一種基于離散卷積殘差網絡的含水層結構反演識別方法，包括以下步驟：根據含水層結構先驗資料，建立含水層結構單個訓練樣本；基于單樣本，訓練神經網絡含水層結構生成模型；依據場地資料，準備正演替代模型訓練集；對訓練集數據歸一化處理；訓練正演替代模型；對觀測數據進行歸一化處理；基于訓練后的地質生成模型和正演替代模型，利用觀測數據，對含水層結構生成模型的輸入參數進行反演；將反演后的參數輸入到含水層結構生成模型中，獲取對應的后驗含水層結構。本發明僅需要基于單個含水層結構訓練樣本，就可以利用觀測資料對含水層結構進行反演，極大地提高含水層結構的反演速度，降低了含水層結構的不確定性。

技術領域

本發明涉及一種基于離散卷積殘差網絡的含水層結構反演識別方法，屬于基于多源觀測數據對含水層非均質性結構反演識別問題研究。

背景技術

地下水水流及溶質模擬廣泛地應用于各類水文地質領域應用，如場地污染物遷移預測、CO₂地質封存、地下水資源管理和放射性廢物地質存儲等。

準確的地下水水流及溶質模擬依賴于含水層非均質性結構的準確刻畫。僅依靠鉆孔數據來獲取含水層結構存在很大的不確定性，為了提高含水層結構刻畫的準確性，利用實際觀測數據，使用多源數據融合方法對含水層結構進行反演是目前一種十分有效的方法。

發明內容

本發的目的是提供一種基于離散卷積殘差網絡的含水層結構反演識別方法，該方法可以結合多源數據，如水頭、濃度數據等，對含水層的非均質性結構進行反演識別，減少含水層非均質結構的不確定性，從而提高場地地下水流及溶質模擬的模擬精度。

如圖1至圖5所示，一種基于離散卷積殘差網絡的含水層結構反演識別方法，包括以下步驟：

步驟1：通過資料收集等方式，建立一個目標含水層的先驗結構；

步驟2：將含水層先驗結構作為訓練集，利用并行單樣本生成對抗網絡對其進行學習，建立含水層結構生成模型；

步驟3：隨機生成參數樣本，輸入到訓練后的含水層結構生成模型，生成一系列與初始結構具有相同地質統計特征的含水層結構，將其輸入到溶質運移模型中，得到對應的水頭及濃度等狀態分布場，建立由“含水層結構-狀態場”樣本構成的正演替代模型訓練樣本集；

步驟4：對步驟3獲得的訓練樣本集作歸一化處理；

步驟5：結合離散卷積層和稠密殘差網絡構建一個由含水層結構作為輸入，狀態場作為輸出的正演替代模型；用步驟4中歸一化處理后的訓練樣本集對本步驟中的正演替代模型進行訓練；

步驟6：對觀測水頭、濃度數據采用步驟4相同的方法進行歸一化處理；

步驟7：隨機生成一系列含水層結構生成模型輸入參數的樣本，將參數樣本輸入到含水層結構生成模型中，獲得對應的含水層結構；

步驟8：將步驟7生成的含水層結構輸入到正演替代模型中，獲得對應的狀態場，從而獲得觀測點位置的水頭及濃度模擬預測值；

步驟9：基于模擬預測值與實際觀測數據，利用集合平滑器算法，對輸入到含水層結構生成模型的參數樣本進行更新；

步驟10：將步驟9更新后的參數輸入到含水層結構生成模型中，并利用正演替代模型獲取更新后含水層結構所對應觀測點位置的水頭及濃度模擬預測值；

步驟11：重復步驟9-10，直到達到設定的迭代次數；

步驟12：將最后更新得到的參數輸入到含水層結構生成模型中，即可獲得基于觀測數據的后驗含水層結構。

所述步驟1中目標含水層的初始結構需要與目標含水層結構具有相近的地質統計特征，如巖相體積比率、各方向延伸長度等；

所述步驟3中的訓練集均以圖像像素點值的形式存儲和處理；