一种数字孪生土壤污染修复全过程管控系统的制作方法

本发明属于计算机，特别是涉及一种数字孪生土壤污染修复全过程管控系统。

背景技术：

1、土壤原位修复工程具备空间非均质性强、污染迁移演化过程复杂、修复效果难以预判的特点。但现有数字孪生管控方案通常基于单一数值模型开展污染物模拟，仅能够实现污染物浓度场的静态或准动态预测，难以区分监测浓度下降是源于微生物降解、物理稀释、污染物空间再分布或是监测噪声等不同成因，无法定量识别真实修复机理，容易出现“表观浓度达标但污染隐患持续存在”的假达标问题。并且传统数字孪生系统大多采用开环架构，模型参数仅依靠前期场地调查数据一次性标定，修复进程中新采集的监测数据难以持续反馈修正代理模型，随着修复持续推进，模型预测偏差逐步累积，仿真结果与真实场地演化状态持续偏离。

2、进一步的，现有修复决策优化手段大多采用常规强化学习框架，仅将污染物浓度观测值作为决策输入，未纳入修复机理识别带来的不确定性信息，决策策略缺少对机理归因置信度的感知能力，并且决策方案通常仅兼顾污染去除效果与治理成本，缺少对监测信息增益的量化评估，无法动态调配监测资源，难以在 “开展监测获取机理信息” 与 “实施修复削减污染” 之间实现自适应权衡。除此之外，常规数值求解多物理场耦合对流弥散方程计算代价极高，难以支撑智能决策模块的大规模交互仿真，并且现有物理信息神经网络模型多采用固定网络结构，缺少集成建模实现不确定性量化的机制，难以向概率推理模块传递模型自身预测偏差，进一步制约了修复机理竞争性假设检验的可靠性。

3、综上，现有土壤污染修复数字孪生管控技术存在修复机理归因能力不足、模型缺少在线自适应更新闭环、决策过程未融合不确定性与证据信息价值、高精度仿真计算成本高昂等缺陷，难以满足土壤污染修复全过程精细化、自适应管控的工程实际需求。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种数字孪生土壤污染修复全过程管控系统，旨在提高修复机理归因识别能力与证据价值感知能力，增强对修复机理归因不确定性的量化能力和模型在线自适应更新能力。

2、第一方面，本技术提供了一种数字孪生土壤污染修复全过程管控系统，包括：

3、孪生建模模块，用于执行s1，s1包括：根据场地历史调查数据建立多物理场耦合偏微分方程组，根据多物理场耦合偏微分方程组构建深度神经网络，根据场地历史调查数据构建损失函数，基于损失函数对深度神经网络进行训练，得到训练后的深度神经网络，基于训练后的深度神经网络生成训练数据集，并根据训练数据集训练fourier neuraloperator代理模型，得到物理信息神经网络代理模型；

4、信念生成模块，用于执行s2，s2包括：获取各竞争性修复假设的先验概率，根据物理信息神经网络代理模型和实时监测数据，结合各竞争性修复假设的先验概率，通过贝叶斯定理计算各竞争性修复假设的后验概率，生成信念状态；

5、智能决策模块，用于执行s3，s3包括：根据信念状态构建马尔可夫决策过程的状态空间，根据物理信息神经网络代理模型构建马尔可夫决策过程的环境模拟器，在环境模拟器中执行元强化学习训练，得到决策智能体，根据决策智能体对当前状态进行处理，输出修复动作；其中，当前状态是基于实时监测数据和信念状态构建得到的；修复动作包括修复药剂注入速率、抽提速率和监测频率调整指令；

6、闭环控制模块，用于执行s4，s4包括：根据修复动作执行土壤污染修复操作，采集执行后的新监测数据，根据新监测数据分别对物理信息神经网络代理模型的参数和信念状态进行更新，得到更新后的物理信息神经网络代理模型和更新后的信念状态，根据更新后的信念状态判断是否满足预设修复终止条件，若满足则终止修复，若不满足，将更新后的信念状态中的后验概率分布作为下一轮s2中各竞争性修复假设的先验概率，并返回s2进行下一轮迭代。

7、在其中一个实施例中，物理信息神经网络代理模型通过以下步骤得到：

8、s11、根据场地历史调查数据中的地质参数、初始污染浓度分布和边界条件，建立多物理场耦合偏微分方程组；其中，多物理场耦合偏微分方程组包括对流弥散反应方程、多组分反应动力学方程和richards方程；

9、s12、根据多物理场耦合偏微分方程组，构建以空间坐标和时间坐标为输入、以各污染物组分的浓度预测值为输出的深度神经网络；

10、s13、通过自动微分计算深度神经网络的输出关于空间坐标和时间坐标的各阶偏导数；将各阶偏导数代入多物理场耦合偏微分方程组，计算方程残差；将方程残差作为物理约束项，将场地历史调查数据中的监测数据作为数据拟合项，基于物理约束项和数据拟合项构建损失函数；基于损失函数，对深度神经网络进行训练，得到训练后的深度神经网络；

11、s14、以预设的不同修复操作参数组合作为输入，根据训练后的深度神经网络，进行前向推理计算，生成修复操作参数组合对应的各污染物组分的浓度预测值；汇集各修复操作参数组合及其对应的各污染物组分的浓度预测值，生成训练数据集；根据训练数据集训练fourier neural operator代理模型，得到训练后的fourier neural operator代理模型，将训练后的fourier neural operator代理模型作为初始物理信息神经网络代理模型；

12、s15、对初始物理信息神经网络代理模型进行多次随机初始化训练，得到多个优化fourier neural operator代理模型，并根据各优化fourier neural operator代理模型的输出计算预测方差，将预测方差作为预测不确定性度量，基于各优化fourier neuraloperator代理模型构成集成模型，将集成模型作为最终的物理信息神经网络代理模型。

13、在其中一个实施例中，信念状态通过以下步骤得到：

14、s21、获取包括多种竞争性修复假设的竞争性修复假设集合；其中，多种竞争性修复假设包括生物降解假设、物理稀释假设、污染物再分布假设和监测误差假设；

15、s22、根据物理信息神经网络代理模型，对每一种竞争性修复假设设置对应的动力学参数向量；根据动力学参数向量，通过物理信息神经网络代理模型，生成对应的竞争性修复假设下各污染物组分的浓度预测值；

16、s23、根据各污染物组分的浓度预测值、预测不确定性度量和实时监测数据中污染物浓度观测值，计算每一种竞争性修复假设的似然函数；根据似然函数取对数，计算每一种竞争性修复假设的对数似然函数；其中，对数似然函数的方差项由预设观测噪声方差与预测不确定性度量相加构成；

17、s24、根据各竞争性修复假设的先验概率和对应的对数似然函数，通过贝叶斯定理计算各竞争性修复假设的后验概率；

18、s25、根据各竞争性修复假设的后验概率计算信念熵；将各竞争性修复假设的后验概率和信念熵共同作为信念状态。

19、在其中一个实施例中，该系统还包括信念优化模块，信念优化模块，用于：

20、识别实时监测数据中的监测数据类型，监测数据类型包括浓度观测数据、同位素比值数据、功能基因丰度数据和地球化学参数数据；

21、对于每一种监测数据类型，根据监测数据类型在各竞争性修复假设下的似然函数之比的对数，计算监测数据类型的证据权重；

22、根据各监测数据类型的证据权重的绝对值进行降序排列，生成证据价值排序列表；

23、将证据价值排序列表加入信念状态，得到优化信念状态；

24、将优化信念状态作为最终的信念状态，用于进行s3和s4的操作。

25、在其中一个实施例中，智能决策模块包括智能体训练单元，智能体训练单元用于：

26、s31、获取历史修复案例数据库和奖励函数；其中，奖励函数包含污染去除量奖励项、经济成本惩罚项、信念熵惩罚项和信息价值奖励项；

27、s32、从历史修复案例数据库中采样多个修复场景任务；初始化预设的策略网络的全局策略参数，得到当前策略；

28、s33、对每个修复场景任务，在当前策略下与环境模拟器交互，收集轨迹数据；根据轨迹数据和奖励函数计算累积奖励；根据累积奖励计算策略梯度损失；根据策略梯度损失执行多步内层梯度更新，得到适应后的策略参数；

29、s34、根据各适应后的策略参数计算元损失；根据元损失执行外层梯度更新、更新全局策略参数；

30、s35、重复执行s32-s34，直至元损失达到预设元损失阈值，停止重复执行操作，将最后一次更新后的全局策略参数作为最优全局策略参数，基于最优全局策略参数对应的策略网络构建决策智能体。

31、在其中一个实施例中，当前状态是通过以下步骤得到的：

32、根据实时监测数据提取当前时刻各监测点的观测浓度向量，根据观测浓度向量计算浓度梯度向量；

33、获取修复进程时间；修复进程时间为当前时刻相对于修复启动时刻的时间长度；

34、根据观测浓度向量、浓度梯度向量、信念状态、物理信息神经网络代理模型的参数以及修复进程时间，生成当前状态。

35、在其中一个实施例中，每一种竞争性修复假设的对数似然函数的数学表达式为：

36、

37、其中，为在第种竞争性修复假设和对应的动力学参数向量下观测到证据集的对数似然函数值，无量纲；为时刻累积的监测证据集合；为竞争性修复假设的索引；为监测点的索引，,为监测点总数，无量纲；为时间步的索引，，为时间步总数，无量纲；为第个监测点的空间坐标，量纲为米；为第个时间步的时刻，量纲为秒或天；为预设观测噪声方差，量纲为浓度单位的平方；为物理信息神经网络代理模型在位置、时刻处的预测不确定性度量，量纲为浓度单位的平方；为第个监测点在时刻的实时监测数据中的污染物浓度观测值，量纲为浓度单位；为在第种竞争性修复假设和动力学参数向量下，物理信息神经网络代理模型预测的位置、时刻处的污染物浓度值，量纲为浓度单位；为自然对数，底数为。

38、第二方面，本技术还提供了一种数字孪生土壤污染修复全过程管控方法，包括：

39、s41、根据场地历史调查数据建立多物理场耦合偏微分方程组，根据多物理场耦合偏微分方程组构建深度神经网络，根据场地历史调查数据构建损失函数，基于损失函数对深度神经网络进行训练，得到训练后的深度神经网络，基于训练后的深度神经网络生成训练数据集，并根据训练数据集训练fourier neural operator代理模型，得到物理信息神经网络代理模型；

40、s42、获取各竞争性修复假设的先验概率，根据物理信息神经网络代理模型和实时监测数据，结合各竞争性修复假设的先验概率，通过贝叶斯定理计算各竞争性修复假设的后验概率，生成信念状态；

41、s43、根据信念状态构建马尔可夫决策过程的状态空间，根据物理信息神经网络代理模型构建马尔可夫决策过程的环境模拟器，在环境模拟器中执行元强化学习训练，得到决策智能体，根据决策智能体对当前状态进行处理，输出修复动作；其中，当前状态是基于实时监测数据和信念状态构建得到的；修复动作包括修复药剂注入速率、抽提速率和监测频率调整指令；

42、s44、根据修复动作执行土壤污染修复操作，采集执行后的新监测数据，根据新监测数据分别对物理信息神经网络代理模型的参数和信念状态进行更新，得到更新后的物理信息神经网络代理模型和更新后的信念状态，根据更新后的信念状态判断是否满足预设修复终止条件，若满足则终止修复，若不满足，将更新后的信念状态中的后验概率分布作为下一轮s42中各竞争性修复假设的先验概率，并返回s42进行下一轮迭代。

43、第三方面，本技术还提供了一种计算机电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现第一方面中的步骤。

44、第四方面，本技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面中的步骤。

45、上述一种数字孪生土壤污染修复全过程管控系统，首先通过物理信息神经网络与fourier neural operator的级联训练，构建兼具物理一致性与实时推理能力的代理模型，并结合集成建模输出预测不确定性度量，有效解决了高精度多物理场仿真计算成本高昂与模型认知偏差难以量化的问题，为后续推理提供了可传递的不确定性边界。其次，基于代理模型生成的似然函数与多源实时监测证据，通过贝叶斯定理在线推断各竞争性修复假设的后验概率，并结合证据权重排序生成含归因置信度的信念状态，解决了浓度下降成因难以区分与修复机理归因能力不足的问题，使决策模块具备对归因不确定性的感知能力。最后，基于信念状态构建状态空间与奖励函数，通过元强化学习训练决策智能体输出修复动作，并由闭环控制模块根据新监测数据持续更新代理模型参数与信念状态，以更新后的后验分布作为下一轮先验实现贝叶斯在线演进，结合预设终止条件判定修复达标，有效解决了开环架构下模型预测偏差累积与监测信息增益难以量化评估的问题，实现了机理认知与修复决策的自适应闭环管控。