葛淵博,盧文喜,白玉堃,潘紫東

基于SSA-BP與SSA的地下水污染源反演識(shí)別

葛淵博,盧文喜*,白玉堃,潘紫東

(吉林大學(xué)新能源與環(huán)境學(xué)院,地下水與資源環(huán)境教育部重點(diǎn)實(shí)驗(yàn)室,吉林 長春 130012)

應(yīng)用基于SSA-BP神經(jīng)網(wǎng)絡(luò)替代模型的模擬-優(yōu)化方法和SSA研究了地下水污染源位置及釋放歷史的反演識(shí)別問題.并在建立地下水水流模型時(shí),應(yīng)用Cholesky分解方法建立含水層滲透系數(shù)連續(xù)場,該方法相比于普通的參數(shù)分區(qū)方法更好地描述了水文地質(zhì)參數(shù)的非均質(zhì)性.結(jié)果表明:SSA-BP神經(jīng)網(wǎng)絡(luò)替代模型對(duì)模擬模型具有較高的逼近精度,其平均相對(duì)誤差僅有3.21%.應(yīng)用SSA求解優(yōu)化模型,能夠快速準(zhǔn)確地識(shí)別出點(diǎn)污染源的位置及釋放歷史.SSA對(duì)污染源位置的反演識(shí)別相對(duì)誤差在10%左右,對(duì)污染源源強(qiáng)的反演識(shí)別相對(duì)誤差不超過4%.因此,本文所提出的方法是一種有效的地下水污染源識(shí)別方法,可為污染責(zé)任認(rèn)定及污染修復(fù)方案的優(yōu)化提供參考.

污染源反演識(shí)別；模擬-優(yōu)化方法；替代模型；麻雀搜索算法；SSA-BP神經(jīng)網(wǎng)絡(luò)替代模型

地下水污染具有存在的隱蔽性和發(fā)現(xiàn)的滯后性等特點(diǎn)[1-2],給地下水污染修復(fù)方案的合理設(shè)計(jì)、污染責(zé)任的準(zhǔn)確認(rèn)定和污染風(fēng)險(xiǎn)預(yù)警等都帶來很大困難[3].地下水污染源識(shí)別可以根據(jù)已有的觀測數(shù)據(jù)(水位和污染質(zhì)濃度觀測數(shù)據(jù)),以及現(xiàn)場調(diào)查和專業(yè)經(jīng)驗(yàn)等輔助信息,對(duì)描述地下水污染的數(shù)學(xué)模擬模型進(jìn)行反演求解,從而識(shí)別地下含水層中污染源位置、污染源源強(qiáng)以及污染源釋放歷史[4-5].

地下水污染源識(shí)別的研究方法主要有解析法、直接法、模擬-優(yōu)化方法以及隨機(jī)統(tǒng)計(jì)方法.其中基于模擬-優(yōu)化方法的地下水污染溯源辨識(shí)問題應(yīng)用最早且最為廣泛[6-7].目前模擬-優(yōu)化方法仍舊處于發(fā)展階段,并面臨著諸多待解決的科學(xué)問題:第一, GMS軟件在地下水?dāng)?shù)值模擬等方面應(yīng)用十分廣泛,并取得了很好的效果[8].在地下水水流模型的建立過程中,建模者限于對(duì)實(shí)際水文地質(zhì)條件認(rèn)識(shí)的局限性,大多采取了參數(shù)分區(qū)的方式來描述水文地質(zhì)參數(shù)的非均質(zhì)性[9-10].參數(shù)分區(qū)的方式過于簡單,并不能很好地描述水文地質(zhì)參數(shù)的空間變異性,往往也會(huì)導(dǎo)致模擬結(jié)果的不確定性.第二,在進(jìn)行模擬優(yōu)化的過程中需要反復(fù)多次地調(diào)用地下水?dāng)?shù)值模擬模型,會(huì)產(chǎn)生大量的計(jì)算負(fù)荷,耗費(fèi)大量計(jì)算時(shí)間.建立具有較高精度的替代模型來代替模擬模型進(jìn)行迭代計(jì)算,可以有效解決這個(gè)問題[11].替代模型屬于一種黑箱模型,并且與模擬模型具有近似相同的輸入輸出關(guān)系[12].國內(nèi)外學(xué)者利用自適應(yīng)神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等淺層學(xué)習(xí)方法建立了地下水?dāng)?shù)值模擬模型的替代模型[13-16].淺層學(xué)習(xí)方法在理論分析和實(shí)際應(yīng)用中展現(xiàn)出了良好的優(yōu)越性.但面對(duì)維數(shù)較高、線性程度復(fù)雜的問題時(shí),使用淺層學(xué)習(xí)方法建立的替代模型難以滿足精度要求.深度學(xué)習(xí)方法更適合于解決復(fù)雜問題,但是其計(jì)算時(shí)間相比淺層學(xué)習(xí)方法會(huì)有所增加.試想研究一種替代模型,使之在面對(duì)復(fù)雜問題時(shí)既可以保持較高的精度,計(jì)算時(shí)間還相對(duì)較少.第三,求解優(yōu)化模型同樣也需要一種高效的求解算法.目前為止應(yīng)用最廣泛的優(yōu)化算法有以梯度為基礎(chǔ)的傳統(tǒng)優(yōu)化算法和啟發(fā)式優(yōu)化算法兩種,傳統(tǒng)優(yōu)化算法包括爬山法、最速下降法、共軛梯度法等,啟發(fā)式優(yōu)化算法包括模擬退火算法、貪婪算法、遺傳算法、鯨魚算法、蟻群算法等.有研究人員將遺傳算法、單純形法、模擬退火算法等應(yīng)用于地下水污染源及水文地質(zhì)參數(shù)識(shí)別,并取得了很好的效果[17-19].然而,傳統(tǒng)的優(yōu)化算法在面對(duì)復(fù)雜困難的優(yōu)化問題時(shí)具有較大的局限性,某些啟發(fā)式算法在面對(duì)具體問題時(shí)也會(huì)出現(xiàn)局部搜索能力差,收斂速度慢,易陷入局部最優(yōu)等問題.

針對(duì)以上問題,本文以模擬-優(yōu)化方法為整體框架,提出了基于SSA-BP神經(jīng)網(wǎng)絡(luò)替代模型及SSA的污染源溯源辨識(shí)方法.根據(jù)一假想點(diǎn)源污染案例建立地下水污染數(shù)值模擬模型,運(yùn)用Cholesky分解方法建立含水層滲透系數(shù)連續(xù)場,其次運(yùn)用SSA-BP神經(jīng)網(wǎng)絡(luò)方法建立替代模型,通過麻雀優(yōu)化算法(SSA)使BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)重與閾值達(dá)到最優(yōu),從而提高替代模型的精度與計(jì)算效率,最后使用麻雀搜索算法求解優(yōu)化模型,以期為點(diǎn)污染源的位置及釋放歷史的識(shí)別提供更快速準(zhǔn)確的方法.

1 研究方法

1.1 模擬優(yōu)化方法

模擬優(yōu)化方法的基本原理是將模擬模型與優(yōu)化模型相耦合,再以運(yùn)籌學(xué)中的優(yōu)化算法為工具對(duì)優(yōu)化模型進(jìn)行求解,通過反復(fù)多次地調(diào)用地下水?dāng)?shù)值模擬模型,對(duì)待識(shí)別變量進(jìn)行不斷優(yōu)化,最終求得待識(shí)別變量[20].

1.2 含水層滲透系數(shù)連續(xù)場

地下水含水層中的各水力參數(shù)(滲透系數(shù)、孔隙度、彌散度等)對(duì)于模擬地下水水流流動(dòng)及溶質(zhì)運(yùn)移十分重要,為更好地描述水文地質(zhì)參數(shù)的非均質(zhì)性,采用以下函數(shù)來描述滲透系數(shù)的自然對(duì)數(shù)=ln在空間上的相關(guān)性:

再生成場的隨機(jī)數(shù)據(jù)集:

1.3 麻雀搜索算法(SSA)

SSA由Xue等[22]在2020年首次提出,該算法受麻雀的覓食行為和反捕食行為的啟發(fā)而提出,具有較高的收斂性能和局部搜索能力.在整個(gè)麻雀的覓食過程中,所有麻雀被分為兩類:發(fā)現(xiàn)者與加入者.發(fā)現(xiàn)者具有較高的能源儲(chǔ)備并且負(fù)責(zé)搜索具有豐富食物的區(qū)域,從而為加入者提供覓食的區(qū)域和方向.加入者利用發(fā)現(xiàn)者提供的信息獲取食物或者在該發(fā)現(xiàn)者周圍覓食,并且一些加入者為了增加自己的捕食率還會(huì)不斷地監(jiān)控發(fā)現(xiàn)者進(jìn)而去搶奪食物資源.當(dāng)發(fā)現(xiàn)危險(xiǎn)時(shí),發(fā)現(xiàn)者會(huì)將加入者迅速帶到其他安全區(qū)域進(jìn)行覓食.在整個(gè)種群中,發(fā)現(xiàn)者和加入者的身份是動(dòng)態(tài)變化的,但發(fā)現(xiàn)者和加入者所占種群數(shù)量的比重是不變的.

由只麻雀組成的種群如下所示:

式中:表示待優(yōu)化問題變量的維數(shù);為麻雀的數(shù)量.麻雀的適應(yīng)度值為:

式中:表示適應(yīng)度值.在每次迭代過程中,發(fā)現(xiàn)者的位置更新如下所示:

加入者的位置更新公式如下:

此外還有一部分麻雀擔(dān)任放哨報(bào)警的職責(zé),這類麻雀的位置更新公式如下所示:

1.4 遺傳算法(GA)

基本思想是模仿自然進(jìn)化過程,通過對(duì)群體中具有某種結(jié)構(gòu)形式的個(gè)體進(jìn)行遺傳操作生成新的群體,從而逐漸逼近最優(yōu)解.在具體求解過程中,GA會(huì)設(shè)定一個(gè)固定規(guī)模的初始種群,種群中的每個(gè)個(gè)體都表示問題的一個(gè)可能解,再利用適應(yīng)度函數(shù)來判斷個(gè)體適應(yīng)環(huán)境的程度,適應(yīng)度差的個(gè)體被淘汰,適應(yīng)度好的個(gè)體繼續(xù)繁衍,在繁衍過程中經(jīng)過選擇、交叉、變異等操作形成新的種群,如此反復(fù)最終求得最優(yōu)解.

1.5 替代模型

BP神經(jīng)網(wǎng)絡(luò)模型中的初始權(quán)值和閾值屬于隨機(jī)賦值,即使模型會(huì)通過誤差反向傳播算法不斷調(diào)整權(quán)值從而找到最優(yōu)權(quán)值與閾值,但極其容易陷入局部最優(yōu),并且該過程的收斂速度較慢[23].為避免BP神經(jīng)網(wǎng)絡(luò)陷入局部最優(yōu),提高BP神經(jīng)網(wǎng)絡(luò)替代模型的精度和計(jì)算效率,本文利用SSA對(duì)其進(jìn)行優(yōu)化.SSA可以利用自身強(qiáng)大的局部、全局搜索能力及快速收斂能力,對(duì)BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行優(yōu)化,得到最優(yōu)初始權(quán)值和閾值,再將最佳結(jié)果賦值給BP神經(jīng)網(wǎng)絡(luò),從而使BP神經(jīng)網(wǎng)絡(luò)得到優(yōu)化,形成了SSA-BP神經(jīng)網(wǎng)絡(luò)替代模型[24].SSA-BP神經(jīng)網(wǎng)絡(luò)替代模型的基本結(jié)構(gòu)如圖1所示.

圖1 基于SSA-BP神經(jīng)網(wǎng)絡(luò)的替代模型

1.6 優(yōu)化模型

優(yōu)化模型通常由3個(gè)部分組成:目標(biāo)函數(shù)、決策變量以及約束條件,一般形式如下所示:

2 案例應(yīng)用

2.1 問題概述

圖2 研究區(qū)示意

本文針對(duì)假想算例進(jìn)行研究,研究區(qū)由長250m、寬200m的二維非均質(zhì)含水層構(gòu)成.水流方向?yàn)槲鞅毕驏|南,西側(cè)1及東側(cè)2均概化為定水頭邊界,北側(cè)3及南側(cè)4均概化為零通量邊界.模擬期為10a,分為10個(gè)應(yīng)力期(每年一個(gè)應(yīng)力期),某點(diǎn)的地下水污染源在3～9期向含水層排放污染物,研究區(qū)內(nèi)設(shè)置6口監(jiān)測井(井1、2、3、4、5、6)監(jiān)測地下水中污染物濃度,其中1～5號(hào)井用于參加地下水污染源反演識(shí)別過程,6號(hào)井用于檢驗(yàn)算法的反演精度.設(shè)定背景污染物濃度為0mg/L,且污染物不會(huì)發(fā)生化學(xué)變化和生物降解.研究區(qū)示意如圖2所示:

2.2 模擬模型的建立

2.2.1 地下水水流模型

2.2.2 地下水溶質(zhì)運(yùn)移模型

由于本文為假想例子,沒有真正的實(shí)測數(shù)據(jù),所以首先給定污染源位置、初始釋放時(shí)間、釋放強(qiáng)度及各含水層水文地質(zhì)參數(shù)的參考值(假定該研究區(qū)主要巖性為砂礫巖,其滲透系數(shù)、給水度、孔隙度等參數(shù)根據(jù)相關(guān)經(jīng)驗(yàn)值給出),并將其作為模擬模型的輸入,再正演模擬模型得到各個(gè)應(yīng)力期觀測井中的污染物濃度作為觀測數(shù)據(jù).含水層參數(shù)及污染源相關(guān)值的參考值如表1所示,觀測數(shù)據(jù)如表2所示.

2.2.4 模型的預(yù)報(bào) 利用MODFLOW模塊及MT3D模塊預(yù)測6a后研究區(qū)流場分布情況及污染物濃度空間分布情況如圖4所示.

圖3 含水層滲透系數(shù)連續(xù)場

表1 污染源相關(guān)值及含水層參數(shù)

表2 觀測數(shù)據(jù)(g/d)

圖4 6a后研究區(qū)水位和溶質(zhì)空間分布

2.3 替代模型的建立

根據(jù)研究區(qū)情況,本文污染源反演的待識(shí)別變量為:污染源的橫向坐標(biāo)、污染源的縱向坐標(biāo)及污染源釋放通量st1～st10,共12個(gè)變量.相應(yīng)的替代模型的輸入為上述12個(gè)變量,輸出為各時(shí)段5口監(jiān)測井監(jiān)測到的污染物濃度,共50個(gè)變量.

在替代模型中,訓(xùn)練數(shù)據(jù)用于提取模擬模型內(nèi)在的特征及規(guī)律,驗(yàn)證數(shù)據(jù)用于評(píng)價(jià)替代模型的泛化能力.為保證數(shù)據(jù)均勻覆蓋采樣區(qū)間,增加樣本的遍歷性,本文采用拉丁超立方抽樣法對(duì)上述12個(gè)輸入變量進(jìn)行抽樣,共抽樣1000組,隨機(jī)組合后輸入到地下水模擬模型中,計(jì)算得到相應(yīng)的1000組污染物濃度輸出.再將輸入輸出數(shù)據(jù)集隨機(jī)分為訓(xùn)練數(shù)據(jù)集(80%)和驗(yàn)證數(shù)據(jù)集(20%).

采用SSA-BP和普通BP方法建立替代模型,并通過均方根誤差(RMSE)、確定性系數(shù)2及平均相對(duì)誤差(MAPE)評(píng)價(jià)及對(duì)比替代模型的性能.

由表3可知,基于SSA-BP方法建立的替代模型的精度明顯高于基于BP神經(jīng)網(wǎng)絡(luò)方法建立的替代模型.由圖5可以看出,在迭代次數(shù)達(dá)到29次時(shí),適應(yīng)度函數(shù)已然收斂,說明SSA對(duì)BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值完成了優(yōu)化,且收斂速度較快.將污染源相關(guān)值與含水層參數(shù)的參考值輸入到SSA-BP神經(jīng)網(wǎng)絡(luò)替代模型中,將其輸出與觀測值進(jìn)行比較,對(duì)比結(jié)果如圖6所示.

表3 替代模型精度分析

圖5 SSA-BP適應(yīng)度收斂曲線

結(jié)果表明,基于SSA-BP神經(jīng)網(wǎng)絡(luò)方法建立的替代模型滿足精度要求,可以代替模擬模型與優(yōu)化模型進(jìn)行耦合.

2.4 優(yōu)化模型的建立及求解

表4 SSA及GA識(shí)別值與參考值的比較

以各監(jiān)測井在各時(shí)段的替代模型計(jì)算值和實(shí)際觀測值之間的擬合誤差極小化作為目標(biāo)函數(shù),以污染源位置、坐標(biāo)以及污染源釋放通量st1～st10共12個(gè)變量作為決策變量,并將已建立的替代模型作為等式約束條件嵌入其中,連同其他約束條件,構(gòu)建針對(duì)污染源位置及源強(qiáng)反演識(shí)別的優(yōu)化模型.構(gòu)建的優(yōu)化模型形式如下:

利用麻雀搜索算法和遺傳算法分別求解優(yōu)化模型,計(jì)算識(shí)別值如表4所示.

再將SSA及GA識(shí)別出來的污染源位置及污染源釋放通量代入模擬模型中正演求解,并借助6號(hào)井分別比較兩者的模擬值及觀測值(表5).

表5 基于SSA及GA的6號(hào)井模擬值與觀測值的比較

根據(jù)兩種比較結(jié)果可知,在求解該優(yōu)化模型時(shí),SSA相較于GA具有更好的收斂性能和更高的識(shí)別精度.且由于st1、st2及st10的識(shí)別值明顯低于其他時(shí)段的識(shí)別值,因此可推斷初始釋放時(shí)段為st3,終止釋放時(shí)段為st10.對(duì)于污染源位置的反演識(shí)別可以為污染責(zé)任認(rèn)定提供可靠證據(jù),而考慮初始釋放時(shí)間和終止釋放時(shí)間的污染源源強(qiáng)識(shí)別對(duì)于進(jìn)一步的修復(fù)任務(wù)具有重要參考價(jià)值.

2.5 不足及展望

在實(shí)際案例中,地下水不同污染物的性質(zhì)及遷移方式存在很大差異,本文僅定義了一種假想污染物,且污染物不會(huì)發(fā)生化學(xué)變化和生物降解.后期的研究將會(huì)具體污染物具體分析,充分考慮污染物本身的物理化學(xué)性質(zhì)及遷移方式,從而在污染物源反演識(shí)別中進(jìn)行更加準(zhǔn)確的模擬.

本文所提出的方法不可避免地存在誤差,比如觀測數(shù)據(jù)本身具有噪聲以及建立模擬模型和替代模型時(shí)的誤差等,這也就導(dǎo)致了污染源反演識(shí)別結(jié)果的不確定性.后期研究可根據(jù)反演識(shí)別結(jié)果進(jìn)行匯的預(yù)測,通過與實(shí)際收集到的觀測數(shù)據(jù)比較來更新源的信息.

本文將水文地質(zhì)參數(shù)看為已知變量,僅反演了污染源的相關(guān)信息,但是地下水污染源反演識(shí)別同時(shí)伴有水文地質(zhì)參數(shù)的不確定性,后期研究將會(huì)同時(shí)反演水文地質(zhì)參數(shù)及污染源的相關(guān)信息.

3 結(jié)論

3.1 SSA-BP神經(jīng)網(wǎng)絡(luò)替代模型在平均相對(duì)誤差、確定性系數(shù)及均方根誤差等評(píng)價(jià)指標(biāo)上的表現(xiàn)都要優(yōu)于普通BP神經(jīng)網(wǎng)絡(luò)替代模型.且SSA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值及閾值時(shí)表現(xiàn)出了目標(biāo)函數(shù)值下降幅度大、收斂速度快的優(yōu)點(diǎn).

3.2 SSA對(duì)污染源位置的反演識(shí)別相對(duì)誤差在10%左右,對(duì)污染源源強(qiáng)的反演識(shí)別相對(duì)誤差不超過4%,說明SSA的識(shí)別精度較高.綜上,基于SSA- BP神經(jīng)網(wǎng)絡(luò)替代模型及SSA的地下水污染源溯源辨識(shí)是可行的.

[1] 王寶燕,肖 巍.地下水污染現(xiàn)狀與防治對(duì)策研究[J]. 環(huán)境與發(fā)展, 2020,32(10):38-39.

Wang B Y, Xiao W. Study on the status of groundwater pollution and prevention measures [J]. Environment and Development, 2020,32(10): 38-39.

[2] 楊 貞,張振師.國內(nèi)外地下水修復(fù)技術(shù)應(yīng)用現(xiàn)狀及發(fā)展趨勢[C]//中國環(huán)境科學(xué)學(xué)會(huì).2020中國環(huán)境科學(xué)學(xué)會(huì)科學(xué)技術(shù)年會(huì)論文集(第三卷).中國環(huán)境科學(xué)學(xué)會(huì):中國環(huán)境科學(xué)學(xué)會(huì), 2020:4.

Yang Z, Zhang Z S. Current status and development trend of groundwater remediation technology application at home and abroad [C]// Proceedings of the 2020 Annual Scientific and Technical Conference of the Chinese Society for Environmental Sciences (Volume III). Chinese Society of Environmental Science: Chinese Society of Environmental Science, 2020:4.

[3] 李 媛,王國鋒,鄭 江,等.基于MOLDFLOW的某污染地塊地下水重金屬污染風(fēng)險(xiǎn)評(píng)價(jià)[J]. 江西科學(xué), 2021,39(5):810-815,833.

Li Y, Wang G F, Zheng J, et al. Risk assessment of heavy metal contamination in groundwater of a contaminated site based on MOLDFLOW [J]. Jiangxi Science, 2021,39(5):810-815,833.

[4] 徐亞寧,盧文喜,王梓博,等.考慮參數(shù)和邊界條件不確定性的地下水污染隨機(jī)模擬[J]. 中國環(huán)境科學(xué), 2022,42(7):

Xu Y N, Lu W X, Wang Z B, et al. Stochastic simulation of groundwater pollution considering parameter and boundary condition uncertainties [J]. China Environmental Science, 2022,42(7):

[5] 時(shí)延鋒.SCEUA算法在地下水污染溯源中的應(yīng)用研究[D]. 濟(jì)南:濟(jì)南大學(xué), 2015.

Shi Y F. Research on the application of SCEUA algorithm in groundwater pollution traceability [D]. Jinan: Jinan University, 2015.

[6] 王景瑞,胡立堂.地下水污染源識(shí)別的數(shù)學(xué)方法研究進(jìn)展[J]. 水科學(xué)進(jìn)展, 2017,28(6):943-952.

Wang J R, Hu L T. Research progress of mathematical methods for groundwater pollution source identification [J]. Advances in Water Science, 2017,28(6):943-952.

[7] 袁 乾,盧文喜,范 越,等.基于替代模型的煤矸石堆地下水污染隨機(jī)模擬[J]. 中國環(huán)境科學(xué), 2019,39(6):2444-2451.

Yuan Q, Lu W X, Fan Y, et al. Stochastic simulation of coal gangue pile groundwater pollution based on alternative models [J]. China Environmental Science, 2019,39(6):2444-2451.

[8] 仝曉霞,寧立波,董少剛.運(yùn)用GMS模型對(duì)某垃圾場地下水污染的研究[J]. 環(huán)境科學(xué)與技術(shù), 2012,35(7):197-201.

Tong X X, Ning L B, Dong S G. Study of groundwater pollution in a landfill using GMS model [J]. Environmental Science and Technology, 2012,35(7):197-201.

[9] 杜守營,鹿 帥,杜尚海.基于GMS的地下水流數(shù)值模擬及參數(shù)敏感性分析[J]. 中國農(nóng)村水利水電, 2013,(8):77-80.

Du S Y, Lu S, Du S H. Numerical simulation and parameter sensitivity analysis of groundwater flow based on GMS [J]. China Rural Water Conservancy and Hydropower, 2013,(8):77-80.

[10] 顏 萍,邢 芳,徐世光,等.基于GMS軟件對(duì)保山某尾礦庫地下水污染的數(shù)值模擬研究[J]. 地質(zhì)災(zāi)害與環(huán)境保護(hù), 2019,30(3):102-107.

Yan P, Xing F, Xu S G, et al. Numerical simulation study of groundwater pollution in a tailing pond in Baoshan based on GMS software [J]. Geological Hazards and Environmental Protection, 2019,30(3):102-107.

[11] Queipo N V, Haftka R T, Shyy W, et al. Surrogate-based analysis and optimization [J]. Progress in Aerospace Sciences, 2005,41(1):1-28.

[12] Bhosekar A, Ierapetritou M. Advances in surrogate based modeling, feasibility analysis, and optimization: A review [J]. Computers & Chemical Engineering, 2018,108:250-267.

[13] Yan S Q, Minsker B. Optimal groundwater remediation design using an Adaptive Neural Network Genetic Algorithm [J]. Water Resources Research, 2006,42(5):5407-5420.

[14] 王梓博,盧文喜,王 涵,等.某鉬礦尾礦庫地下水污染的隨機(jī)模擬[J]. 中國環(huán)境科學(xué), 2020,40(5):2124-2131.

Wang Z B, Lu W X, Wang H, et al. Stochastic simulation of groundwater pollution in a molybdenum mine tailing pond [J]. China Environmental Science, 2020,40(5):2124-2131.

[15] 侯澤宇,王 宇,盧文喜.地下水DNAPLs污染修復(fù)多相流模擬的替代模型[J]. 中國環(huán)境科學(xué), 2019,39(7):2913-2920.

Hou Z Y, Wang Y, Lu W X. Alternative models for multiphase flow simulation of groundwater DNAPLs pollution remediation [J]. China Environmental Science, 2019,39(7):2913-2920.

[16] 王 宇,盧文喜,卞建民,等.基于小波神經(jīng)網(wǎng)絡(luò)的地下水流數(shù)值模擬模型的替代模型研究[J]. 中國環(huán)境科學(xué), 2015,35(1):139-146.

Wang Y, Lu W X, Bian J M, et al. Alternative modeling of groundwater flow numerical simulation model based on wavelet neural network [J]. China Environmental Science, 2015,35(1):139- 146.

[17] Yoon J H, Shoemaker C A. Comparison of optimization methods for ground-water bioremediation [J]. Journal of Water Resources Planning and Management-Asce, 1999,125(1):54-63.

[18] 江思珉,張亞力,蔡 奕,等.單純形模擬退火算法反演地下水污染源強(qiáng)度[J]. 同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版), 2013,41(2):253-257.

Jiang S M, Zhang Y L, Cai Y, et al. Inversion of groundwater pollution source intensity by simplex simulated annealing algorithm [J]. Journal of Tongji University (Natural Science Edition), 2013,41(2):253-257.

[19] 王 敬,韓 忠,梁 浩,等.地下水污染強(qiáng)度反演識(shí)別的SCE-UA算法[J]. 中國農(nóng)村水利水電, 2020,(12):106-111.

Wang J, Han Z, Liang H, et al. SCE-UA algorithm for groundwater pollution intensity inversion identification [J]. China Rural Water Conservancy and Hydropower, 2020,(12):106-111.

[20] 肖傳寧,盧文喜,趙 瑩,等.基于徑向基函數(shù)模型的優(yōu)化方法在地下水污染源識(shí)別中的應(yīng)用[J]. 中國環(huán)境科學(xué), 2016,36(7):2067-2072.

Xiao C N, Lu W x, Zhao Y, et al. Application of optimization method based on radial basis function model in groundwater pollution source identification [J]. China Environmental Science, 2016,36(7):2067- 2072.

[21] 張江江.地下水污染源解析的貝葉斯監(jiān)測設(shè)計(jì)與參數(shù)反演方法[D].杭州:浙江大學(xué), 2017.

Zhang J J. Bayesian monitoring design and parameter inversion method for groundwater pollution source analysis [D]. Hangzhou: Zhejiang University, 2017.

[22] Xue J K, Shen B. A novel swarm intelligence optimization approach: sparrow search algorithm [J]. Systems Science & Control Engineering, 2020,8(1):22-34.

[23] 郭名誠,侯 珂,李鑫浩.基于SSA-BPNN模型的Web服務(wù)質(zhì)量評(píng)價(jià)[J]. 信息技術(shù)與信息化, 2021,(10):13-15.

Guo M C, Huo K, Li X H. Web service quality evaluation based on SSA-BPNN model [J]. Information Technology and Informatization, 2021,(10):13-15.

[24] 孫 全,孫 淵.基于麻雀搜索算法的BP神經(jīng)網(wǎng)絡(luò)優(yōu)化技術(shù)[J]. 上海電機(jī)學(xué)院學(xué)報(bào), 2022,25(1):12-16.

Sun Q, Sun Y. BP neural network optimization technique based on sparrow search algorithm [J]. Journal of Shanghai Institute of Electrical Engineering, 2022,25(1):12-16.

Inversion and identification of groundwater pollution sources based on SSA-BP and SSA.

GE Yuan-bo, LU Wen-xi*, BAI Yu-kun, PAN Zi-dong

(Key Laboratory of Groundwater Resources and Environmental, Ministry of Education, College of New Energy and Environment, Jilin University, Changchun 130012, China)., 2022,42(11)：5179～5187

The simulation-optimization method based on SSA-BP neural network alternative model and SSA were applied to study the inverse identification of groundwater pollution source location and release history. And the Cholesky decomposition method was applied to establish the continuous field of aquifer permeability coefficients in the groundwater flow model, which better describes the non-homogeneity of hydrogeological parameters compared with the common parameter partitioning method. The results showed that the SSA-BP neural network alternative model has a high approximation accuracy for the simulation model, and its average relative error is only 3.21%. The relative error of SSA in the inverse identification of source location is about 10%, and the relative error of SSA in the inverse identification of source intensity does not exceed 4%. Therefore, the proposed method is an effective groundwater pollution source identification method, which can provide reference for pollution responsibility identification and pollution remediation plan optimization.

pollution source inversion identification；simulation-optimization method；alternative model；sparrow search algorithm；SSA-BP neural network alternative model

X523

A

1000-6923(2022)11-5179-09

葛淵博(1999-),男,甘肅定西人,吉林大學(xué)碩士研究生,主要從事地下水污染源反演識(shí)別研究.發(fā)表論文1篇.

2022-04-21

國家自然科學(xué)基金資助項(xiàng)目(41972252);國家重點(diǎn)研發(fā)計(jì)劃資助項(xiàng)目(2018YFC1800405)

* 責(zé)任作者, 教授, luwenxi@jlu.edu.cn