基于进化算法的地下水污染源识别
发布时间：2021-06-12 23:37
地下水污染严重、水生态环境恶化等问题已成为制约经济社会可持续发展的主要因素。因此,亟需开展地下水污染治理与修复工作。准确识别污染源信息是高效治理和修复地下水污染的前提,但含水层参数的空间变异性给污染源信息的准确识别增加了难度,同时求解效率和精度也是一大难题。虽然已经有许多学者进行研究,但如何在不确定性条件下求解地下水污染源识别问题,目前仍然是一个充满挑战的课题。本文基于模拟-优化理论框架,首先将快速和谐搜索（Fast harmony search,FHS）算法引入到地下水污染源信息识别领域,将其与地下水水流模拟软件MODFLOW和地下水溶质运移模拟软件MT3DMS相耦合,建立确定条件下地下水污染源信息识别模拟-优化模型,并将其应用于求解含水层参数确定条件下地污染源特征信息（包括污染源浓度、泄露时间和位置的识别）识别问题;然后,结合NGA思想改进FHS算法,处理渗透系数空间变异性所引起的优化模型目标函数不确定性问题,提出噪声快速和谐搜索（Noisy fast harmony search,NFHS）算法,并将其应用于求解考虑渗透系数变异条件下的地下水污染源识别问题。算例优化结果表明:利用...
【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
研究区网格剖分及污染源、渗透系数、抽注水井与观测井位置分布图
第四章含水层参数不确定条件下污染源识别27图4.1研究区网格剖分及污染源、抽注水井与观测井位置分布图Fig4.1Meshdivisionanddistributionmapofcontaminantsources,pumpingandinjectionwellsandobservationwellsinthestudyarea4.2NFHS算法的初步验证为了验证NFHS算法求解地下水污染源识别问题的有效性，现在控制需要识别的参数，对在不同σ2(lnK)条件下识别得到的优化结果进行对比分析。4.2.1单独识别污染源浓度由于浓度在识别过程中为连续变量，且搜索范围远大于位置坐标、泄露初始时间和结束时间的范围，因此首先选择浓度作为单一识别参数进行识别试验。假定研究区渗透系数存在空间变异性，场地内存在一个仅未知浓度的污染源S1持续泄露，其位置网格坐标为(4,7)，且泄露时间从3月开始至8月结束。利用建立的污染源识别模拟-优化模型，采用NFHS算法识别污染源S1的浓度，并利用蒙特卡洛（MonteCarlo，MC）方法对优化结果进行统计分析。真实污染源S1(x1,y1)浓度信息预设为505.8g/L。NFHS算法参数设置如下：lHMS=50，mHMCR=0.7，pPAR最小值和最大值分别为0.1和0.99，最大迭代次数为6000。不同σ2(lnK)条件下识别得到的结果如表4.1所示。从表4.1可以看出，在渗透系数场不确定条件下仅对污染源浓度进行识别，得到的结果误差非常小，在σ2(lnK)为0.1、0.3和0.5情况下误差分别为0.927%、2.695%和2.570%。由于不同σ2(lnK)条件下求得的优化结果即最优解非常接近，现以当σ2(lnK)=0.1，对应优化结果为501.109g/L为例对得到的结果进行MC统计分析，作出不同观测点处的污染物
【参考文献】：
期刊论文
[1]基于改进人工蜂群算法的地下水埋深预测研究[J]. 朱洪生,王继华,陈新. 人民黄河. 2020(03)
[2]地表水污染源识别方法研究进展[J]. 刘晓东,王珏. 水科学进展. 2020(02)
[3]基于粒子群算法优化极限学习机的区域地下水水质综合评价模型[J]. 朱伟峰,张皓然,张亮亮,刘东. 南水北调与水利科技. 2019(04)
[4]基于贝叶斯公式的地下水污染源识别[J]. 张双圣,强静,刘汉湖,刘喜坤,朱雪强. 中国环境科学. 2019(04)
[5]一种基于禁忌搜索的全局最优化模糊聚类算法[J]. 朱毅,杨航,吕泽华,陈传波,邹小威. 电子学报. 2019(02)
[6]基于替代模型的地下水DNAPLs污染源反演识别[J]. 侯泽宇,卢文喜,王宇. 中国环境科学. 2019(01)
[7]基于人工蜂群算法的BP双隐含层神经网络水质模型[J]. 杨咪,徐盼盼,钱会,侯凯. 环境监测管理与技术. 2018(01)
[8]地下水污染源识别的数学方法研究进展[J]. 王景瑞,胡立堂. 水科学进展. 2017(06)
[9]机器学习算法反求水文地质参数[J]. 强玲娟,常安定,陈玉雪. 煤田地质与勘探. 2017(03)
[10]基于变步长梯度正则化算法识别分数阶地下水污染模型参数[J]. 邢利英,张国珍. 兰州交通大学学报. 2017(03)
博士论文
[1]地下水污染源解析的贝叶斯监测设计与参数反演方法[D]. 张江江.浙江大学 2017
本文编号：3226525
【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
研究区网格剖分及污染源、渗透系数、抽注水井与观测井位置分布图
第四章含水层参数不确定条件下污染源识别27图4.1研究区网格剖分及污染源、抽注水井与观测井位置分布图Fig4.1Meshdivisionanddistributionmapofcontaminantsources,pumpingandinjectionwellsandobservationwellsinthestudyarea4.2NFHS算法的初步验证为了验证NFHS算法求解地下水污染源识别问题的有效性，现在控制需要识别的参数，对在不同σ2(lnK)条件下识别得到的优化结果进行对比分析。4.2.1单独识别污染源浓度由于浓度在识别过程中为连续变量，且搜索范围远大于位置坐标、泄露初始时间和结束时间的范围，因此首先选择浓度作为单一识别参数进行识别试验。假定研究区渗透系数存在空间变异性，场地内存在一个仅未知浓度的污染源S1持续泄露，其位置网格坐标为(4,7)，且泄露时间从3月开始至8月结束。利用建立的污染源识别模拟-优化模型，采用NFHS算法识别污染源S1的浓度，并利用蒙特卡洛（MonteCarlo，MC）方法对优化结果进行统计分析。真实污染源S1(x1,y1)浓度信息预设为505.8g/L。NFHS算法参数设置如下：lHMS=50，mHMCR=0.7，pPAR最小值和最大值分别为0.1和0.99，最大迭代次数为6000。不同σ2(lnK)条件下识别得到的结果如表4.1所示。从表4.1可以看出，在渗透系数场不确定条件下仅对污染源浓度进行识别，得到的结果误差非常小，在σ2(lnK)为0.1、0.3和0.5情况下误差分别为0.927%、2.695%和2.570%。由于不同σ2(lnK)条件下求得的优化结果即最优解非常接近，现以当σ2(lnK)=0.1，对应优化结果为501.109g/L为例对得到的结果进行MC统计分析，作出不同观测点处的污染物
【参考文献】：
期刊论文
[1]基于改进人工蜂群算法的地下水埋深预测研究[J]. 朱洪生,王继华,陈新. 人民黄河. 2020(03)
[2]地表水污染源识别方法研究进展[J]. 刘晓东,王珏. 水科学进展. 2020(02)
[3]基于粒子群算法优化极限学习机的区域地下水水质综合评价模型[J]. 朱伟峰,张皓然,张亮亮,刘东. 南水北调与水利科技. 2019(04)
[4]基于贝叶斯公式的地下水污染源识别[J]. 张双圣,强静,刘汉湖,刘喜坤,朱雪强. 中国环境科学. 2019(04)
[5]一种基于禁忌搜索的全局最优化模糊聚类算法[J]. 朱毅,杨航,吕泽华,陈传波,邹小威. 电子学报. 2019(02)
[6]基于替代模型的地下水DNAPLs污染源反演识别[J]. 侯泽宇,卢文喜,王宇. 中国环境科学. 2019(01)
[7]基于人工蜂群算法的BP双隐含层神经网络水质模型[J]. 杨咪,徐盼盼,钱会,侯凯. 环境监测管理与技术. 2018(01)
[8]地下水污染源识别的数学方法研究进展[J]. 王景瑞,胡立堂. 水科学进展. 2017(06)
[9]机器学习算法反求水文地质参数[J]. 强玲娟,常安定,陈玉雪. 煤田地质与勘探. 2017(03)
[10]基于变步长梯度正则化算法识别分数阶地下水污染模型参数[J]. 邢利英,张国珍. 兰州交通大学学报. 2017(03)
博士论文
[1]地下水污染源解析的贝叶斯监测设计与参数反演方法[D]. 张江江.浙江大学 2017
本文编号：3226525
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3226525.html
