基于径向基函数神经网络的地下水数值模拟模型的替代模型研究

近年来提出的替代模型方法是一种连接数值模拟模型与优化模型的有效途径,替代模型质量的好坏取决于采样方法和替代模型种类。以金泉工业园区地下水水源地为研究区,基于拉丁超立方抽样方法,结合研究区地下水数值模拟模型,获取输入(抽水量)输出(水位降深)数据集,运用人工神经网络方法,建立径向基函数神经网络模型,作为地下水数值模拟模型的近似替代模型。经验证,径向基函数神经网络模型输出得到的水位降深均值与模拟模型计算结果的拟合平均相对误差为0.038;水位降深剩余标准差的拟合平均相对误差为0.042。拟合平均相对误差较小,表明径向基函数神经网络模型能够有效地替代地下水数值模拟模型,为日后替代模型的深入研究提供了科学依据。

基于Hopfield神经网络的地下水环境质量评价

针对传统水质评价方法存在人为因素影响等问题,结合Hopfield网络在模式识别应用中的特点建立了Hopfield网络模型,综合评价了金泉工业园区的地下水水质情况,并利用其水质评价结果,以ArcGIS为平台获得了地下水水质分布图,可反映水质的空间变化规律。评价结果表明,金泉工业园区大部分地区地下水水质呈现Ⅲ类,Ⅰ、Ⅱ类水集中于西北部,而Ⅴ类水主要分布于东南部,评价结果符合水质实际状况。