【技术实现步骤摘要】
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
[0001]本专利技术涉及含水层结构识别
，特别是涉及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。
技术介绍
[0002]地下水水流及溶质模拟广泛地应用于各类水文地质领域应用，如场地污染物迁移预测、CO2地质封存、地下水资源管理和放射性废物地质存储等。
[0003]准确的地下水水流及溶质模拟依赖于含水层结构的准确刻画。基于地质统计理论的含水层结构识别方法能够依靠钻孔数据来获取含水层结构，但是由于钻孔分布较为稀疏，含水层结构参数及对应的含水层结构均存在很大的不确定性，为了提高含水层结构刻画的准确性，利用实际观测数据，结合多源数据融合方法对含水层结构参数及其后验结构进行反演是目前一种十分有效的方法。
[0004]近些年以来，随着深度学习技术的不断发展，一些图像处理的技术可以有效地应用于含水层结构识别中，如生成对抗网络，自编码器以及卷积神经网络等，提高含水层结构识别的精度与速度。而目前基于深度学习技术的含水层结构反演方法通常需要提供大量与目标含水层结...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的含水层结构阶段式随机反演识别方法，其特征在于：包括以下步骤：S1、收集场地先验资料，设置含水层结构参数的先验分布；S2、基于所述含水层结构参数的先验分布，随机生成含水层结构参数样本，构成第一阶段溶质运移模拟替代模型的训练样本，训练所述第一阶段溶质运移模拟替代模型；S3、采集含水层结构参数初始样本，基于所述第一阶段溶质运移模拟替代模型，对含水层结构参数进行反演，获取后验含水层结构参数；S4、基于所述后验含水层结构参数，构建并训练含水层结构生成模型；S5、基于所述场地先验资料，构建并训练第二阶段溶质运移模拟替代模型；S6、采集观测数据，基于训练好的所述含水层结构生成模型和所述第二阶段溶质运移模拟替代模型，对所述含水层结构生成模型的输入参数进行反演；S7、将反演后的所述输入参数输入到含水层结构生成模型中，获得后验含水层结构。2.根据权利要求1所述的基于深度学习的含水层结构阶段式随机反演识别方法，其特征在于：所述S2包括：S2.1、基于所述含水层结构参数的先验分布，随机生成含水层结构参数样本，利用指示克里金模型，生成第一阶段含水层结构，获取所述第一阶段含水层结构对应的第一阶段状态场，构成第一阶段溶质运移模拟替代模型的第一阶段训练样本；S2.2、归一化所述第一阶段训练样本；S2.3、构建第一阶段溶质运移模拟替代模型，利用归一化后的所述第一阶段训练样本训练所述第一阶段溶质运移模拟替代模型。3.根据权利要求1所述的基于深度学习的含水层结构阶段式随机反演识别方法，其特征在于：所述S3包括：S3.1、基于所述含水层结构参数先验分布，提取第一阶段含水层结构参数的初始样本，随机生成第一阶段含水层结构，输入所述第一阶段溶质运移模拟替代模型，获得对应的第一阶段水头、浓度预测值；S3.2、采集第一阶段水头、浓度实测值，比较所述第一阶段水头、浓度预测值和所述第一阶段水头、浓度实测值，更新第一阶段含水层结构参数，基于更新后的所述第一阶段含水层结构参数，更新所述第一阶段含水层结构，更新所述第一阶段水头、浓度预测值，重复步骤S3.2，直到预设的迭代次数，提取最终更新的所述第一阶段含水层结构参数，获得所述后验含水层结构参数。4.根据权利要求3所述的基于深度学习的含水层结构阶段式随机反演识别方法，其特征在于：所述S4包括：S4.1、基于所述后验含水层结构参数，生成若干个第一阶段含水层结构样本，其中，若干个所述第一阶段含水层结构样本作为含水层结构生成模型的训练样本；S4.2、构建所述含水层结构生成模型，利用若干个所述第一阶段含水层结构样本训练所述含水层结构生成模型。5.根据权利要求4所述的基于深度学习的含水层结构阶段式随机反演识别方法，其特征在于：所述S...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。