DNAPLs污染含水层多相流模拟模型的替代模型研究

发布时间：2020-07-12 20:39

【摘要】：在石油的开采、炼制、储运和使用的过程中,由于泄漏、偷排和意外事故等原因,使原油和各种石油类产品进入环境而造成污染。石油产品主要是由烷烃、环烷烃和芳香烃组成的混合物,具有致癌、致畸和致突变的潜在威胁,属有毒污染物,对人类和环境都具有巨大的危害。石油类污染物在水中的溶解度一般很小,进入地下环境后通常以非水相流体(NAPLs,Non-Aqueous Phase Liquids)的形式存在。重非水相流体(DNAPLs)具有高密度、低水溶性和高界面张力的特性,比轻非水相流体(LNAPLs)更难修复,像常用的抽出-处理技术对它都难以奏效,并且修复费用非常昂贵,单个污染场地的去除修复费用常常需要数亿美元。近年来出现的表面活性剂冲洗技术,也称为表面活性剂强化含水层修复技术(Surfactant Enhanced Aquifer Remediation, SEAR),是对抽出-处理技术的改进。表面活性剂对憎水性有机污染物具有增溶作用(Solubilization)和增流作用(Mobilization),能有效提高DNAPLs在水中的溶解性和迁移性,能使更多的自由相的DNAPLs进入水中,从而大幅度提高抽出-处理技术对于DNAPLs修复的有效性。目前,表面活性剂强化含水层修复技术(SEAR)尚处在发展阶段,影响SEAR修复效果和修复费用的因素非常复杂,包括抽、注水井的选位,抽、注水强度的大小与分配,表面活性剂的浓度等。因此,如何在现场调查的基础上,通过模拟模型和优化模型的合理运用,对修复工程方案进行优选,以提高修复效率并节省修复费用,是一个亟待解决且具有重要理论和实际意义的科学问题。而在运用模拟模型和优化模型的过程中,优化模型的迭代求解过程需要反复多次调用模拟模型(即对模拟模型进行求解),对于DNAPLs污染含水层多相流数值模拟模型而言,反复多次计算模拟模型会带来庞大的计算负荷,这会严重制约模拟模型和优化模型在DNAPLs污染含水层修复工程实际应用中的可行性。因此,建立合理有效的替代模型成为解决问题的可行途径。替代模型在功能上逼近模拟模型,在计算上则易于解算,大幅度地减少计算负荷。然而,替代模型的研究尚处于尝试探索阶段,其精度的好坏取决于采样方法和替代模型种类的研究选定。因此,本文针对表面活性剂强化的DNAPLs污染含水层修复问题,分别以假想DNAPLs污染含水层和实际污染场地DNAPLs污染含水层为例,开展了多相流模拟模型的替代模型理论和方法的创新性研究。首先在建立多相流数学模拟模型的基础上,分别运用蒙特卡罗采样方法和拉丁对偶变数复合采样方法在多相流模拟模型可控输入变量的可行域内采样,然后运转多相流模拟模型产生输入-输出样品数据集。对比分析了两种方法采样结果的采样效率和覆盖程度,同时为模拟模型的替代模型的建立准备数据样本。然后,基于由两种采样方法和模拟模型获得的输入-输出样品数据集,分别运用双响应面方法和径向基函数人工神经网络方法建立了多相流模拟模型的替代模型。最后,任意选取了一组新的抽注水方案,分别代入到多相流模拟模型和运用不同途径建立的替代模型中求解,并对计算结果进行了对比分析,从中遴选和总结出了合适的建立多相流模拟模型的替代模型的理论和方法。本文的研究取得的主要结论如下: ①对于同一种建模方法(双响应面方法或径向基函数人工神经网络方法),基于拉丁对偶变数复合采样建立的替代模型对模拟模型的逼近程度明显高于基于蒙特卡罗采样建立的替代模型对模拟模型的逼近程度。这是由于蒙特卡罗采样法是利用随机数从概率分布中采样的随机采样方法,它得出的样品完全随机出现,常常产生数据点偏聚的问题,抽取出的样品对总体覆盖程度不高;而拉丁对偶变数复合采样属于分层采样,它在保证采样效率的同时,得出的样品更加精确地反映了输入概率函数中值的分布,使样品空间的覆盖程度得到了保证,抽取的样品具有一定代表性。 ②对于同一种采样方法(蒙特卡罗方法或拉丁对偶变数复合方法),运用径向基函数人工神经网络法建立的替代模型对模拟模型的逼近程度明显高于运用双响应面方法建立的替代模型对模拟模型的逼近程度。这是由于双响应面方法在使用前,都要事先对某问题的输入-输出函数关系类型有一个判断,然后才能确定建立何种形式的回归方程。但经判断后建立的回归方程作为替代模型,其对模拟模型的逼近程度仍然有限。而径向基函数神经网络通过不断调整输入样本的聚类中心和隐含层到输出层之间的权值,使网络的实际输出逐渐向希望输出逼近,最终使其有识别输入模式特征的能力。并且径向基函数人工神经网络收敛速度快,能够找到全局极小。 ③通过综合对比分析,假想例子与实际例子的计算结果和结论得到了相互印证。运用两种采样方法结合两种建模方法所建立的替代模型在功能上都能逼近模拟模型,均具备了与模拟模型相近的输入输出关系。但是它们对原模拟模型的逼近程度仍有差别,按对模拟模型的逼近程度从低到高排序是:基于蒙特卡罗采样的双响应面模型、基于拉丁对偶变数复合采样的双响应面模型、基于蒙特卡罗采样的径向基函数人工神经网络模型、基于拉丁对偶变数复合采样的径向基函数人工神经网络模型。因此,针对DNAPLs污染含水层修复问题,运用拉丁对偶变数复合采样法结合径向基函数人工神经网络方法建立的多相流模拟模型的替代模型,是更为合理有效的替代模型。
【学位授予单位】：吉林大学
【学位级别】：博士
【学位授予年份】：2011
【分类号】：X52
【图文】：

拓扑结构图,径向基函数神经网络,拓扑结构,向量

图 4.1 径向基函数神经网络的拓扑结构Fig.4.1 The topology of radial basis function neural networ函数人工神经网络基本原理维向量 X ，输出m 维向量Y ，则径向基函数网络隐( )i iq = R X c 为n维输入向量；ic 是第 i 个隐节点的中心( i = 1, 2, 的个数；iX c是向量iX c的范数；R(·)为径数常选用高斯函数，它将径向基层单元 j ( j = 1,2, 入向量px 之间的向量距离与偏差jb 的乘积作为输入( )2, 1, 2, ,mj p j j ij pi jz x w b w x b j R== = ∑ × =

示意图,径向基函数神经网络,隐含层,示意图

图 4.2 径向基函数神经网络隐含层神经元的输入与输出示意图e schematic diagram of Hidden neurons input and output of radial baneural network向基函数人工神经网络学习算法基函数人工神经网络的学习训练大致分成两个阶段(Wang et al.,2006;Du et al.,2008;Boyd,2010b; Navarro et al.,2011)：(1)利法训练隐含层的径向基参数。首先，从隐节点中任意选取个对对输入样本进行聚类，不断调整聚类中心直到新的聚类中心不化很小，则最终确定径向基函数神经网络的基函数中心，然后小二乘法求解隐含层到输出层之间的权值。通过不断调整径到达网络输出与目标输出逼近的目的，最终使网络收敛。学习基函数神经网络具备输入输出识别能力。因此选用径向基函数模拟模型的近似替代模型。所述，径向基函数神经网络中需要求解的参数有：基函数中

问题描述

长160m，宽50m，孔隙度为0.34，渗透率 K 为5000mD(毫达西)。地下水在含水层系统中的运动为二维非稳定流，地下水流方向为由左向右，左边界和右边界为定压边界，其余边界均为隔水边界。如图5.1所示，在研究区中心有一个四氯乙烯(PCE)泄漏点B，泄漏量为33.33m3/d，PCE浓度为100%(体积分数)，本文中污染物PCE浓度均用体积百分数表示。为了对污染含水层进行修复，在泄漏处设置一个抽水井C，另两端分别设置注入井A、D。其他参数设定见表5.1。图 5.1 问题描述图Fig.5.1 Description of the problem表 5.1 研究区物理、化学参数值Tab.5.1 Physical and chem

【引证文献】