一种基于深度学习的含水层结构阶段式随机反演识别方法与流程

1.本发明涉及含水层结构识别技术领域，特别是涉及一种基于深度学习的含水层结构阶段式随机反演识别方法。


背景技术：

2.地下水水流及溶质模拟广泛地应用于各类水文地质领域应用，如场地污染物迁移预测、co2地质封存、地下水资源管理和放射性废物地质存储等。
3.准确的地下水水流及溶质模拟依赖于含水层结构的准确刻画。基于地质统计理论的含水层结构识别方法能够依靠钻孔数据来获取含水层结构，但是由于钻孔分布较为稀疏，含水层结构参数及对应的含水层结构均存在很大的不确定性，为了提高含水层结构刻画的准确性，利用实际观测数据，结合多源数据融合方法对含水层结构参数及其后验结构进行反演是目前一种十分有效的方法。
4.近些年以来，随着深度学习技术的不断发展，一些图像处理的技术可以有效地应用于含水层结构识别中，如生成对抗网络，自编码器以及卷积神经网络等，提高含水层结构识别的精度与速度。而目前基于深度学习技术的含水层结构反演方法通常需要提供大量与目标含水层结构具有相近地质统计特征的含水层结构样本，而在实际中，该样本难以提供，如何充分利用场地的钻孔数据和观测数据，来获取有效的含水层结构样本，用于深度学习模型的训练，从而实现含水层结构的反演识别是目前亟待解决的一个关键技术。


技术实现要素：

5.本发明的目的是提供一种基于深度学习的含水层结构阶段式随机反演识别方法，以解决上述现有技术存在的问题，能够有效地将基于地质统计的含水层结构识别方法和深度学习技术结合起来，无需额外提供含水层结构的训练样本，可以直接利用场地钻孔数据和观测数据对含水层结构进行反演识别，能够有效降低含水层结构随机模拟的不确定性，为后续溶质运移过程的准确模拟提供了技术保障，具有较大实践价值。
6.为实现上述目的，本发明提供了如下方案：本发明提供一种基于深度学习的含水层结构阶段式随机反演识别方法，包括以下步骤：
7.s1、收集场地先验资料，设置含水层结构参数的先验分布；
8.s2、基于所述含水层结构参数的先验分布，随机生成含水层结构参数样本，构成第一阶段溶质运移模拟替代模型的训练样本，训练所述第一阶段溶质运移模拟替代模型；
9.s3、采集含水层结构参数初始样本，基于所述第一阶段溶质运移模拟替代模型，对含水层结构参数进行反演，获取后验含水层结构参数；
10.s4、基于所述后验含水层结构参数，构建并训练含水层结构生成模型；
11.s5、基于所述场地先验资料，构建并训练第二阶段溶质运移模拟替代模型；
12.s6、采集观测数据，基于训练好的所述含水层结构生成模型和所述第二阶段溶质运移模拟替代模型，对所述含水层结构生成模型的输入参数进行反演；
13.s7、将反演后的所述输入参数输入到含水层结构生成模型中，获得后验含水层结构。
14.优选地，所述s2包括：
15.s2.1、基于所述含水层结构参数的先验分布，随机生成含水层结构参数样本，利用指示克里金模型，生成第一阶段含水层结构，获取所述第一阶段含水层结构对应的第一阶段状态场，构成第一阶段溶质运移模拟替代模型的第一阶段训练样本；
16.s2.2、归一化所述第一阶段训练样本；
17.s2.3、构建第一阶段溶质运移模拟替代模型，利用归一化后的所述第一阶段训练样本训练所述第一阶段溶质运移模拟替代模型。
18.优选地，所述s3包括：
19.s3.1、基于所述含水层结构参数先验分布，提取第一阶段含水层结构参数的初始样本，随机生成第一阶段含水层结构，输入所述第一阶段溶质运移模拟替代模型，获得对应的第一阶段水头、浓度预测值；
20.s3.2、采集第一阶段水头、浓度实测值，比较所述第一阶段水头、浓度预测值和所述第一阶段水头、浓度实测值，更新第一阶段含水层结构参数，基于更新后的所述第一阶段含水层结构参数，更新所述第一阶段含水层结构，更新所述第一阶段水头、浓度预测值，重复步骤s3.2，直到预设的迭代次数，提取最终更新的所述第一阶段含水层结构参数，获得所述后验含水层结构参数。
21.优选地，所述s4包括：
22.s4.1、基于所述后验含水层结构参数，生成若干个第一阶段含水层结构样本，其中，若干个所述第一阶段含水层结构样本作为含水层结构生成模型的训练样本；
23.s4.2、构建所述含水层结构生成模型，利用若干个所述第一阶段含水层结构样本训练所述含水层结构生成模型。
24.优选地，所述s5包括：
25.s5.1、基于所述场地先验资料，随机生成若干潜在变量，将所述潜在变量输入训练好的所述含水层结构生成模型，获得第二阶段含水层结构，生成对应的水头、浓度分布场，建立第二阶段溶质运移模拟替代模型的第二阶段训练样本集；
26.s5.2、归一化所述第二阶段训练样本；
27.s5.3、构建第二阶段溶质运移模拟替代模型，利用所述第二阶段训练样本训练所述第二阶段溶质运移模拟替代模型。
28.优选地，所述s6包括：
29.s6.1、随机生成若干所述含水层结构生成模型的潜在变量样本，基于所述潜在变量样本训练所述含水层结构生成模型，获得第二阶段含水层结构，生成对应的第二阶段水头、浓度预测值；
30.s6.2、比较所述第二阶段水头、浓度预测值和所述水头、浓度实测值，更新所述潜在变量样本，基于更新后的所述潜在变量样本，更新所述第二阶段含水层结构，更新所述第二阶段水头、浓度预测值，重复步骤s6.2，直到预设的迭代次数，提取最终更新的所述潜在变量样本，获得所述含水层结构生成模型的输入参数。
31.优选地，所述第一阶段溶质运移模拟替代模型的训练和所述第二阶段溶质运移模
拟替代模型的训练均采用基于正则化的l1损失函数：
[0032][0033]
式中，y
k
表示溶质运移模拟在网格k处的模拟结果，表示替代模型的预测结果，θ是替代模型中的可训练参数，w为正则化系数。
[0034]
优选地，所述第一阶段溶质运移模拟替代模型的训练和所述第二阶段溶质运移模拟替代模型的训练均采用早停法。
[0035]
优选地，所述s3和s6中的参数反演均采用迭代
‑
局部更新
‑
集合平滑器，如下式所示：
[0036][0037]
式中，是第n次迭代后的第k个参数样本,是第n次迭代后参数样本与替代模型预测值的交叉协方差,是替代模型预测值之间的自协方差,n
iter
是迭代次数,c
d
是观测误差的协方差,是随机选取的第k个观测误差,f代表替代模型。
[0038]
优选地，根据权利要求1所述的基于深度学习的含水层结构阶段式随机反演识别方法，其特征在于：所述含水层结构生成模型采用基于离散卷积
‑
对抗
‑
自编码器网络构建，其中，所述基于离散卷积
‑
对抗
‑
自编码器网络采用离散卷积层和稠密残差连接结构。
[0039]
本发明公开了以下技术效果：
[0040]
本发明提供的一种基于深度学习的含水层结构阶段式随机反演识别方法，该方法能够结合多源数据，如钻孔数据、水头、浓度数据等，有效地将基于地质统计的含水层结构识别方法和深度学习技术结合起来，而无需提供额外的含水层结构训练样本，能够直接利用场地钻孔数据和观测数据对含水层的非均质性结构进行反演识别，减少含水层非均质结构的不确定性，从而显著提高场地地下水流及溶质模拟的模拟精度。
附图说明
[0041]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0042]
图1为本发明实施例中所提出的含水层结构阶段式随机反演识别方法的流程示意图；
[0043]
图2为本发明实施例中所提出的含水层结构生成模型网络结构示意图；
[0044]
图3为本发明实施例中所使用的离散卷积稠密残差块结构示意图；
[0045]
图4为本发明实施例中本发明所使用的深度离散卷积残差网络结构示意图；
[0046]
图5为本发明实施例中后验含水层结构与真实结构对比图。
具体实施方式
[0047]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0048]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0049]
本发明提供一种基于深度学习的含水层结构阶段式随机反演识别方法，参照图1
‑
5所示。本实施例为一假想实施例，本实施例通过预先设置一组含水层结构参数，基于五个虚拟的钻孔数据，然后利用地质统计软件geost生成了一个目标含水层结构，基于该含水层结构，利用溶质运移模拟软件模拟一个示踪试验的场景，生成对应水头及浓度分布场，从中抽取28个不同位置不同深度5个时间段共计168个水头及浓度数据作为观测数据，基于这些观测数据对含水层结构进行反演。
[0050]
s1、收集试验场的场地先验资料，设置含水层结构参数的先验分布，得到的含水层结构参数的先验分布及真实值如表1所示：
[0051]
表1
[0052][0053]
s2、根据含水层结构参数的先验分布，随机生成含水层结构参数样本，在本实施例中，利用拉丁超立方抽样方法抽取10000组含水层结构参数，将抽取的10000组含水层结构参数输入到指示克里金模型中，指示克里金模拟是基于转移概率解析的，其解析解可以通过岩相体积比例和平均延伸长度来获取，使得能够进行基于地质统计的含水层结构反演，其转移概率解析解如式(1)所示：
[0054][0055]
式中，t
ij
(h
φ
)是φ方向上与岩相i间隔h
φ
处岩相为j的概率,p
i
是岩相i的体积比例，n是岩相数目,δ
ij
是克罗内克函数，l
i,φ
是岩相i在φ方向的平均延伸长度。
[0056]
经过指示克里金模型解析生成对应的含水层结构，即第一阶段含水层结构，将得到的第一阶段含水层结构输入到溶质运移模拟模型中，获得对应的水头及浓度分布场，以numpy数组的形式保存，建立由“含水层结构
‑
状态场”样本构成第一阶段溶质运移模拟替代模型的训练样本，在溶质运移模型替代模型的训练过程中，将含水层结构和状态场样本看作图片数据文件，然后不断将不同的含水层结构输入到神经网络中，通过反向误差传播逐步更新神经网络的权重，使得神经网络能够输出的状态场与输入含水层结构所对应状态场越接近越好，经过一定次数的迭代，完成第一阶段溶质运移模拟替代模型的训练，使其能够实现与溶质运移模拟模型相近的效果；
[0057]
对获得的第一阶段溶质运移模拟替代模型的训练样本进行归一化处理，本实施例中，采用“0
‑
1归一化”方法进行处理，归一化计算如式(2)所示：
[0058][0059]
式中，c
k
表示网格k处归一化前水头或浓度值，表示网格k处归一化后的水头或浓度值，c
min
表示训练样本中网格k处水头或浓度的最小值，c
max
表示训练样本中网格k处水头或浓度的最大值。
[0060]
利用深度离散卷积残差网络构建第一阶段溶质运移模拟替代模型，作为第一阶段反演的溶质运移模拟替代模型，用归一化处理后的第一阶段溶质运移模拟替代模型的训练样本对第一阶段溶质运移模拟替代模型进行训练。训练过程中，采用的基于正则化的l1损失函数，其表达式如式(3)所示：
[0061][0062]
式中，y
k
表示溶质运移模拟在网格k处的模拟结果，表示正演替代模型的预测结果，θ是正演替代模型中的可训练参数，w为正则化系数；
[0063]
在训练过程中采用了指数学习率衰减策略，使得学习率能够随着迭代次数的增加较为平滑地减少，可以有效防止过拟合现象产生，其衰减表达式如式(4)所示：
[0064]
r
n
＝r0*e
n
ꢀꢀ
(4)
[0065]
式中，r0表示初始学习率，r
n
表示第n次迭代后的学习率,e表示衰变系数。
[0066]
训练过程采用早停法，即将在训练过程中最优的网络模型参数保存下来，网络模型参数的优劣通过替代模型预测结果与真实结果的均方根误差(rmse)来衡量，其表达式如式(5)所示：
[0067][0068]
式中，y
k
表示溶质运移模拟在网格k处的模拟结果，表示正演替代模型的预测结果，k为总网格数。
[0069]
在本实施例中，随机从第一阶段溶质运移模拟替代模型的训练样本中抽取80％作为训练集，其余20％作为验证集，第一阶段溶质运移模拟替代模型的训练样本的初始学习率和衰变系数分别设置为0.0005和0.99，l1损失函数的正则化系数设置为1
×
10
‑5，训练次数为500次。
[0070]
本实施例中的第一阶段溶质运移模拟替代模型是基于“图像转换”的思想建立的，即将含水层结构和水头、浓度分布场看作图像像素数据，替代模型的预测过程就是将含水层结构图像像素数据转化为水头、浓度图像像素数据。并且第一阶段溶质运移模拟替代模型采用了离散卷积层和稠密残差连接结构，能够减少网络训练时所占用的gpu显存，且能够提高替代模型的预测精度和训练速度。
[0071]
s3、采集含水层数据，通过拉丁超立方抽样抽取2000组含水层结构参数作为初始样本，输入到指示克里金模型中，生成对应的第二阶段含水层结构，将第二阶段含水层结构输入第一阶段溶质运移模拟替代模型中，获得第一水头、浓度预测值；
[0072]
采集水头、浓度实测值，将第一水头、浓度预测值和水头、浓度实测值进行比较，利用迭代
‑
局部更新
‑
集合平滑器对第一阶段含水层结构参数进行更新，迭代
‑
局部更新
‑
集合
平滑器可以一次性同化所有观测数据通过不断迭代更新参数样本，与集合卡尔曼滤波方法相比，具有更快的反演速度，其参数更新方程如式(6)所示：
[0073][0074]
式中：是第n次迭代后的第k个参数样本,是第n次迭代后参数样本与替代模型预测值的交叉协方差,是替代模型预测值之间的自协方差,n
iter
是迭代次数,c
d
是观测误差的协方差,是随机选取的第k个观测误差,f代表替代模型。
[0075]
将更新后的第一阶段含水层结构参数输入到指示克里金模型中，获得更新后的第一阶段含水层结构，将更新后的第一阶段含水层结构输入第一阶段溶质运移模拟替代模型中，获得更新后所对应的水头、浓度预测值，不断进行迭代更新，直至到达设置的迭代次数为止，迭代结束后获得最终的第一阶段含水层结构参数，即获得第一阶段的后验含水层结构参数，完成第一阶段含水层结构参数的反演。本实施例中，迭代次数设置为40次。
[0076]
s4、将最终的后验含水层结构参数输入到指示克里金模型中，生成了若干个第一阶段含水层结构样本，本实施例中，含水层结构样本的个数为20000个，第一阶段含水层结构样本作为含水层结构生成模型的训练集，其中，80％作为训练集，剩余20％作为测试集。利用离散卷积
‑
对抗自编码器建立含水层结构生成模型，利用训练集对含水层结构生成模型进行训练，训练次数设置为50次。
[0077]
本实施例中的含水层结构生成模型是基于离散卷积
‑
对抗
‑
自编码器网络来建立，该网络融合了生成对抗网络、自编码器的优点，并且另外该网络采用了离散卷积层和稠密残差连接结构，这使得本方法所采用的含水层结构生成模型具有更快的训练速度及更强的学习能力，能够生成更加准确的含水层结构，该模型的搭建及训练均在pytorch框架下实现。
[0078]
s5、根据场地信息，随机生成若干潜在变量，本实施例中，利用拉丁超立方抽样方法抽取10000组潜在变量，将潜在变量输入训练好的含水层结构生成模型，调用溶质运移模拟程序，获得第二阶段含水层结构，生成对应的水头、浓度分布场，对应的水头、浓度分布场采用numpy数组的形式保存，建立第二阶段溶质运移模拟替代模型的训练样本集，在训练过程中，随机抽取第二阶段溶质运移模拟替代模型的训练样本集的80％作为训练集，其余20％作为验证集。
[0079]
对第二阶段的训练样本进行采用“0
‑
1归一化”方法进行归一化处理，归一化计算如式(2)所示：
[0080][0081]
式中，c
k
表示网格k处归一化前水头或浓度值，表示网格k处归一化后的水头或浓度值，c
min
表示训练样本中网格k处水头或浓度的最小值，c
max
表示训练样本中网格k处水头或浓度的最大值。
[0082]
利用深度离散卷积残差网络构建第二阶段的溶质运移模拟替代模型，采用归一化
后的第二阶段训练样本对第二阶段溶质运移模拟替代模型进行训练。第二阶段溶质运移模拟替代模型的初始学习率和衰变系数分别设置为0.0005和0.99，l1损失函数的正则化系数设置为1
×
10
‑5，训练次数为500次。
[0083]
训练过程中，采用的基于正则化的l1损失函数，其表达式如式(3)所示：
[0084][0085]
式中，y
k
表示溶质运移模拟在网格k处的模拟结果，表示正演替代模型的预测结果，θ是正演替代模型中的可训练参数，w为正则化系数；
[0086]
在训练过程中采用了指数学习率衰减策略，使得学习率能够随着迭代次数的增加较为平滑地减少，可以有效防止过拟合现象产生，其衰减表达式如式(4)所示：
[0087]
r
n
＝r0*e
n
ꢀꢀ
(4)
[0088]
式中，r0表示初始学习率，r
n
表示第n次迭代后的学习率,e表示衰变系数。
[0089]
训练过程采用早停法，即将在训练过程中最优的网络模型参数保存下来，网络模型参数的优劣通过替代模型预测结果与真实结果的均方根误差(rmse)来衡量，其表达式如式(5)所示：
[0090][0091]
式中，y
k
表示溶质运移模拟在网格k处的模拟结果，表示正演替代模型的预测结果，k为总网格数。
[0092]
s6、随机生成若干含水层结构生成模型的潜在变量样本，本实施例中，通过拉丁超立方抽样抽取2000组含水层结构生成模型的潜在变量样本作为初始样本，输入到训练好的含水层结构生成模型中，获得第二阶段含水层结构，将第二阶段含水结构输入第二阶段的溶质运移模拟替代模型，生成所对应的第二阶段水头、浓度预测值；
[0093]
比较水头、浓度预测值和水头、浓度实测值，利用迭代
‑
局部更新
‑
集合平滑器更新潜在变量样本，迭代
‑
局部更新
‑
集合平滑器可以一次性同化所有观测数据通过不断迭代更新参数样本，与集合卡尔曼滤波方法相比，具有更快的反演速度，其参数更新方程如式(6)所示：
[0094][0095]
式中：是第n次迭代后的第k个参数样本,是第n次迭代后参数样本与替代模型预测值的交叉协方差,是替代模型预测值之间的自协方差,n
iter
是迭代次数,c
d
是观测误差的协方差,是随机选取的第k个观测误差,f代表替代模型。
[0096]
将更新后的潜在变量样本输入到含水层结构生成模型中，更新第二阶段含水层结构，将更新后的第二阶段含水层结构输入第二阶段溶质运移模拟替代模型中，更新所对应的第二阶段水头、浓度预测值，重复本步骤，直到预设的迭代次数，提取最终更新的潜在变量样本，获得含水层结构生成模型的输入参数。迭代次数设置为40次。
[0097]
s7、将获得含水层结构生成模型的输入参数输入到含水层结构生成模型中，即可
获得最终的后验含水层结构，随机抽取其中一个结构，其与目标含水层结构的对比如图5所示，反演后的含水层结构和真实结构的相似度可以达95％以上，并且通过表1可以看出，通过第一阶段的反演，能够获得较为准确的含水层结构参数。
[0098]
本发明提供的含水层结构阶段式随机反演识别方法有效地将基于地质统计的含水层结构识别方法与深度学习技术结合了起来，采用分阶段地进行含水层结构的反演识别问题进行分解，如图1所示包括第一阶段反演和第二阶段反演，第一阶段反演主要对含水层结构参数进行反演识别，该阶段完成后能够降低一定的含水层结构不确定性，第二阶段反演，在第一阶段反演得到的含水层结构参数的基础上，对含水层结构进行反演，进一步降低了含水层结构的不确定性。
[0099]
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。