[发明专利]一种基于卷积生成对抗网络的含水层参数场反演方法

说明书

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习含水层参数场的非均质特征到低维标准正态分布向量的映射关系，实现复杂非均质特征的简单参数化表征，既充分考虑和保留了含水层参数场的复杂非均质特征，又显著减少了待估计参数的数量。本发明通过将卷积生成对抗网络与多步数据同化集合平滑算法结合，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。

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。