【技术实现步骤摘要】
本专利技术涉及地下水文参数反演，尤其涉及一种基于不确定性量化的含水层渗透系数场深度学习反演方法。
技术介绍
1、地下水资源的有效管理、可持续利用以及污染防治，高度依赖于对地下含水层水文地质参数的精确刻画。其中，渗透系数（或水力传导率，k）是描述地下水流动能力的关键参数。获取高分辨率、非均质的渗透系数场，是地下水数值模拟和风险评估的基础。目前，获取渗透系数场信息的主要技术手段之一是现场的井间干扰抽水试验。该试验通过在一个或多个抽水井中以特定速率抽水，并在含水层内布置的一系列观测井中监测水头（h）的时空变化来推断含水层特性。这些水头响应数据间接反映了地下介质的渗透性能分布。
2、为了从这些稀疏、间接的水头观测数据中反演得到连续的渗透系数场，研究人员开发了多种方法。传统方法主要依赖于数值模拟与优化算法（如梯度法、遗传算法等）相结合的反演技术。近年来，随着人工智能技术的发展，机器学习，特别是以卷积神经网络为代表的深度学习方法，在处理水头场这类空间数据方面展现出巨大潜力，为含水层参数反演提供了新的解决思路。
3、现阶段，含...
【技术保护点】
1.一种基于不确定性量化的含水层渗透系数场深度学习反演方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于不确定性量化的含水层渗透系数场深度学习反演方法，其特征在于，所述步骤一中，对每个水头场数据通道分别进行Z-score归一化处理，对渗透系数场真实值先取自然对数再进行Min-Max归一化至0～1区间。
3.根据权利要求1所述的基于不确定性量化的含水层渗透系数场深度学习反演方法，其特征在于，所述步骤二中，神经网络模型H-UQNet采用编码器－解码器架构，由多个残差卷积块堆叠组成，且每个残差卷积块均包括两个卷积层、两个批量归一化层、至少...
【技术特征摘要】
1.一种基于不确定性量化的含水层渗透系数场深度学习反演方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于不确定性量化的含水层渗透系数场深度学习反演方法，其特征在于，所述步骤一中，对每个水头场数据通道分别进行z-score归一化处理，对渗透系数场真实值先取自然对数再进行min-max归一化至0～1区间。
3.根据权利要求1所述的基于不确定性量化的含水层渗透系数场深度学习反演方法，其特征在于，所述步骤二中，神经网络模型h-uqnet采用编码器－解码器架构，由多个残差卷积块堆叠组成，且每个残差卷积块均包括两个卷积层、两个批量归一化层、至少一个非线性激活函数和一个dropout层以及将输入信号与卷积层输出相加的快捷残差连接；
4.根据权利要求3所述的基于不确定性量化的含水层渗透系数场深度学习反演方法，其特征在于，所述神经网络模型h-uqnet的编码器路径包括一初始卷积层，用于将输入水头数据的通道数扩展至预定的初始通道数，并依次包括至少两级残差卷积块及相应的下采样操作，以提取不同尺度的特征。
5.根据权利要求4所述的基于不确定性量化的含水层渗透系数场深度学习反演方法，其特征在于，所述神经网络模型h-uqnet的解码器路径包括与编码器各级对应的上采样过程，每一级上采样通过转置卷积将特征图的空间尺寸放大，并与对应编码器阶段的特征图经跳跃连接拼接后输入解码器残差卷积块以融合重建特征。
6.根据权利要求3所述的基于不确定性量...
【专利技术属性】
技术研发人员：陈宁，吕沈欢，王超琦，窦智，朱延，
申请(专利权)人：河海大学，
类型：发明
国别省市：
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。