WO2019076078A1 - 地下水污染监测网多目标优化方法 - Google Patents
地下水污染监测网多目标优化方法 Download PDFInfo
- Publication number
- WO2019076078A1 WO2019076078A1 PCT/CN2018/092473 CN2018092473W WO2019076078A1 WO 2019076078 A1 WO2019076078 A1 WO 2019076078A1 CN 2018092473 W CN2018092473 W CN 2018092473W WO 2019076078 A1 WO2019076078 A1 WO 2019076078A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- groundwater
- monitoring
- vulnerability
- monitoring network
- objective optimization
- Prior art date
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
Definitions
- the invention belongs to the field of groundwater environment monitoring, and particularly relates to a multi-objective optimization method for groundwater pollution monitoring network based on groundwater pollution and groundwater pollution status.
- Groundwater is an important part of water resources and has gradually become an important source of drinking water in China.
- groundwater resources are seriously polluted.
- a comprehensive groundwater monitoring network is needed to obtain effective groundwater information.
- groundwater Because groundwater is concealed and buried, and the degree of alternation is weak, the self-purification ability is very low. Once it is contaminated, it is difficult to recover, and the cost of repair is high. Therefore, the prevention of groundwater pollution is more important than the treatment, and it is necessary to have a high pollution risk area. Monitor. Especially for the monitoring system of groundwater source, while understanding the status quo of groundwater quality, monitoring the areas with high pollution risks can play a role of monitoring and early warning. Decision makers can timely discover pollution trends through monitoring data and formulate effective measures to prevent pollution. The further spread of the material minimizes the pollution hazard and greatly guarantees the safety of the water source.
- groundwater monitoring networks have problems such as unreasonable spatial layout and insufficient or redundant monitoring wells. Even if they consume a lot of financial resources, they cannot obtain sufficient and effective groundwater information. It is therefore necessary to optimize existing groundwater monitoring networks to establish groundwater monitoring systems with minimal cost to obtain adequate monitoring information.
- optimization methods include statistical methods such as hydrogeological analysis, Kriging, Kalman filtering, etc., optimization methods based on groundwater simulation, and different methods. Combine, such as multi-objective planning combined with geostatistical methods.
- the present invention provides a multi-objective optimization method for a pollution monitoring network that is more suitable for groundwater sources.
- the multi-objective optimization method for the groundwater pollution monitoring network includes: S1 establishes a hydrogeological conceptual model according to the yearbook, drilling or field pumping test data and empirical values, selects characteristic pollutants, and performs three-dimensional groundwater flow field and solute transport simulation.
- S2 to determine the indicator system for vulnerability assessment of the work area, determine the scores and weights of each indicator, and evaluate the vulnerability of the work area
- S3 is based on groundwater vulnerability
- the evaluation results initially set up a work area monitoring network, establish a multi-objective optimization model of the work area pollution monitoring network
- S4 solve the multi-objective optimization model, combined with quality error analysis, optimize the number and location of the monitoring network.
- the multi-objective optimization method of the groundwater pollution monitoring network provided by the invention has the following beneficial effects:
- the monitoring network optimized by this method can detect the most polluted and most polluted areas, and improve the effectiveness and advancement of monitoring data.
- FIG. 1 is a flowchart of a multi-objective optimization method for a groundwater pollution monitoring network according to an embodiment of the present invention
- Figure 2 is a detailed flow chart of groundwater vulnerability assessment.
- the present invention selects a multi-objective optimization method, uses groundwater vulnerability to reflect the groundwater vulnerability, and uses groundwater vulnerability and pollutant concentration as The decision variables in the multi-objective optimization model are used to simultaneously consider the groundwater smear and pollution distribution, analyze the multi-objective optimization model solution results, and quantitatively optimize the number and location of the monitoring network.
- the multi-objective optimization method for the groundwater pollution monitoring network includes:
- the hydrogeological conceptual model includes an aquifer and a surface soil layer.
- the conceptual model in step S1 generalizes the geological layer into four layers, from top to bottom: surface soil layer, pore submerged layer, pore Weakly confined aquifers and pore-bearing aquifers, based on pollution source discharge and groundwater quality monitoring data, select nitrate nitrogen as characteristic pollutants; construct a three-dimensional groundwater numerical model to simulate the distribution of nitrate nitrogen in the region and future migration and transformation .
- the step specifically includes the following steps:
- S201 Establish a groundwater vulnerability assessment index system suitable for a working area containing groundwater source areas according to hydrogeological characteristics and pollution conditions of the groundwater source area;
- S202 Quantify each indicator uniformly, establish a scoring rule, and determine each indicator score according to the scoring rule of each indicator condition;
- the indicator system for vulnerability assessment in step S2 is divided into an essential vulnerability and a special vulnerability
- the essential vulnerability includes: groundwater depth, recharge amount, aquifer medium type, terrain slope, and aerated zone medium
- the special vulnerabilities include the affected area of the pumping well group, the type of land use and the source of pollution; the groundwater depth and the type of aquifer medium can be obtained by consulting local geological survey data or drilling methods; using groundwater simulation software to simulate the water source pumping and not
- the pumped groundwater flow field compares the flow direction and flow velocity of the streamline under the two scenarios, and uses ArcGIS to map the groundwater flow field change area to the water source under two scenarios.
- the area and range of the flow range of the pumping phase compared to the streamline when not pumping The ratio of the number of wells is the affected area of the pumping well group; the land use type is obtained through the analysis of the land use type map of the working area; the pollution source index score is set according to the pollutant discharge amount released per unit area, and the pollutant discharge amount is obtained according to the annual survey and pollution source survey. The relevant data is calculated.
- the score of the essential vulnerability index in step S2 refers to the score of the indicator in the DRASTIC method, and the impact range of the special vulnerability index pumping well group, the land use type, and the pollution source score classification standard are shown in Table 2. Different land types have different regional scores; the pollution source indicators are graded according to the pollution source emissions; the pumping well group impact range indicators are determined by two parts, first according to the range of values within 1 to 5, and then based on the results of the essential vulnerability assessment Multiply by the coefficient corresponding to the highest level of essential vulnerability within the range of the pumping well group (see Table 3). The calculation formula is as follows:
- the determination of the weight of each index in step S2 adopts the analytic hierarchy process, and the process includes: layering the evaluation system, the groundwater vulnerability is set as the first layer, that is, the target layer; the second is the criterion layer, which includes two factors, respectively It is inherently fragile and special vulnerability; the third layer is the decision-making layer, which includes specific indicators corresponding to inherent vulnerability and special vulnerability; the judgment matrix for constructing indicators at each level; and the single-order and consistency of each level according to the judgment matrix Inspection; hierarchical total ordering and consistency test; the product of the weights of each indicator in the decision-making layer and the target weight of the corresponding criterion layer is the weight of each indicator on groundwater vulnerability.
- the vulnerability assessment results of the work area are obtained.
- the vulnerability is divided into five levels: low, low, medium, high and high.
- different levels of vulnerability are displayed in different colors to present a map of groundwater vulnerability.
- a work area monitoring network is set up to establish a multi-objective optimization model for the work area pollution monitoring network
- the method for initializing the work area monitoring network in step S3 is: determining the area of each vulnerability level and the initial density according to the vulnerability evaluation result, wherein the monitoring well initial density required by the different vulnerability level, Listed in Table 4.
- the number of monitoring wells in the vulnerability level area is not less than the product of the area and density of the level, and the existing monitoring wells are combined with 6 and 34 pumping wells to form an initial monitoring network of 60 wells.
- the multi-objective optimization model of the monitoring network in step S3 is: (1) the minimum number of monitoring wells; (2) the largest concentration of pollutants is monitored; and (3) the maximum vulnerability score is monitored.
- the specific formula is:
- Z 1 is the number of monitoring wells
- Z 2 is the monitored mass concentration of pollutants, mg/L
- Z 3 is the monitored vulnerability score
- Q j is the set of monitoring well location numbers in the jth partition
- X i is a binary decision variable, indicating whether the i-th monitoring well is selected, the value is 1 and the monitoring well is selected, 0 is not used
- V i is the groundwater vulnerability score of the i-th monitoring well
- Y i is The i-th monitoring of the groundwater pollutant mass concentration in the well location, mg/L
- N j is the number of monitoring wells selected for the j-th partition
- S j is the j-th partition area, km 2
- M j is the j-th partition
- the constraint function N j * ⁇ N i ⁇ 1, j ⁇ J constrains the maximum and minimum number of monitoring wells in each partition, ensuring that there are monitoring wells in each partition without over-aggregation.
- the multi-objective optimization model in step S4 is calculated by using NSGA-II.
- the calculation process is: first generating an initial population, reading the concentration data obtained by the solute transport simulation and the vulnerability score obtained by the vulnerability evaluation. It is used to calculate the objective function value, including the number of monitoring wells, the monitored pollutant concentration value, the monitored vulnerability score, and the non-dominated sorting and focus distance calculation of the corresponding population according to the calculated objective function value, selecting, Crossing and mutating produce the next offspring, merge the offspring and the parent population, and perform the optimization and iterative calculation of NSGA-II until the maximum iteration number exits the loop, and finally obtain the Pareto optimal solution for multi-objective optimization design of groundwater pollution monitoring network. .
- the whole process is programmed by matlab and the code is implemented.
- the Pareto optimal solution is calculated to reflect the trade-off relationship between the number of monitoring wells and the vulnerability score and nitrate concentration.
- the solution results show the appropriate number of monitoring wells and the optimal number of different monitoring wells within the number of monitoring wells. Monitor the location of the network.
- the quality error analysis process in step S4 is: the data value of the pollutant concentration (for example, nitrate nitrogen concentration) at the optimal monitoring well layout position according to the number of different monitoring wells solved by NSGA-II, and is calculated by ordinary Kriging method.
- the concentration value of the unknown node is obtained, and the spatial distribution of the pollutants corresponding to the optimal layout of different monitoring wells is obtained, and the total mass of the pollutants obtained by interpolating all the pollutant concentrations (such as nitrate nitrogen concentration) is used to calculate the corresponding
- the quality error, fitting the relationship between the number of different monitoring wells and the quality error, the number of monitoring wells within the acceptable error range is the recommended number of optimized monitoring wells.
- the monitoring well is mainly It is distributed in areas with high vulnerability and high concentration of nitrate nitrogen, which ensures the monitoring purpose and accuracy. Compared with the initial monitoring network composed of 60 wells, the monitoring cost is reduced by 80%.
- the multi-objective optimization method for the groundwater pollution monitoring network provided by the embodiment of the invention can be applied to the optimization of the groundwater monitoring network with the groundwater source and the pollution source area.
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Food Science & Technology (AREA)
- Biochemistry (AREA)
- Computational Mathematics (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种地下水污染监测网多目标优化方法,主要包括地下水数值模拟、地下水脆弱性评价、监测网优化模型的建立及优化模型的求解四个步骤。该方法能够根据地下水污染现状和易污性情况优化监测网,使优化后的监测网能监测到污染最严重及最容易受到污染的区域,为地下水监测预警提供决策支持。
Description
本发明属于地下水环境监测领域,具体涉及一种基于地下水易污性和地下水污染现状的地下水污染监测网多目标优化方法。
地下水是水资源的重要组成部分,并逐渐成为我国重要的饮用水源。然而随着人类活动增加及社会经济生产的快速发展,地下水资源受到污染严重。为保障地下水用水安全,需建立完善的地下水监测网来获取有效的地下水信息。
由于地下水具有隐蔽性和埋藏性,且交替程度弱,导致自净能力很低,一旦被污染就难以恢复,且修复成本很高,因此对于地下水污染的预防重于治理,有必要对高污染风险区域进行监测。尤其对于地下水源地的监测体系来说,在了解地下水水质现状的同时,监测污染风险高的区域,可起到监测预警的作用,决策者能通过监测数据及时发现污染趋势,制定有效措施阻止污染物进一步扩散,使污染危害降到最小,大大保障水源地水质安全。
目前多数地下水监测网存在空间布局不合理,监测井数量不足或冗余等问题,即使耗费大量财力物力,却无法获取足够完整有效的地下水信息。因此有必要对现有地下水监测网进行优化,以最少的成本建立地下水监测***来获取充分的监测信息。目前国内外已有大量关于地下水监测网优化方法的研究,包括基于统计学的方法,如水文地质分析法、克里金法、卡尔曼滤波法等,基于地下水模拟的优化方法,以及不同方法的结 合,如多目标规划与地质统计学方法结合。
这些方法主要依据水文地质条件或者污染物分布情况优化监测网,很少考虑地下水易污性,即地下水污染风险;少量依据污染风险布设监测井的研究却不能定量地确定监测井数量及其位置。因此根据目前的研究难以实现同时考虑污染风险与污染分布时来定量优化监测网数量和位置。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种更加适用于地下水源地的污染监测网多目标优化方法。
本发明提供的地下水污染监测网多目标优化方法包括:S1根据年鉴、钻孔或野外抽水试验数据、经验值,建立水文地质概念模型,选择特征污染物,进行三维地下水流场和溶质运移模拟,了解特征污染物在工作区地下水中的分布情况及迁移转化过程;S2确定工作区脆弱性评价的指标体系,确定各指标的评分及权重,对工作区脆弱性进行评价;S3基于地下水脆弱性评价结果,初设工作区监测网,建立工作区污染监测网多目标优化模型;S4求解多目标优化模型,结合质量误差分析,优化监测网数量和位置。
与现有技术相比,本发明提供的地下水污染监测网多目标优化方法具有以下有益效果:
通过地下水模拟了解分析区域地下水污染状况,通过地下水脆弱性评价划定易污区域,以监测井数量最少,监测到污染物浓度最大,监测到脆弱性分值最大为目标建立多目标优化模型并求解,可实现同时优化所有目标得到监测网数量和位置的优化。通过该方法优化的监测网能监测到污染最严重且最易受到污染的区域,提升了监测数据的有效性和超前性。
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为本发明实施例提供的地下水污染监测网多目标优化方法的流程图;
图2为地下水脆弱性评价的具体流程图。
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。
为解决现有优化方法难以在考虑地下水易污性时定量优化监测网的问题,本发明选用多目标优化方法,运用地下水脆弱性来反映地下水易污性,并将地下水脆弱性、污染物浓度作为多目标优化模型中的决策变量,从而实现同时考虑地下水易污性和污染分布,分析多目标优化模型求解结果,定量优化出监测网数量和位置。
如图1所示,本发明提供的地下水污染监测网多目标优化方法,包括:
S1.根据年鉴、钻孔或野外抽水试验数据、经验值,建立水文地质概念模型,选择特征污染物,进行三维地下水流场和溶质运移模拟,了解特征污染物在工作区地下水中的分布情况及迁移转化过程;
其中的水文地质概念模型包括含水层和表层土壤层,在一个实施例中,步骤S1中概念模型是将地质层概化为四层,从上至下包括:表层土壤层、孔隙潜水层、孔隙弱承压含水层、孔隙承压含水层,根据污染源排放情况及地下水水质监测数据,选择硝酸盐氮作特征污染物;构建三维地下水数值模型,模拟 区域硝酸盐氮的分布情况以及未来迁移转化情况。
S2.确定工作区脆弱性评价的指标体系,确定各指标的评分及权重,对工作区脆弱性进行评价;
如图2所示,该步骤具体包括以下步骤:
S201:根据地下水源地区域的水文地质特点和污染情况,建立适用于含地下水源地工作区的地下水脆弱性评价指标体系;
S202:将各指标进行统一量化,建立评分规则,并将各指标情况对照评分规则确定每个指标评分;
S203:确定每个指标权重;
S204:对工作区进行地下水脆弱性评价。
在一个实施例中,步骤S2中脆弱性评价的指标体系分为本质脆弱性和特殊脆弱性,本质脆弱性包括:地下水埋深、补给量、含水层介质类型、地形坡度和包气带介质,特殊脆弱性包括抽水井群影响范围、土地利用类型和污染源;其中地下水埋深、含水层介质类型等可通过查阅当地地质勘察资料或钻孔方式获取;用地下水模拟软件分别模拟水源地抽水与不抽水的地下水流场,比较两种情景下流线的流向和流速,用ArcGIS划出两种情景下流向水源地的地下水流场变化区域,抽水相较于不抽水时流线的变化范围面积与范围内井数之比即为抽水井群影响范围;土地利用类型通过工作区土地利用类型图解析得到;污染源指标评分依据单位面积释放的污染物排放量设置,污染物排放量根据年鉴、污染源调查所得相关数据计算得到。
步骤S2中本质脆弱性指标评分参照DRASTIC方法中指标的评分,特殊脆弱性指标抽水井群影响范围、土地利用类型、污染源评分分级标准如表2。不同土地类型区域设置不同评分;污染源指标根据污染源排放量设置等级分值;抽水井群影响范围指标评分由两部分决定,首先根据范围大小在1~5内取值, 再基于本质脆弱性评价结果,乘以抽水井群影响范围内本质脆弱性最高级对应的系数(见表3),计算公式如下:
抽水井群影响范围指标评分=抽水井群影响范围大小评分×系数
表2指标类别与评分标准
表3不同本质脆弱性等级的系数
脆弱性等级 | 低 | 较低 | 中 | 较高 | 高 |
系数 | 1.2 | 1.4 | 1.6 | 1.8 | 2.0 |
步骤S2中所述各指标权重的确定采用层次分析法,过程包括:将评价体系分层,地下水脆弱性设为第一层,即目标层;第二次为准则层,包含两个因素,分别是固有脆弱性和特殊脆弱性;第三层是决策层,本层包括固有脆弱性和特殊脆弱性对应的具体指标;构建各层次指标的判断矩阵;根据判断矩阵进 行各层次单排序及一致性检验;层次总排序及其一致性检验;决策层各指标权重与所对应准则层的目标权重的乘积即为各指标对地下水脆弱性的权重。
运用ArcGIS技术将各指标的评分和权重进行加权,即得工作区的脆弱性评价结果,按评价指数的高低将脆弱性分为低、较低、中等、较高和高五个等级,在ArcGIS软件中对不同等级脆弱性区域采用不同颜色显示,从而呈现出地下水脆弱性分区图。
S3.基于地下水脆弱性评价结果,初设工作区监测网,建立工作区污染监测网多目标优化模型;
在一个实施例中,步骤S3所述初设工作区监测网的方法是,根据脆弱性评价结果确定各脆弱性等级区域面积和初设密度,其中不同脆弱性等级要求的监测井初设密度,列于表4中。该脆弱性等级区域初设监测井个数不小于该等级区域面积和密度的乘积,整合现有监测井6口和34口抽水井,形成60口井的初设监测网络。
表4不同脆弱性等级的监测井初设密度
脆弱性等级 | 高 | 较高 | 中 | 较低 | 低 |
M/(个/km 2) | 1/4 | 1/9 | 1/16 | 1/25 | 1/100 |
步骤S3所述监测网多目标优化模型为:(1)最少监测井数量;(2)监测到污染物浓度最大;(3)监测到脆弱性分值最大。具体公式为:
目标函数:
约束函数:
X
i=[0,1],i∈I (7)
式中:Z
1为监测井数量,个;Z
2为监测到污染物质量浓度,mg/L;Z
3为监测到脆弱性分值;Q
j为第j个分区内监测井位置编号的集合;X
i为二进制决策变量,表示第i个监测井是否选用,值为1此监测井被选用,为0则不选用;V
i为第i个监测井位地下水脆弱性分值;Y
i为第i个监测井位地下水污染物质量浓度,mg/L;N
j为第j个分区选用的监测井数,个;S
j为第j个分区面积,km
2;M
j为第j个分区地下水脆弱性等级对应的监测井布设密度,个/km
2;N
j
*第j个分区监测井数量上限,值为大于S
j与M
j乘积的最小整数,个;I为所有监测井位置编号集合;J为区域脆弱性分区编号集合。
其中,约束函数N
j
*≥N
i≥1,j∈J约束了每个分区内最多和最少的监测井数量,保证了每个分区内有监测井,又不会过于聚集。
S4.求解多目标优化模型,结合质量误差分析,优化监测网数量和位置。
在个实施例中,步骤S4中求解多目标优化模型利用NSGA-II进行计算,计算过程是:首先生成初始种群,读取溶质运移模拟获取的浓度数据和脆弱性评价得到的脆弱性分值用于计算目标函数值,包括监测井数量、监测到的污染物浓度值、监测到的脆弱性分值,根据计算出的目标函数值对相应的种群进行非支配排序和聚焦距离计算,选择、交叉、变异产生下一个子代,合并子代和父代种群,进行NSGA-II的寻优迭代计算,直到达到最大迭代数退出循环,最终得到地下水污染监测网多目标优化设计的Pareto最优解。整个过程通过matlab编程,运行代码实现。
其中计算得到Pareto最优解体现了监测井数量与脆弱性分值和硝酸盐浓度的权衡关系,求解结果显示了适宜的监测井数量范围,以及此监测井数量范围内不同监测井数量的最佳监测网布设位置。
步骤S4中的质量误差分析过程是:根据NSGA-II求解出的不同监测井数量的最佳监测井布设位置的污染物浓度(例如硝酸盐氮浓度)数据值,采用普通克里格方法插值计算未知结点的浓度值,得到不同监测井数量最优布设方案所对应的污染物空间分布,分别与采用全部井污染物浓度(例如硝酸盐氮浓度)插值得到的污染物总质量比较,计算相应的质量误差,拟合不同监测井数量与质量误差关系,可接受误差范围内对应的监测井数量即为推荐的优化监测井数量。在一个实施例中,经步骤S4中的质量误差分析,当认为15.00%以内是可接受的质量误差时,最优监测井数量为12个,每个分区内至少有一个监测井,监测井主要分布在脆弱性高和硝酸盐氮浓度高的区域,保障了监测 目的和精度的同时,与60口井组成的初设监测网相比,监测成本减少了80%。
本发明实施例提供的地下水污染监测网多目标优化方法,可以应用于有地下水源地和污染源区域的地下水监测网优化。
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 (10)
- 一种地下水污染监测网多目标优化方法,其特征在于,包括:S1:根据年鉴、钻孔或野外抽水试验数据、经验值,建立水文地质概念模型,优选地,所述水文地质概念模型包括含水层和表层土壤层,选择特征污染物,进行三维地下水流场和溶质运移模拟,了解特征污染物在工作区地下水中的分布情况及迁移转化过程;S2:确定工作区脆弱性评价的指标体系,确定各指标的评分及权重,对工作区脆弱性进行评价;S3:基于地下水脆弱性评价结果,初设工作区监测网,建立工作区污染监测网多目标优化模型;S4:求解多目标优化模型,结合质量误差分析,优化监测网数量和位置。
- 根据权利要求1所述的地下水污染监测网多目标优化方法,其特征在于,步骤S2包括:S201:根据地下水源地区域的水文地质特点和污染调查结果,建立适用于地下水源地工作区的脆弱性评价的指标体系;S202:将各指标进行统一量化,建立指标评分规则,按照评分规则对各指标评分;S203:确定每个指标权重;S204:对工作区进行地下水脆弱性评价。
- 根据权利要求2所述的地下水污染监测网多目标优化方法,其特征在于,步骤S201中所述脆弱性评价的指标体系包括本质脆弱性和特殊脆弱性,所述本质脆弱性包括:地下水埋深、补给量、含水层介质类型、地形坡度和包气带介质,所述特殊脆弱性包括抽水井群影响范围、土地利用类型和污染源。
- 根据权利要求3所述的地下水污染监测网多目标优化方 法,其特征在于,所述抽水井群影响范围的划分方法是:用地下水模拟软件分别模拟水源地抽水与不抽水的地下水流场,比较两种情景下流线的流向和流速,用ArcGIS划出两种情景下流向水源地的地下水流场变化区域,抽水相较于不抽水时流线的变化范围面积与范围内井数之比即为抽水井群影响范围。
- 根据权利要求3所述的地下水污染监测网多目标优化方法,其特征在于,步骤S202所述指标评分规则中抽水井群影响范围指标评分由抽水井群影响范围大小和所在位置本质脆弱性决定,首先根据范围大小在1~5内取值,乘以抽水井群影响范围内本质脆弱性最高级对应的系数。
- 根据权利要求2所述的地下水污染监测网多目标优化方法,其特征在于,步骤S202所述指标评分规则中污染源指标评分依据单位面积释放的污染物排放量设置。
- 根据权利要求2所述的地下水污染监测网多目标优化方法,其特征在于,步骤S203所述各个指标权重值采用层次分析法确定。
- 根据权利要求1所述的地下水污染监测网多目标优化方法,其特征在于,步骤S3所述初设工作区监测网的方法是:根据脆弱性评价结果确定各脆弱性等级区域面积和初设密度,不同脆弱性等级区域面积与初设密度的商即为该脆弱性等级分区需初设的监测井个数,整合已建监测井和水源井的分布,形成初设监测网络。
- 根据权利要求1所述的地下水污染监测网多目标优化方法,其特征在于,步骤S3所述监测网多目标优化模型包括三个目标函数:(1)监测井数量最少;(2)监测到污染物浓度最大;(3)监测到脆弱性分值最大,优选地,所述监测网多目标优化模型 的具体公式为:目标函数:约束函数:X i=[0,1],i∈I (7)式中:Z 1为监测井数量,个;Z 2为监测到污染物质量浓度,mg/L;Z 3为监测到脆弱性分值;Q j为第j个分区内监测井位置编号的集合;X i为二进制决策变量,表示第i个监测井是否选用,值为1此监测井被选用,为0则不选用;V i为第i个监测井位地下水脆弱性分值;Y i为第i个监测井位地下水污染物质量浓度,mg/L;N j为第j个分区选用的监测井数,个;S j为第j个分区面积,km 2;M j为第j个分区地下水脆弱性等级对应的监测井布设密度,个/km 2;N j *第j个分区监测井数量上限,值为大于S j与M j乘积的最小整数,个;I为所有监测井位置编号集合;J为区域脆弱性分区编号集合。优选地,步骤S3所述监测网多目标优化模型中,所述约束 函数N j *≥N j≥1,j∈J约束了每个分区内可布设的最多和最少监测井数量。
- 根据权利要求1所述的地下水污染监测网多目标优化方法,其特征在于,步骤S4所述求解多目标优化模型用于得到不同监测井数量条件下最优的监测井位置;优选地,所述求解多目标优化模型利用NSGA-II进行计算,并在NSGA-II求解结果基础上,结合质量误差分析,确定监测网优化的数量和位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/849,389 US10999141B2 (en) | 2017-10-16 | 2020-04-15 | Multi-objective optimization method for groundwater pollution monitoring network |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710963185.X | 2017-10-16 | ||
CN201710963185.XA CN107525907B (zh) | 2017-10-16 | 2017-10-16 | 地下水污染监测网多目标优化方法 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
US16/849,389 Continuation US10999141B2 (en) | 2017-10-16 | 2020-04-15 | Multi-objective optimization method for groundwater pollution monitoring network |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2019076078A1 true WO2019076078A1 (zh) | 2019-04-25 |
Family
ID=60685305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/CN2018/092473 WO2019076078A1 (zh) | 2017-10-16 | 2018-06-22 | 地下水污染监测网多目标优化方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10999141B2 (zh) |
CN (1) | CN107525907B (zh) |
WO (1) | WO2019076078A1 (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378590A (zh) * | 2019-07-10 | 2019-10-25 | 国网福建省电力有限公司 | 基于改进数据包络分析模型的多能源微网运营效率评价方法 |
CN111539158A (zh) * | 2020-03-31 | 2020-08-14 | 安徽国祯环保节能科技股份有限公司 | 一种水体的最大污染负荷分配方法及*** |
CN112288275A (zh) * | 2020-10-29 | 2021-01-29 | 中水三立数据技术股份有限公司 | 一种基于物联网的地下水水质分析评价***及方法 |
CN112685604A (zh) * | 2020-11-12 | 2021-04-20 | 郑州大学 | 一种基于图论理论的水系功能连通格局优化方法 |
KR20210101883A (ko) | 2020-02-11 | 2021-08-19 | 연세대학교 산학협력단 | 지하수 오염 정화를 위한 최적화 분석 방법 및 분석 장치 |
CN113552076A (zh) * | 2021-08-18 | 2021-10-26 | 重庆地质矿产研究院 | 一种页岩气开发区深层地下水环境监测及预警方法及*** |
CN113607715A (zh) * | 2021-08-04 | 2021-11-05 | 梁宁 | 一种水体污染的管控方法 |
CN113702612A (zh) * | 2021-10-28 | 2021-11-26 | 江苏瑞立环保工程股份有限公司 | 基于人工智能的河岸污染检测及考察地点选址方法及*** |
CN114491723A (zh) * | 2020-10-28 | 2022-05-13 | 北京市水利规划设计研究院 | 多含水层基坑降水的优化方法、***及电子设备 |
CN114755387A (zh) * | 2022-05-24 | 2022-07-15 | 深圳市环境科学研究院 | 基于假设检验法的水体监测点位优化方法 |
CN114970302A (zh) * | 2022-05-10 | 2022-08-30 | 沈阳工业大学 | 一种基于地下水监测***的区域地下水情预测方法 |
CN115081963A (zh) * | 2022-08-19 | 2022-09-20 | 江西省生态环境科学研究与规划院 | 一种地下水质风险分析方法及*** |
CN115578232A (zh) * | 2022-11-11 | 2023-01-06 | 北京华科仪科技股份有限公司 | 一种基于水质分析的水污染治理方法及*** |
CN116522566A (zh) * | 2023-07-05 | 2023-08-01 | 南京大学 | 基于物理信息驱动深度学习模型的地下水监测网优化方法 |
CN116611274A (zh) * | 2023-07-21 | 2023-08-18 | 中南大学 | 一种地下水污染运移可视化数值模拟方法 |
CN117034044A (zh) * | 2023-10-09 | 2023-11-10 | 山东朝启电子科技有限公司 | 一种基于数据智能的智能表井管理*** |
CN117217027A (zh) * | 2023-11-02 | 2023-12-12 | 中国人民解放军国防科技大学 | 基于四维变分同化的污染物点源廓线排放估算方法和装置 |
CN118313699A (zh) * | 2024-06-07 | 2024-07-09 | 自然资源部第一海洋研究所 | 海岸带地下卤水资源开发利用的可持续性评价方法 |
Families Citing this family (57)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107525907B (zh) * | 2017-10-16 | 2019-12-31 | 中国环境科学研究院 | 地下水污染监测网多目标优化方法 |
CN108332696B (zh) * | 2018-01-27 | 2020-03-31 | 中国地质科学院探矿工艺研究所 | 滑坡监测方法选择方法 |
CN109187380B (zh) * | 2018-07-25 | 2021-03-02 | 北京农业智能装备技术研究中心 | 一种水质探测器、水体污染排放源监测***及方法 |
CN109633118B (zh) * | 2019-01-22 | 2020-04-17 | 中国环境科学研究院 | 一种污染场地包气带和地下水污染预警方法 |
CN110298075B (zh) * | 2019-05-23 | 2022-09-23 | 深圳市规划国土发展研究中心 | 基于ArcGIS+InfoWorks ICM城市市政排水管线一张图模型化处理方法 |
CN114602959B (zh) * | 2019-08-01 | 2024-01-12 | 中国地质科学院水文地质环境地质研究所 | 一种治理石油类污染场地的方法 |
CN110866367B (zh) * | 2019-08-13 | 2021-07-27 | 河海大学 | 复杂河网水流条件下常规突发水污染团的实时追踪方法 |
CN110955973B (zh) * | 2019-11-29 | 2021-09-28 | 中国科学院地理科学与资源研究所 | 一种硝酸盐输移概率评估方法、存储介质及电子设备 |
CN113032725B (zh) * | 2019-12-24 | 2023-04-07 | 中核建中核燃料元件有限公司 | 一种多核素污染土壤核素残留水平优化分析方法 |
CN111199112B (zh) * | 2020-01-16 | 2022-10-14 | 河海大学 | 一种基于模型计算的大型湖泊外源污染削减方法 |
CN111310976B (zh) * | 2020-01-19 | 2023-10-27 | 北京耘数科技有限责任公司 | 一种基于分布式计算的快速水质预报预警方法及*** |
CN111639838B (zh) * | 2020-05-08 | 2023-04-07 | 中国地质大学(武汉) | 一种适用于供水管网的水质监测点布局优化方法 |
CN112149871B (zh) * | 2020-08-25 | 2022-09-13 | 河海大学 | 一种基于gis空间统计与随机模拟相结合的污染物点源解析方法 |
CN112215463B (zh) * | 2020-09-04 | 2024-01-12 | 江西省水利科学院 | 基于水环境监测的河流健康评估单元划分方法 |
CN112132463B (zh) * | 2020-09-23 | 2024-07-19 | 平安国际智慧城市科技股份有限公司 | 污水排放方案的调整方法、装置、设备及存储介质 |
CN112147895B (zh) * | 2020-09-23 | 2024-04-05 | 天津大学 | 外源干扰下的水动力循环智能反馈实时控制***及方法 |
US20220099650A1 (en) * | 2020-09-30 | 2022-03-31 | Chinese Research Academy Of Environmental Sciences | Early warning method for vadose zone and groundwater pollution in contaminated site |
CN112330485B (zh) * | 2020-10-29 | 2023-02-21 | 济南市市政工程设计研究院(集团)有限责任公司 | 一种利用地下冲洪积扇储存水资源方法及*** |
CN112580851B (zh) * | 2020-11-17 | 2024-06-18 | 西安中控天地科技开发有限公司 | 丛式井场抽油机井群错峰开井间抽运行调度方法 |
CN112561235B (zh) * | 2020-11-23 | 2023-01-10 | 中铁二十四局集团福建铁路建设有限公司 | 一种适于高速公路路域的生态脆弱性评价方法 |
KR102371467B1 (ko) * | 2020-11-25 | 2022-03-07 | 한국해양과학기술원 | 해양 부이 관측망 설계방법 |
CN112561127B (zh) * | 2020-11-27 | 2022-10-25 | 中国水利水电科学研究院 | 基于地下水压采目标的替代水源贡献率平衡分析*** |
CN112365274B (zh) * | 2020-12-01 | 2022-08-23 | 苏州深蓝空间遥感技术有限公司 | 一种基于多源数据的高精度水污染溯源方法 |
CN114720647B (zh) * | 2020-12-22 | 2024-08-20 | 中国石油化工股份有限公司 | 地下水污染综合预警方法及*** |
CN112668911B (zh) * | 2020-12-31 | 2021-09-24 | 哈尔滨工业大学 | 水域岸线污染风险评估方法及控制智能决策方法和*** |
CN112801460B (zh) * | 2021-01-06 | 2022-07-05 | 武汉大学 | 基于两步topsis法的地下水污染监测网优化方法 |
CN112832756A (zh) * | 2021-01-08 | 2021-05-25 | 神华神东煤炭集团有限责任公司 | 一种地下水环境质量评价方法 |
CN113015120B (zh) * | 2021-01-28 | 2023-10-13 | 深圳市协润科技有限公司 | 一种基于神经网络的治污监测***和方法 |
CN112734297A (zh) * | 2021-01-29 | 2021-04-30 | 中国人民解放军国防科技大学 | 海洋事故应急监测方法、***、计算机设备和存储介质 |
CN113407588B (zh) * | 2021-07-20 | 2022-04-05 | 中国科学院地理科学与资源研究所 | 一种海域污染空间分布获取方法、装置及电子设备 |
CN113772804B (zh) * | 2021-09-15 | 2022-09-16 | 宝航环境修复有限公司 | 地下水污染监测自然衰减修复预测方法、***及装置 |
CN113782108B (zh) * | 2021-11-11 | 2022-02-08 | 中国环境监测总站 | 一种地表水环境质量监测评价方法及*** |
TWI808564B (zh) * | 2021-12-10 | 2023-07-11 | 財團法人工業技術研究院 | 流體品質追蹤方法及系統 |
CN114461741B (zh) * | 2022-01-24 | 2022-11-04 | 北京师范大学 | 一种监测样点布设方法及装置 |
CN114626583B (zh) * | 2022-02-28 | 2022-09-06 | 北京市生态环境保护科学研究院 | 一种异质性污染场地地下水修复后反弹潜势预测评估方法 |
CN114820969B (zh) * | 2022-04-21 | 2023-01-31 | 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) | 一种三维地质模型构建方法 |
CN114943382B (zh) * | 2022-06-07 | 2024-07-09 | 东莞理工学院 | 一种考虑多重不确定性的低影响开发优化配置方法 |
CN114925554B (zh) * | 2022-07-22 | 2022-10-21 | 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) | 一种北方岩溶发育带地下水补给径流区污染控制模拟方法 |
CN115271428B (zh) * | 2022-07-25 | 2023-08-15 | 西南交通大学 | 基于svd分解的环境脆弱性评价方法、设备和介质 |
CN114997546B (zh) * | 2022-08-05 | 2022-10-25 | 天津市地质研究和海洋地质中心 | 基于多源数据的监测井综合调查评价方法、***及介质 |
CN115541834B (zh) * | 2022-08-17 | 2023-07-21 | 中国地质大学(北京) | 地下水污染源位置识别方法及装置、电子设备、存储介质 |
CN115495499B (zh) * | 2022-09-22 | 2023-05-30 | 生态环境部南京环境科学研究所 | 一种基于污染场地同介质多批次海量数据的整合统计方法 |
CN115329607B (zh) * | 2022-10-14 | 2023-02-03 | 山东省鲁南地质工程勘察院(山东省地质矿产勘查开发局第二地质大队) | 一种用于地下水污染的评估***及方法 |
CN115688396B (zh) * | 2022-10-21 | 2024-02-23 | 中核第四研究设计工程有限公司 | 地浸采铀井场抽大于注方式的抽注比确定方法 |
CN115688487B (zh) * | 2022-12-30 | 2023-03-28 | 天津中科谱光信息技术有限公司 | 水质监测节点布设数量确定方法、装置、设备及存储介质 |
CN116307134B (zh) * | 2023-02-28 | 2024-03-22 | 中国人民解放军陆军工程大学 | 城市地下垃圾中转站选址方法、***、设备和存储介质 |
CN116050283B (zh) * | 2023-03-07 | 2023-07-18 | 中国石油大学(华东) | 复合材料柔性管铺层多目标优化设计方法及设备 |
CN115936543B (zh) * | 2023-03-15 | 2023-06-06 | 湖北君邦环境技术有限责任公司 | 一种突发水污染事故污染溯源方法、***、设备及介质 |
CN116050951B (zh) * | 2023-04-03 | 2023-08-11 | 云南碧翔物联网科技有限公司 | 一种基于数据分析模型的污染监测方法及*** |
CN116260945B (zh) * | 2023-05-15 | 2023-07-25 | 安徽哈斯特自动化科技有限公司 | 一种基于河流分区管理的智能化视频监控方法 |
CN116701885B (zh) * | 2023-08-04 | 2023-10-20 | 合肥工业大学 | 一种废水处理数据采集分析方法 |
CN117314186A (zh) * | 2023-09-22 | 2023-12-29 | 江苏环保产业技术研究院股份公司 | 一种预测有机污染场地自然衰减修复效果的方法 |
CN117034042B (zh) * | 2023-10-08 | 2023-12-22 | 北京德众国良环保科技有限公司 | 一种基于大数据平台分析污染物危害性的处理方法及*** |
CN117672048B (zh) * | 2024-01-31 | 2024-04-19 | 山东大学 | 基于氮同位素测试的氮源分析虚拟仿真实验***及方法 |
CN117699958B (zh) * | 2024-02-02 | 2024-04-19 | 青岛海湾中水有限公司 | 一种污水处理***及污水处理方法 |
CN118134120B (zh) * | 2024-05-08 | 2024-07-12 | 河北省地质环境监测院 | 一种区域地下水环境质量空时变化的定量评价方法及*** |
CN118211355A (zh) * | 2024-05-21 | 2024-06-18 | 河北省地质环境监测院 | 一种适用于污染场地的监测井布设方法、装置及电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090093174A (ko) * | 2008-02-28 | 2009-09-02 | 연세대학교 산학협력단 | 지하수오염 취약성 평가방법 및 그 시스템 |
BRPI0805758A2 (pt) * | 2008-12-11 | 2010-08-24 | Inst Tecnologico De Aeronautica Ita | processo para locaÇço de poÇos de monitoramento de Água subterranea |
CN103744829A (zh) * | 2014-01-02 | 2014-04-23 | 环境保护部环境规划院 | 一种地下水污染防治区划分的方法 |
CN104794298A (zh) * | 2015-04-29 | 2015-07-22 | 南华大学 | 一种铀尾矿库核素对库区地下水污染风险评价的方法 |
CN105427013A (zh) * | 2015-10-27 | 2016-03-23 | 中国环境科学研究院 | 一种地下水污染源强评价方法 |
CN105654236A (zh) * | 2015-12-29 | 2016-06-08 | 北京师范大学 | 一种地下水型饮用水水源地污染风险评价方法 |
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 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7497957B2 (en) * | 2005-01-21 | 2009-03-03 | Bernard Frank | System, method and apparatus for end-to-end control of water quality |
US7767093B2 (en) * | 2005-01-21 | 2010-08-03 | Bernard Frank | Method for end-to-end control of water quality |
CN102903014B (zh) * | 2012-09-06 | 2014-06-25 | 戴会超 | 江湖交汇水系水环境质量监测站点的优化布置方法 |
CN103412104B (zh) * | 2013-07-24 | 2015-07-15 | 环境保护部环境规划院 | 一种地下水脆弱性评价方法 |
CN106932549B (zh) * | 2015-12-29 | 2019-08-23 | 中国环境科学研究院 | 地下水水质综合预警方法 |
CN106021898A (zh) * | 2016-05-13 | 2016-10-12 | 中国环境科学研究院 | 一种地下水污染源强分级评价方法 |
CN106919754B (zh) * | 2017-02-28 | 2020-03-03 | 中国环境科学研究院 | 一种区域浅层地下水特殊脆弱性的评价方法 |
CN107025498B (zh) * | 2017-03-24 | 2022-05-17 | 中国环境科学研究院 | 一种优化地下水特殊脆弱性评价模型的方法 |
CN107194040B (zh) * | 2017-04-27 | 2020-12-18 | 西交利物浦大学 | 基于双向水流的水质监测网络多目标优化部署方法 |
CN107145672B (zh) * | 2017-05-09 | 2021-02-19 | 上海市环境科学研究院 | 平原河网区域地下水脆弱性及污染风险评估方法及*** |
-
2017
- 2017-10-16 CN CN201710963185.XA patent/CN107525907B/zh active Active
-
2018
- 2018-06-22 WO PCT/CN2018/092473 patent/WO2019076078A1/zh active Application Filing
-
2020
- 2020-04-15 US US16/849,389 patent/US10999141B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090093174A (ko) * | 2008-02-28 | 2009-09-02 | 연세대학교 산학협력단 | 지하수오염 취약성 평가방법 및 그 시스템 |
BRPI0805758A2 (pt) * | 2008-12-11 | 2010-08-24 | Inst Tecnologico De Aeronautica Ita | processo para locaÇço de poÇos de monitoramento de Água subterranea |
CN103744829A (zh) * | 2014-01-02 | 2014-04-23 | 环境保护部环境规划院 | 一种地下水污染防治区划分的方法 |
CN104794298A (zh) * | 2015-04-29 | 2015-07-22 | 南华大学 | 一种铀尾矿库核素对库区地下水污染风险评价的方法 |
CN105427013A (zh) * | 2015-10-27 | 2016-03-23 | 中国环境科学研究院 | 一种地下水污染源强评价方法 |
CN105654236A (zh) * | 2015-12-29 | 2016-06-08 | 北京师范大学 | 一种地下水型饮用水水源地污染风险评价方法 |
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 |
Non-Patent Citations (2)
Title |
---|
RESEARCH OF ENVIRONMENTAL SCIENCES, MULTI-OBJECTIVE OPTIMIZATION METHOD FOR GROUNDWATER CONTAMINATION MONITORING NETWORK BASED ON VULNERABILITY ASSESSMENT, vol. 31, no. 1, 31 January 2018 (2018-01-31), pages 80 - 81 * |
SIMULATION OPTIMIZATION MODEL IN GROUNDWATER MONITORING WELL OPTIMIZATION, CHINESE JOURNAL OF ENVIRONMENTAL ENGINEERING, vol. 10, no. 1, 31 January 2016 (2016-01-31), pages 223 - 228 * |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378590A (zh) * | 2019-07-10 | 2019-10-25 | 国网福建省电力有限公司 | 基于改进数据包络分析模型的多能源微网运营效率评价方法 |
KR20210101883A (ko) | 2020-02-11 | 2021-08-19 | 연세대학교 산학협력단 | 지하수 오염 정화를 위한 최적화 분석 방법 및 분석 장치 |
CN111539158B (zh) * | 2020-03-31 | 2023-06-16 | 中节能国祯环保科技股份有限公司 | 一种水体的最大污染负荷分配方法及*** |
CN111539158A (zh) * | 2020-03-31 | 2020-08-14 | 安徽国祯环保节能科技股份有限公司 | 一种水体的最大污染负荷分配方法及*** |
CN114491723A (zh) * | 2020-10-28 | 2022-05-13 | 北京市水利规划设计研究院 | 多含水层基坑降水的优化方法、***及电子设备 |
CN114491723B (zh) * | 2020-10-28 | 2024-01-12 | 北京市水利规划设计研究院 | 多含水层基坑降水的优化方法、***及电子设备 |
CN112288275A (zh) * | 2020-10-29 | 2021-01-29 | 中水三立数据技术股份有限公司 | 一种基于物联网的地下水水质分析评价***及方法 |
CN112685604A (zh) * | 2020-11-12 | 2021-04-20 | 郑州大学 | 一种基于图论理论的水系功能连通格局优化方法 |
CN112685604B (zh) * | 2020-11-12 | 2022-09-09 | 郑州大学 | 一种基于图论理论的水系功能连通格局优化方法 |
CN113607715A (zh) * | 2021-08-04 | 2021-11-05 | 梁宁 | 一种水体污染的管控方法 |
CN113607715B (zh) * | 2021-08-04 | 2022-06-24 | 陕西英思特信息科技有限公司 | 一种水体污染的管控方法 |
CN113552076A (zh) * | 2021-08-18 | 2021-10-26 | 重庆地质矿产研究院 | 一种页岩气开发区深层地下水环境监测及预警方法及*** |
CN113552076B (zh) * | 2021-08-18 | 2024-03-26 | 重庆地质矿产研究院 | 一种页岩气开发区深层地下水环境监测及预警方法及*** |
CN113702612B (zh) * | 2021-10-28 | 2022-02-22 | 江苏瑞立环保工程股份有限公司 | 基于人工智能的河岸污染检测及考察地点选址方法及*** |
CN113702612A (zh) * | 2021-10-28 | 2021-11-26 | 江苏瑞立环保工程股份有限公司 | 基于人工智能的河岸污染检测及考察地点选址方法及*** |
CN114970302A (zh) * | 2022-05-10 | 2022-08-30 | 沈阳工业大学 | 一种基于地下水监测***的区域地下水情预测方法 |
CN114970302B (zh) * | 2022-05-10 | 2024-03-15 | 沈阳工业大学 | 一种基于地下水监测***的区域地下水情预测方法 |
CN114755387A (zh) * | 2022-05-24 | 2022-07-15 | 深圳市环境科学研究院 | 基于假设检验法的水体监测点位优化方法 |
CN114755387B (zh) * | 2022-05-24 | 2023-01-31 | 深圳市环境科学研究院 | 基于假设检验法的水体监测点位优化方法 |
CN115081963A (zh) * | 2022-08-19 | 2022-09-20 | 江西省生态环境科学研究与规划院 | 一种地下水质风险分析方法及*** |
CN115578232A (zh) * | 2022-11-11 | 2023-01-06 | 北京华科仪科技股份有限公司 | 一种基于水质分析的水污染治理方法及*** |
CN116522566B (zh) * | 2023-07-05 | 2023-09-12 | 南京大学 | 基于物理信息驱动深度学习模型的地下水监测网优化方法 |
CN116522566A (zh) * | 2023-07-05 | 2023-08-01 | 南京大学 | 基于物理信息驱动深度学习模型的地下水监测网优化方法 |
CN116611274B (zh) * | 2023-07-21 | 2023-09-29 | 中南大学 | 一种地下水污染运移可视化数值模拟方法 |
CN116611274A (zh) * | 2023-07-21 | 2023-08-18 | 中南大学 | 一种地下水污染运移可视化数值模拟方法 |
CN117034044A (zh) * | 2023-10-09 | 2023-11-10 | 山东朝启电子科技有限公司 | 一种基于数据智能的智能表井管理*** |
CN117034044B (zh) * | 2023-10-09 | 2024-02-02 | 山东朝启电子科技有限公司 | 一种基于数据智能的智能表井管理*** |
CN117217027A (zh) * | 2023-11-02 | 2023-12-12 | 中国人民解放军国防科技大学 | 基于四维变分同化的污染物点源廓线排放估算方法和装置 |
CN117217027B (zh) * | 2023-11-02 | 2024-01-30 | 中国人民解放军国防科技大学 | 基于四维变分同化的污染物点源廓线排放估算方法和装置 |
CN118313699A (zh) * | 2024-06-07 | 2024-07-09 | 自然资源部第一海洋研究所 | 海岸带地下卤水资源开发利用的可持续性评价方法 |
Also Published As
Publication number | Publication date |
---|---|
US10999141B2 (en) | 2021-05-04 |
US20200252283A1 (en) | 2020-08-06 |
CN107525907A (zh) | 2017-12-29 |
CN107525907B (zh) | 2019-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019076078A1 (zh) | 地下水污染监测网多目标优化方法 | |
Rahmat et al. | Landfill site selection using GIS and AHP: a case study: Behbahan, Iran | |
CN107145672B (zh) | 平原河网区域地下水脆弱性及污染风险评估方法及*** | |
Taghavi et al. | Groundwater vulnerability assessment: A review including new statistical and hybrid methods | |
Frind et al. | Well vulnerability: a quantitative approach for source water protection | |
CN105654236B (zh) | 一种地下水型饮用水水源地污染风险评价方法 | |
CN106940840A (zh) | 一种城市内涝灾害风险评估方法 | |
Neshat et al. | Risk assessment of groundwater pollution using Monte Carlo approach in an agricultural region: an example from Kerman Plain, Iran | |
CN108536908A (zh) | 基于非点源氮磷流失风险对流域水环境安全评估的方法 | |
CN106570647A (zh) | 基于地下水污染风险评价的傍河水源地水质安全预警方法 | |
Kang et al. | Groundwater vulnerability assessment based on modified DRASTIC model: a case study in Changli County, China | |
CN112926172A (zh) | 一种突发性重金属水污染追踪溯源的方法 | |
CN107194850A (zh) | 一种城乡一体化商业生态安全格局构建方法 | |
CN109255485A (zh) | 基于rbfn机器学习的降雨型地质灾害预警预报模型及学习方法 | |
Chamanehpour et al. | The potential evaluation of groundwater pollution based on the intrinsic and the specific vulnerability index | |
Vivek et al. | Study on groundwater pollution and its human impact analysis using geospatial techniques in semi-urban of south India | |
CN103793580A (zh) | 基于河流生态***的重金属优控污染物筛选模型的建模方法 | |
Gemitzi et al. | Spatial prediction of nitrate pollution in groundwaters using neural networks and GIS: An application to South Rhodope aquifer (Thrace, Greece) | |
Mojarrad et al. | Convergence of groundwater discharge through the hyporheic zone of streams | |
Zhao et al. | Uncertainty assessment of mapping mercury contaminated soils of a rapidly industrializing city in the Yangtze River Delta of China using sequential indicator co-simulation | |
Cao et al. | Exploring the impact of landscape ecological risk on water quality in the Danjiangkou Reservoir, China | |
Wang et al. | Confined groundwater pollution mechanism and vulnerability assessment in oilfields, North China | |
Xueman et al. | Assessment and validation of confined aquifer vulnerability based on the VEBHAT method: a case study in Heilongjiang Province, northeastern China | |
CN106485076A (zh) | 一种流域化学完整性评估的方法 | |
Kuchampudi et al. | Analysis of sustainable groundwater management policies for urban development |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 18868051 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 18868051 Country of ref document: EP Kind code of ref document: A1 |