一种基于贝叶斯集成学习机的地质统计模式识别方法技术

本发明专利技术提供了一种基于贝叶斯集成学习机的地质统计模式识别方法，根据观测资料，建立地下水有机污染多相流运移数值模型，确定模型中对于污染物时空分布贡献程度较高的污染源特征、污染物运移参数以及各变量的先验分布特征；准备数值模型输入

【技术实现步骤摘要】
一种基于贝叶斯集成学习机的地质统计模式识别方法


[0001]本专利技术属于人工智能与地下水数值模拟的结合应用研究
，具体涉及一种基于贝叶斯集成学习机的地质统计模式识别方法。

技术介绍

[0002]有机污染物具有低水溶性、高毒性和高界面张力等特性，进入地下水系统后会聚集滞留在含水层的顶部或底部(聚集位置取决于污染物密度小于水或大于水)，在与水接触的过程中不断向水中溶解释放，造成严重且持久的污染。因此，有效识别污染源特征及污染物运移参数，进行准确的污染物时空分布模拟预测，对于实现可靠的污染风险评估并制定合理高效的修复方案至关重要。
[0003]但解决污染源特征及污染物运移参数反演识别所采用的数据同化方法通常需要成千上万次地迭代调用有机污染物运移的多相流数值模拟模型，这会产生庞大的计算负荷和冗长的计算时间。针对这一问题，利用人工智能方法识别并逼近模拟模型输入输关系，从而建立其替代模型是目前主要的解决方案。

技术实现思路

[0004]为解决上述问题，本专利技术提出了一种基于贝叶斯集成学习机的地质统计模式识别方法，可以用于识本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于贝叶斯集成学习机的地质统计模式识别方法，其特征在于，包括以下步骤：S1：利用野外现场调查和动态监测方法，获得污染场地的水文地质条件及污染特征；S2：对所述水文地质条件进行概化处理，根据概化处理后的所述水文地质条件和所述污染特征，建立地下水有机污染多相流数值模拟模型；S3：根据场地资料、水文地质调查和经验，确定所述地下水有机污染多相流数值模拟模型中大于污染物时空分布贡献阈值的污染源特征、污染物运移参数以及各变量的先验分布特征；基于所述各变量的先验分布特征，获得所述地下水有机污染多相流数值模拟模型的输入
‑
输出训练样本集和检验样本集；S4：基于所述输入
‑
输出训练样本集，采用不同单一机器学习方法，获得所述地下水有机污染多相流数值模拟模型的输入
‑
输出非线性映射关系，基于所述输入
‑
输出非线性映射关系，构建所述地下水有机污染多相流数值模拟模型模式识别的若干单一机器学习模型，将若干单一机器学习模型进行加权线性叠加构成集成学习模型；S5：基于所述检验样本集、若干单一机器学习模型和所述集成学习模型，建立各单一机器学习模型预设的关键参数及组合权重的贝叶斯多目标非线性规划优化模型；S6：利用粒子群优化算法，求解所述贝叶斯多目标非线性规划优化模型，获得最优的模型参数及组合权重，基于所述最优的模型参数及组合权重，构建所述地下水有机污染多相流数值模拟模型的贝叶斯集成学习智能模式识别模型，基于所述贝叶斯集成学习智能模式识别模型，完成地质统计模式识别。2.根据权利要求1所述的基于贝叶斯集成学习机的地质统计模式识别方法，其特征在于，所述S1中，所述水文地质条件为水文地质单元范围、含水层岩性结构、地下水埋藏深度和流向；所述污染特征为污染物和所述污染物分布情况。3.根据权利要求1所述的基于贝叶斯集成学习机的地质统计模式识别方法，其特征在于，所述S2中，利用UTCHEM软件构建所述地下水有机污染多相流数值模拟模型。4.根据权利要求1所述的基于贝叶斯集成学习机的地质统计模式识别方法，其特征在于，所述S3中，所述污染源特征为污染源的纵向坐标、污染源的横向坐标、污染物迁移转化时长、污染物泄漏量；所述污染物运移参数包括：孔隙度、渗透率、纵向水相弥散度、横向水相弥散度、水力梯度。5.根据权利要求1所述的基于贝叶斯集成学习机的地质统计模式识别方法，其特征在于，所述S3中，基于所述各变量的先验分布特征，获得所述地下水有机污染多相流数值模拟模型的输入
‑
输出训练样本集和检验样本集的方法为：根据所述各变量的先验分布特征，随机采样若干组样本，逐一代入所述地下水有机污染多相流数值模拟模型，得到每组样本对应的模型输出响应，其中，所述每组样本对应的模型输出响应对应...

【专利技术属性】
技术研发人员：侯泽宇，林英姿，朱晓艳，张雨婷，
申请(专利权)人：吉林建筑大学，
类型：发明
国别省市：