示踪剂释放位置、白色圆点为水头和浓度观测点位置。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例1:如图1所示,本发明提出一种基于卷积生成对抗网络的含水层参数场反演方法,其特征在于,包括如下步骤:
步骤SS1:收集含水层地质参数先验资料,由地质统计软件随机生成满足先验信息的含水层参数场样本集;
步骤SS2:将所述含水层参数场样本集输入到卷积生成对抗网络,对其地质统计特征进行学习,并基于所述含水层参数场样本集构建低维标准正态分布和其地质统计特征之间的映射关系,建立含水层参数场生成模型;
步骤SS3:构建地下水流-溶质运移初始数值模型,模拟水流和溶质运移过程;
步骤SS4:随机生成一系列低维标准正态分布变量样本,并输入到训练好的卷积生成对抗网络,得到对应的含水层参数场样本;
步骤SS5:将步骤SS4中生成的含水层参数场样本输入到所述步骤SS3中的所述地下水流-溶质运移数值模型中,获得观测点处的水头和浓度模拟值;
步骤SS6:基于水头和浓度的模拟值和观测值,利用多步数据同化集合平滑算法,更新低维标准正态分布变量样本;
步骤SS7:将步骤SS6中更新后的低维标准正态分布变量样本,输入到训练好的卷积生成对抗网络,得到更新后的含水层参数场样本,并输入所述地下水流-溶质运移数值模型,得到更新后的含水层参数场对应的观测点处水头和浓度模拟值;
步骤SS8:重复步骤SS6和步骤SS7,直到达到预设的收敛标准;将最后一次迭代得到的低维标准正态分布变量样本,输入到卷积生成对抗网络,得到对应的后验含水层参数场。
作为一种较佳的实施例,所述步骤SS1包括:生成满足含水层地质参数先验资料的随机参数场样本。
作为一种较佳的实施例,所述步骤SS2具体包括:所述卷积生成对抗网络包含生成器G和判别器D;所述生成器G用于:学习含水层参数场的地质统计特征、构建低维标准正态分布和其地质统计特征之间的映射关系,形成含水层参数场生成模型,即给定低维标准正态分布变量输入,生成含水层参数场样本;所述判别器D用于判断生成器G生成的含水层参数场样本是否符合地质统计特征。
作为一种较佳的实施例,所述步骤SS2中的卷积生成对抗网络的生成器G和判别器D进行交替对抗训练,生成器G训练所采用的损失函数为:
判别器D训练所采用的损失函数为:
作为一种较佳的实施例,所述的卷积生成对抗网络的生成器G采用卷积多重残差密集块代替传统卷积层作为网络的基本架构,使得网络训练更稳定、其学习低维标准正态分布到地质统计特征复杂映射的能力更强。
作为一种较佳的实施例,所述的卷积生成对抗网络的生成器G为全卷积网络,即生成器G中全为卷积层,不含全连接层。这种全卷积网络结构不仅能够充分学习含水层参数场的空间统计特征,而且能显著减少网络参数的数量。
作为一种较佳的实施例,所述步骤SS6中的多步数据同化集合平滑算法,采用如下公式更新待估计参数样本:
公式(3)中,i=1, …, N iter为迭代因子,共N iter次迭代;j=1, …, N e为样本因子,集合中共包含N e个样本;和分别表示更新前后的参数,表示参数和观测值的交互协方差矩阵,为观测误差协方差矩阵,为扰动因子(通常设为),为添加扰动后的观测值,扰动误差为正态分布,所述扰动误差的协方差矩阵为,为给定输入参数条件下的模型模拟值。
作为一种较佳的实施例,所述步骤SS6中采用的多步数据同化集合平滑算法,只需反演低维标准正态分布变量,再输入到卷积对抗生成网络即可获得对应的含水层参数场。从而显著减少了反演参数的个数、提高了计算效率。
作为一种较佳的实施例,所述步骤SS6~步骤SS8循环通过编写Python脚本自动实现如下过程:给定低维标准正态分布样本输入生成含水层参数场实现、运行地下水流-溶质运移模型获取水头和溶质浓度模拟值、调用多步数据同化集合平滑算法更新低维标准正态分布样本、判断是否达到收敛标准、输出后验样本。
本发明以地质统计软件GSLIB根据某实际含水层的地质参数先验信息,随机生成的一个渗透系数场实现作为目标参数场,如图5所示,地下水由左向右方向流动,水力坡度设为0.04,在上游3口井释放示踪剂,在下游24口观测井的10个不同深度收集水头和8个时刻的示踪剂浓度数据,共计2 160个观测数据。为了模拟实际情况的观测误差,对所收集的2160个观测数据添加5%的噪声扰动,基于所收集的观测数据对渗透系数场进行反演。具体实施步骤包括7个阶段:
第1阶段:基于先验信息,由GSLIB生成具有不同地质统计特征(均值、方差、三个方向的相关长度)的40 000个渗透系数场随机场样本。
卷积生成对抗网络的结构如图2和3所示,网络训练采用如公式(1)和(2)所示的损失函数进行,采用Pytorch库中自带的Adam优化器更新网络参数,生成器和判别器的学习率均设置为0.0002,样本批大小(batch size)设置为100,训练轮回(epoch)数设置为50,Adam优化器的其它参数均使用***默认值。
第3阶段:随机生成400组256维标准正态分布变量样本,输入卷积生成对抗网络的生成器,得到对应的400组渗透系数场实现。图4对比了由地质统计软件和卷积生成对抗网络生成的随机渗透系数场实现,由图可见,由卷积生成对抗网络生成的渗透系数场与地质统计软件生成的渗透系数场,具有相似的非均质特征。
第4阶段:给定生成的400组渗透系数场实现,作为地下水流-溶质运移模型的输入,获取水头和示踪剂浓度观测数据相对应采样位置和时间的模拟值。
第5阶段:基于2160个水头和示踪剂浓度观测数据,以及400组渗透系数场条件下模型的模拟值,使用多步数据同化集合平滑算法(设置迭代次数为20次)基于公式(3)所示的方程更新400组256维标准正态分布变量样本。
第6阶段:将更新后的400组256维标准正态分布变量样本,输入卷积生成对抗网络的生成器,得到更新后的400组渗透系数场实现。
第7阶段:判断是否达到最大迭代次数,若未达到最大迭代次数,则重复第4-6阶段;若已达到最大迭代次数,终止循环,将最后一次迭代更新得到的400组渗透系数场实现作为反演渗透系数场的后验样本。
步骤4-7循环通过编写Python脚本自动实现:给定低维标准正态分布样本输入生成含水层参数场实现、运行地下水流-溶质运移模型获取水头和溶质浓度模拟值、调用多步数据同化集合平滑算法更新低维标准正态分布样本、判断是否达到收敛标准、输出后验样本。
图5显示了目标含水层参数场、随机选取的1个先验和1个后验含水层参数场、以及含水层参数场的反演标准差(由400个后验样本计算得到),由图5可见,先验含水层参数场与目标参数场差别显著,而基于水头和浓度观测数据反演得到的含水层参数场则与目标参数场的分布非常接近。
值得一提的是,在反演过程中只需估计256个标准正态分布变量,即可反演得到20480个网格的渗透系数值,在没有损失含水层参数场非均质特征的前提下,减少了98.75%的反演参数个数。由此可见,本发明可以有效且高效地实现含水层参数场的反演识别。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (9)
1.一种基于卷积生成对抗网络的含水层参数场反演方法,其特征在于,包括如下步骤:
步骤SS1:收集含水层地质参数先验资料,由地质统计软件随机生成满足先验信息的含水层参数场样本集;
步骤SS2:将所述含水层参数场样本集输入到卷积生成对抗网络,对其地质统计特征进行学习,并基于所述含水层参数场样本集构建低维标准正态分布和其地质统计特征之间的映射关系,建立含水层参数场生成模型;
步骤SS3:构建地下水流-溶质运移初始数值模型,模拟水流和溶质运移过程;
步骤SS4:随机生成一系列低维标准正态分布变量样本,并输入到训练好的卷积生成对抗网络,得到对应的含水层参数场样本;
步骤SS5:将步骤SS4中生成的含水层参数场样本输入到所述步骤SS3中的所述地下水流-溶质运移数值模型中,获得观测点处的水头和浓度模拟值;
步骤SS6:基于水头和浓度的模拟值和观测值,利用多步数据同化集合平滑算法,更新低维标准正态分布变量样本;
步骤SS7:将步骤SS6中更新后的低维标准正态分布变量样本,输入到训练好的卷积生成对抗网络,得到更新后的含水层参数场样本,并输入所述地下水流-溶质运移数值模型,得到更新后的含水层参数场对应的观测点处水头和浓度模拟值;
步骤SS8:重复步骤SS6和步骤SS7,直到达到预设的收敛标准;将最后一次迭代得到的低维标准正态分布变量样本,输入到卷积生成对抗网络,得到对应的后验含水层参数场。
2.根据权利要求1所述的一种基于卷积生成对抗网络的含水层参数场反演方法,其特征在于,所述步骤SS1包括:生成满足含水层地质参数先验资料的随机参数场样本。
3.根据权利要求1所述的一种基于卷积生成对抗网络的含水层参数场反演方法,其特征在于,所述步骤SS2具体包括:所述卷积生成对抗网络包含生成器G和判别器D;所述生成器G用于:学习含水层参数场的地质统计特征、构建低维标准正态分布和其地质统计特征之间的映射关系,形成含水层参数场生成模型,即给定低维标准正态分布变量输入,生成含水层参数场样本;所述判别器D用于判断生成器G生成的含水层参数场样本是否符合地质统计特征。
5.根据权利要求3所述的一种基于卷积生成对抗网络的含水层参数场反演方法,其特征在于,所述的卷积生成对抗网络的生成器G采用卷积多重残差密集块代替传统卷积层作为网络的基本架构。
6.根据权利要求3所述的一种基于卷积生成对抗网络的含水层参数场反演方法,其特征在于,所述的卷积生成对抗网络的生成器G为全卷积网络,即生成器G中全为卷积层,不含全连接层。
8.根据权利要求1所述的一种基于卷积生成对抗网络的含水层参数场反演方法,其特征在于,所述步骤SS6中采用的多步数据同化集合平滑算法,只需反演低维标准正态分布变量,再输入到卷积对抗生成网络,获得对应的含水层参数场。
9.根据权利要求1所述的一种基于卷积生成对抗网络的含水层参数场反演方法,其特征在于,所述步骤SS6~步骤SS8循环通过编写Python脚本自动实现如下过程:给定低维标准正态分布样本输入生成含水层参数场实现、运行地下水流-溶质运移模型获取水头和溶质浓度模拟值、调用多步数据同化集合平滑算法更新低维标准正态分布样本、判断是否达到收敛标准、输出后验样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210738233.6A CN114818548B (zh) | 2022-06-28 | 2022-06-28 | 一种基于卷积生成对抗网络的含水层参数场反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210738233.6A CN114818548B (zh) | 2022-06-28 | 2022-06-28 | 一种基于卷积生成对抗网络的含水层参数场反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114818548A true CN114818548A (zh) | 2022-07-29 |
CN114818548B CN114818548B (zh) | 2022-09-06 |
Family
ID=82522287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210738233.6A Active CN114818548B (zh) | 2022-06-28 | 2022-06-28 | 一种基于卷积生成对抗网络的含水层参数场反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114818548B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116070549A (zh) * | 2023-03-06 | 2023-05-05 | 西南交通大学 | 一种地下空间水淹态势快速推演方法、装置、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20190302290A1 (en) * | 2018-03-27 | 2019-10-03 | Westerngeco Llc | Generative adversarial network seismic data processor |
CN111711820A (zh) * | 2020-05-13 | 2020-09-25 | 哈尔滨工业大学 | 一种基于生成对抗网络的裂缝图像压缩采样方法 |
CN112149353A (zh) * | 2020-09-24 | 2020-12-29 | 南京大学 | 基于卷积神经网络识别dnapl污染物在地下含水层分布的方法 |
CN112949089A (zh) * | 2021-04-01 | 2021-06-11 | 吉林大学 | 一种基于离散卷积残差网络的含水层结构反演识别方法 |
CN113537354A (zh) * | 2021-07-19 | 2021-10-22 | 吉林大学 | 一种基于深度学习的含水层结构阶段式随机反演识别方法 |
-
2022
- 2022-06-28 CN CN202210738233.6A patent/CN114818548B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190302290A1 (en) * | 2018-03-27 | 2019-10-03 | Westerngeco Llc | Generative adversarial network seismic data processor |
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 |
CN111711820A (zh) * | 2020-05-13 | 2020-09-25 | 哈尔滨工业大学 | 一种基于生成对抗网络的裂缝图像压缩采样方法 |
CN112149353A (zh) * | 2020-09-24 | 2020-12-29 | 南京大学 | 基于卷积神经网络识别dnapl污染物在地下含水层分布的方法 |
CN112949089A (zh) * | 2021-04-01 | 2021-06-11 | 吉林大学 | 一种基于离散卷积残差网络的含水层结构反演识别方法 |
CN113537354A (zh) * | 2021-07-19 | 2021-10-22 | 吉林大学 | 一种基于深度学习的含水层结构阶段式随机反演识别方法 |
Non-Patent Citations (5)
Title |
---|
JICHAO BAO等: "Coupling ensemble smoother and deep learning with generative adversarial networks to deal with non-Gaussianity in flow and transport data assimilation", 《JOURNAL OF HYDROLOGY》 * |
SHAOXING MO等: "Deep Convolutional Encoder-Decoder Networks for Uncertainty Quantification of Dynamic Multiphase Flow in Heterogeneous Media", 《WATER RESOURCES RESEARCH》 * |
康文杰等: "深度卷积生成对抗网络对神经影像通用数据特征的学习", 《智慧健康》 * |
李家兴: "基于深度学习的含水层参数反演研究", 《中国优秀博硕士学位论文全文数据库(硕士)(基础科学辑)》 * |
莫绍星: "基于深度学习的地下水模拟高维不确定性分析和反演", 《中国优秀博硕士学位论文全文数据库(博士)(工程科技Ⅰ辑)》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116070549A (zh) * | 2023-03-06 | 2023-05-05 | 西南交通大学 | 一种地下空间水淹态势快速推演方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114818548B (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8805659B2 (en) | System and method for uncertainty quantification in reservoir simulation | |
CN104866578B (zh) | 一种不完整物联网数据混合填充方法 | |
CN113052371A (zh) | 基于深度卷积神经网络的剩余油分布预测方法及装置 | |
CN106951512A (zh) | 一种基于混合编码网络的端到端对话控制方法 | |
CN107544904A (zh) | 一种基于深度cg‑lstm神经网络的软件可靠性预测模型 | |
CN109300128B (zh) | 基于卷积神经网隐含结构的迁移学习图像处理方法 | |
CN113194493B (zh) | 基于图神经网络的无线网络数据缺失属性恢复方法及装置 | |
CN110162972B (zh) | 一种基于语句联合编码深度神经网络的uaf漏洞检测方法 | |
CN114818548B (zh) | 一种基于卷积生成对抗网络的含水层参数场反演方法 | |
CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
CN115169543A (zh) | 一种基于迁移学习的短期光伏功率预测方法及*** | |
CN111027249B (zh) | 一种基于机器学习的井间连通性评价方法 | |
CN111058840A (zh) | 一种基于高阶神经网络的有机碳含量(toc)评价方法 | |
CN115049124A (zh) | 一种基于贝叶斯网络的深长隧道突涌水预测方法 | |
CN114595427B (zh) | 基于非自回归模型的含缺失值车辆轨迹序列填补修复方法 | |
CN113641733B (zh) | 一种河道断面流量实时智能推求方法 | |
CN112949089B (zh) | 一种基于离散卷积残差网络的含水层结构反演识别方法 | |
CN110633868A (zh) | 遗传算法优化神经网络进行探井试油层油气性质预测方法 | |
Wan et al. | SWMM calibration using genetic algorithms | |
CN113313700A (zh) | 一种基于深度学习的x射线图像交互式分割方法 | |
CN116258504B (zh) | 银行客户关系管理***及其方法 | |
CN113537354B (zh) | 一种基于深度学习的含水层结构阶段式随机反演识别方法 | |
CN116883709A (zh) | 基于通道注意力机制的碳酸盐岩缝洞识别方法及*** | |
Juda et al. | An attempt to boost posterior population expansion using fast machine learning algorithms | |
CN110866607A (zh) | 一种基于机器学习的渗透行为预测算法 |
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 |