近年来，石油及其衍生物往往会由于突发事故或不当的处置，泄漏并进入地下含水层之中，对地下水造成污染。石油类有机污染物在水中的溶解度一般较小，通常以非水相流体(non-aqueous phase liquids,NAPLs)的形式存在于地下含水层中。根据密度的不同，NAPLs可分为两类，一类是密度大于水的重非水相流体(dense non-aqueous phase liquids,DNAPLs)，另一类是密度小于水的轻非水相流体(light non-aqueous phase liquids,LNAPLs)。NAPLs往往毒性很高，如果不能够及时修复和治理，将会对地下水水质造成严重的污染。然而，效果良好的地下水NAPLs污染修复的前提在于对污染源信息(污染源的个数、位置和释放历史)的准确确定，如果在对污染源信息缺乏了解和掌握的情况下就盲目治理，往往很难达到满意的修复效果。因此，在进行污染修复工作之前，开展地下水污染溯源辨识研究，进而了解掌握污染源的相关信息就显得格外重要。 地下水污染溯源辨识是指通过现场调查以及资料收集等获得的辅助信息，结合有限的现场监测数据(包括水位和水质监测数据)，对刻画污染物在地下水中运移规律的模拟模型进行反演求解，从而推求污染源的信息，包括污染源的个数、位置和释放历史(即为污染物的初始释放时刻、污染物的终止释放时刻以及释放强度随时间的变化情况)。由于地下水污染溯源辨识研究具有重大的意义，近年来受到了广泛的关注。然而，目前针对地下水LNAPLs污染溯源辨识的研究仍很匮乏，亟需开展相关方面的研究工作。此外，污染源(污染物的来源)和污染汇(污染物的去处)之间具有很强的因果关系。因此，将二者同时考虑，对二者之间的因果关系进行深入研究是十分必要的。然而，目前对于地下水污染源-汇关系的研究是十分匮乏的，有关地下水LNAPLs污染源-汇关系的研究更是鲜有报道。因此，亟需围绕地下水LNAPLs污染源-汇关系研究前沿中尚有待解决的问题展开研究。 针对上述问题，本次研究通过假想例子和实际例子相结合的研究方式，综合应用多相流数值模拟模型、生物降解数值模拟模型、基于Resnet-18结构的深度残差网络方法、变密度网格搜索方法、自适应循环改进迭代过程、集合平滑器-最优差分进化马尔科夫链算法、蒙特卡洛方法等多种理论与方法，首先对地下水LNAPLs污染溯源辨识展开研究，在辨识确定出污染源相关信息的基础上，再开展地下水LNAPLs污染源-汇关系的研究。 在现场调查和资料分析的基础上，概化处理污染场地的地质及水文地质条件，建立污染场地的概念模型。根据资料和专业经验，对地下水LNAPLs污染多相流及生物降解数值模拟模型中的参数和污染源信息赋予初估值及初估的取值区间，建立能够刻画LNAPLs污染物运移规律和生物降解过程的多相流及生物降解数值模拟模型。通过对模拟模型中的参数进行敏感性分析，筛选出较为敏感的模型参数，将其和污染源信息一同作为后续地下水污染溯源辨识研究中的待求变量。 由于在地下水LNAPLs污染溯源辨识研究中，往往涉及到迭代运算，需要反复多次调用模拟模型，这会带来庞大的计算负荷和冗长的计算时间。本次研究通过建立多相流及生物降解数值模拟模型的替代模型来解决这一问题。替代模型不仅能大幅减少计算负荷和计算时间，而且还能够保持良好的逼近精度。 分别应用克里格方法、支持向量回归方法、深度信念网络方法和基于Resnet-18结构的深度残差网络方法建立多相流及生物降解数值模拟模型的替代模型。利用训练样本，对上述四种替代模型进行训练。利用检验样本，对比四种替代模型对模拟模型的逼近精度，通过对比分析出基于Resnet-18结构的深度残差网络替代模型的优势和适用性。此外，为了进一步提高基于Resnet-18结构的深度残差网络替代模型对模拟模型的逼近精度，应用变密度网格搜索方法对深度残差网络中的超参数(即为在建立替代模型之前需要设置的参数，而不是通过训练得到的)进行优化。 此外，训练样本的质量是决定替代模型精度的重要因素。在以往的做法中，替代模型的训练样本往往都是一次性产生的，使得训练样本的质量难以随着迭代的进行而不断得到改善，因此很难建立高精度的替代模型，进而会影响地下水LNAPLs污染溯源辨识问题的求解精度。 因此，为了改善训练样本的质量，提高地下水LNAPLs污染溯源辨识问题的求解精度，本次研究构建基于深度学习的自适应循环改进迭代过程。首先，根据多相流及生物降解数值模拟模型的输入-输出样本(训练样本)，应用基于Resnet-18结构的深度残差网络方法，建立多相流及生物降解数值模拟模型的替代模型。基于所建立的替代模型，应用集合平滑器算法进行求解，获得待求变量辨识结果。然后，设法利用待求变量辨识结果，对先前的训练样本进行吐故纳新，吸纳优质的新训练样本，摒弃劣质的旧训练样本。根据改进更新后的训练样本，建立新的质量更好的替代模型，并基于新的替代模型，应用集合平滑器算法，求得新的精度更好的待求变量辨识结果。上述过程反复循环进行，直到满足收敛条件时，终止迭代过程。通过上述的自适应循环改进迭代过程，使得训练样本、替代模型和待求变量辨识结果，都能随着迭代过程的进行而协同改进更新，从而改善地下水LNAPLs污染溯源辨识问题的求解效果。 地下水污染溯源辨识问题的求解方法有很多，在以往的研究中往往采用单一方法进行溯源辨识，然而每种方法都有各自的优势与不足。其中，卡尔曼滤波方法，计算量小，运行速度快，能够快速获得辨识结果。然而当面对问题的非线性程度较强时，其寻优能力相对较弱，得到的辨识结果精度不高。随机统计方法的寻优能力受问题非线性程度的影响较小，具有较强的寻优能力。但是若初值离真值较远，则收敛速度会非常缓慢，计算量较大。 因此，为了取长补短，本次研究联合应用集合平滑器算法(属于卡尔曼滤波方法)和最优差分进化马尔科夫链算法(属于随机统计方法)，构建集合平滑器-最优差分进化马尔科夫链算法，求解地下水LNAPLs污染溯源辨识问题。首先，利用集合平滑器算法的辨识结果为最优差分进化马尔科夫链算法提供更好的初值，这样做能够加快收敛速度，避开局部极值点，快速找到全局最优。接下来，再运用最优差分进化马尔科夫链算法进行地下水LNAPLs污染溯源辨识，得到各待求变量的最终辨识结果(后验概率分布以及点估计)。将集合平滑器-最优差分进化马尔科夫链算法分别应用于假想例子和实际例子中，分析算法的有效性。 通过上述研究，本文得出了以下结论： (1)本次研究分别应用克里格方法、支持向量回归方法、深度信念网络方法和基于Resnet-18结构的深度残差网络方法建立多相流及生物降解数值模拟模型的替代模型，并对四种替代模型的精度进行对比分析，结果表明：两种深度学习替代模型(深度信念网络替代模型和基于Resnet-18结构的深度残差网络替代模型)的精度明显优于两种浅层学习替代模型(克里格替代模型和支持向量回归替代模型)，而且在两种深度学习替代模型中，基于Resnet-18结构的深度残差网络替代模型的精度更高。此外，通过应用变密度网格搜索方法对基于Resnet-18结构的深度残差网络替代模型中的超参数进行优化，相较于常规的网格搜索策略来说，能够进一步提高基于Resnet-18结构的深度残差网络替代模型对模拟模型的逼近精度。 (2)在地下水LNAPLs污染溯源辨识研究中，研究构建基于深度学习的自适应循环改进迭代过程，能够显著提高地下水LNAPLs污染溯源辨识的精度。在假想例子的研究中，自适应循环改进迭代过程进行了十轮，平均相对误差从最初的13.11%降低为5.54%，最大相对误差由41.37%降低为14.36%。在实际例子的研究中，自适应循环改进迭代过程进行了十二轮，通过计算输出值与现场监测值的接近程度来评价辨识结果。结果表明：二者之间的确定性系数R2从最初的0.6722提升为0.8311。因此，无论是在假想例子还是实际例子中，通过运用基于深度学习的自适应循环改进迭代过程，地下水LNAPLs污染溯源辨识结果的精度均得到了显著提高。 (3)本次研究通过联合应用集合平滑器算法和最优差分进化马尔科夫链算法，构建集合平滑器-最优差分进化马尔科夫链算法，既能充分利用集合平滑器算法运行速度快的优势，为最优差分进化马尔科夫链算法提供更好的初值，使其利用更少的迭代次数达到收敛，又能发挥最优差分进化马尔科夫链算法寻优能力强的特点，提高地下水LNAPLs污染溯源辨识结果的精度。 (4)本次研究在多相流及生物降解数值模拟模型的基础上，通过确定性模拟和随机模拟，分析地下水LNAPLs污染源-汇关系，可以得出：进入地下含水层中的污染物大部分依然残留在模拟区的含水层中，一部分被生物降解，还有一少部分从模拟区的边界处流出。当考虑污染源信息随机变化的情形时，模拟区内污染物的残留量服从正态分布，模拟区内污染物的生物降解量和污染物边界流出量不服从正态分布。此外，还可以获得污染源信息与污染物各个去处分配量之间的相关关系。
NETL
