论文部分内容阅读
地下水污染具有存在的隐蔽性和发现的滞后性特点,致使人们对于地下水污染源的状况缺乏了解和掌握。这给地下水污染责任认定、污染风险评估和修复方案设计都带来了很大的困难。因此,有关地下水污染源反演识别的研究就显得格外重要。地下水污染源反演识别是指根据有限的地下水污染监测数据,对描述地下水污染的数学模拟模型进行反演求解,从而识别确定地下水污染源的个数、空间位置和释放历史等相关信息。其中,释放历史是指污染物释放强度随时间的变化过程。地下水污染源反演识别在数学上属于数理方程反问题(或称数理方程反演问题)。反演问题大都具有非线性和病态性(不适定性)的特点,原因在于求解反演问题时,已知的信息量远远少于待求的信息量,这也正是反演问题的难点之所在。本文旨在运用模拟-优化反演的理论和方法研究解决地下水重非水相流体(Dense non-aqueous phase liquids,DNAPLs)污染的污染源反演识别问题。DNAPLs具有高密度、低水溶性、高毒性和高界面张力的特性。在DNAPLs污染含水层的实际修复过程中,常常面临污染物去除率低、修复过程时耗长和修复费用昂贵的困难。因此,制定合理高效的修复方案就显得尤为重要。而合理高效修复方案的制定则要以对于含水层中DNAPLs污染源状况的识别和掌握为前提。然而,目前地下水污染源反演识别的研究尚处于发展阶段,有关地下水DNAPLs污染源反演识别的研究更是屈指可数。因此,如何通过多种方法的综合运用,对地下水DNAPLs污染源反演识别研究前沿中尚待解决的问题开展深入研究,具有重要的理论意义和实际应用价值。本文采用假想例子与实际例子相结合的研究方式,深入研究探讨了基于替代模型的模拟优化方法、混合同伦-差分进化算法、自适应循环修正方法、不确定性分析方法在地下水DNAPLs污染源反演识别问题中的可行性及有效性。首先,初步建立研究区的地下水DNAPLs污染多相流模拟模型并进行参数敏感性分析,筛选敏感参数作为待识别的含水层参数。运用拉丁超立方抽样方法在待识别变量(包括污染源的相关信息,以及敏感含水层参数)的可行域内抽样,并运行多相流模拟模型得到输入-输出样品数据集。之后,根据输入-输出样品数据集,应用克里格(Kriging)法、支持向量回归(Support vector regression,SVR)法和核极限学习机(Kernel extreme learning machine,KELM)法建立多相流模拟模型的替代模型。在此基础上,应用差分进化算法,优化确定各替代模型的权重,建立差分进化组合替代模型。然后,建立非线性规划优化模型,同时将差分进化组合替代模型作为约束条件之一嵌入到优化模型之中代替模拟模型。应用混合同伦-差分进化算法对优化模型进行求解,反演识别地下水污染源特征及含水层参数取值。在完成优化模型的求解后,根据当前最优解,应用改进的自适应更新抽样方法修正替代模型的训练样本,进而更新替代模型和优化模型,建立自适应循环修正过程,使抽样、替代模型和优化模型的结果都逐步得到修正改善。最后,针对地下水水质动态监测数据的不确定性,应用蒙特卡洛方法对地下水污染源反演识别进行不确定性分析,计算污染源位置、释放历史等相关信息及含水层参数值的概率分布特征,为决策者提供更为丰富、全面、可靠的参考依据。通过本文的研究,主要得到以下几条结论:(1)克里格替代模型和核极限学习机替代模型对多相流模拟模型的逼近精度均高于支持向量回归替代模型,克里格替代模型略优于核极限学习机替代模型。差分进化组合替代模型的各项精度评估指标均明显优于三种单一的替代模型,对模拟模型的逼近精度最高。(2)在求解非线性规划优化模型的过程中,混合同伦-差分进化算法与差分进化算法相比,能够更有效地搜寻到全局最优解,避免寻优过程陷入早熟收敛,有效地提高了污染源及含水层参数的识别精度。将同伦算法与差分进化算法相结合是对传统启发式算法的有效改进。(3)应用自适应循环修正方法对地下水污染源反演识别结果进行修正,可以显著提高识别精度。假想例子的研究中,在自适应循环修正过程结束后,最终识别结果的平均相对误差仅为2.14%,明显低于最初识别结果的平均相对误差3.28%。(4)本文所应用的方法体系,能够以很小的计算负荷实现地下水污染源与含水层参数的同步反演识别,同时保持较高的计算精度。识别出的污染源位置可以为污染责任认定提供可靠依据,而根据污染源与含水层参数识别结果建立多相流模拟模型,能够准确地计算当前或预报未来含水层中污染物的分布情况,从而为地下水污染修复方案设计和风险评估提供可靠依据。(5)地下水水质监测数据的误差不可避免,具有很大的不确定性。依据地下水水质监测数据,运用确定性方法进行地下水污染源反演识别,只能获得唯一的识别结果,该识别结果同样具有很大的不确定性。通过不确定性分析,可获得识别结果的概率分布特征及识别结果在不同置信水平下的置信区间,从而为决策者提供更为丰富、全面、可靠的参考依据。