基于过程模拟的地下水污染源识别研究进展

地下水是重要的水资源,与大气和地表水相比,地下水污染具有隐蔽性、滞后性和不可逆转性等特点.在地下水污染发生后,经过污染源识别,可以快速掌握污染源的信息(数量、位置、释放历史),这对于地下水污染源头防控、污染修复方案的合理设计、污染责任的准确认定等具有重要作用.本文主要综述了地下水污染源识别方法中基于过程模拟的数理方程反演法,并基于CiteSpace和VOSviewer文献计量软件对相关文献进行分析,获得本领域的研究现状与热点.最后提出了基于过程模拟的数理方程反演法研究中未来的发展趋势.

基于BP神经网络替代模型的地下水污染随机模拟

为分析水文地质参数的不确定性对地下水数值模拟模型输出结果的影响,针对假想算例进行研究。首先建立地下水数值模拟模型。运用灵敏度分析法筛选出对模拟模型输出结果影响较大的参数作为随机变量,为减少反复调用模拟模型产生的计算负荷,分别采用克里格法和BP神经网络方法建立模拟模型的替代模型并比较二者的精度,并选择精度较高的BP神经网络替代模型进行蒙特卡罗模拟。其中,采用BP神经网络方法建立替代模型时,使用三分法算法快速地确定了使替代模型误差最小的隐含层节点数。最后,对随机模拟的结果进行统计分析与区间估计,评价了地下水污染风险。结果表明:在置信水平为90%时,三口观测井浓度的置信区间分别为367.48~415.67、205.12~230.33、118.85~132.82 mg/L。结合风险评估,计算出研究区内一号/二号/三号观测井地下水遭受污染的风险分别为0.66、0.60、0.58,籍此为地下水污染防治提供科学依据。

基于SSA-BP与SSA的地下水污染源反演识别

应用基于SSA-BP神经网络替代模型的模拟-优化方法和SSA研究了地下水污染源位置及释放历史的反演识别问题.并在建立地下水水流模型时,应用Cholesky分解方法建立含水层渗透系数连续场,该方法相比于普通的参数分区方法更好地描述了水文地质参数的非均质性.结果表明:SSA-BP神经网络替代模型对模拟模型具有较高的逼近精度,其平均相对误差仅有3.21%.应用SSA求解优化模型,能够快速准确地识别出点污染源的位置及释放历史.SSA对污染源位置的反演识别相对误差在10%左右,对污染源源强的反演识别相对误差不超过4%.因此,本文所提出的方法是一种有效的地下水污染源识别方法,可为污染责任认定及污染修复方案的优化提供参考.