發(fā)布時(shí)間：2017-10-12 05:19

  本文關(guān)鍵詞：基于克里格替代模型和改進(jìn)的Bayesian-MCMC方法的地下水污染源反演識(shí)別研究

  更多相關(guān)文章： 地下水污染 污染源反演 貝葉斯推理 MCMC 替代模型

【摘要】：隨著人類活動(dòng)強(qiáng)度的增大,地下水污染程度日趨嚴(yán)重,已對(duì)飲用水安全和生態(tài)環(huán)境構(gòu)成了嚴(yán)重威脅。因此制定科學(xué)合理的修復(fù)方案對(duì)地下水污染進(jìn)行有效修復(fù)治理,具有重要意義。查明地下水污染源特征及污染質(zhì)的時(shí)空分布是制定合理修復(fù)方案的必要前提。同時(shí),還可為地下水污染風(fēng)險(xiǎn)評(píng)估提供依據(jù),為地下水污染責(zé)任認(rèn)定提供判據(jù)。地下水污染源反演識(shí)別研究對(duì)于地下水環(huán)境修復(fù)改善,實(shí)現(xiàn)人與自然和諧相處,經(jīng)濟(jì)社會(huì)綠色發(fā)展具有重要意義。目前廣泛運(yùn)用的最優(yōu)化算法等確定性反演方法只能給出反問(wèn)題的“最優(yōu)解”、“點(diǎn)估計(jì)”,不能充分考慮數(shù)學(xué)模型、模型參數(shù)、觀測(cè)數(shù)據(jù)的不確定性。而地下水污染源反演問(wèn)題的最大求解困難即在于模型參數(shù)與觀測(cè)數(shù)據(jù)的不確定性帶來(lái)的問(wèn)題的不適定。因此,最優(yōu)化算法在反演問(wèn)題中有其局限性,不完全適合反問(wèn)題的特點(diǎn)。本文運(yùn)用貝葉斯推理這一統(tǒng)計(jì)反演方法(或稱概率反演方法)進(jìn)行地下水污染源反演識(shí)別研究。它建立在概率論的基礎(chǔ)上,變量被處理成隨機(jī)變量,更充分利用先驗(yàn)信息,以概率分布形式來(lái)表達(dá)各種不確定性。因此它可以描述與表達(dá)地下水污染源反演識(shí)別問(wèn)題中的不確定性,更符合地下水污染源反演問(wèn)題的特點(diǎn),并且以概率分布的形式給出反問(wèn)題的解,信息量更大,更客觀,更可信,精度更高。在常規(guī)Bayesian-MCMC算法基礎(chǔ)上,進(jìn)行步長(zhǎng)變換,即根據(jù)樣本值與真值的距離不同采用不同的搜索步長(zhǎng),使算法大步經(jīng)過(guò)距真值較遠(yuǎn)處,而在真值附近以小步長(zhǎng)精細(xì)搜索,此改進(jìn)為進(jìn)一步提高方法的計(jì)算精度、效率、穩(wěn)定性。本文針對(duì)二維地下水穩(wěn)定流,雙點(diǎn)源污染分時(shí)段排放問(wèn)題,通過(guò)地下水溶質(zhì)運(yùn)移數(shù)值模擬模型、替代模型、改進(jìn)的Bayesian-MCMC方法等分析方法的綜合運(yùn)用,探索研究基于克里格替代模型和改進(jìn)的Bayesian-MCMC方法的地下水污染源反演識(shí)別。首先建立地下水溶質(zhì)(污染物)運(yùn)移數(shù)值模擬模型。分別運(yùn)用拉丁超立方抽樣方法、最優(yōu)拉丁超立方抽樣方法在輸入變量的可行域內(nèi)抽樣,并分析比較上述兩種方法對(duì)抽樣空間的覆蓋程度大小。將抽樣所得結(jié)果代入地下水溶質(zhì)運(yùn)移數(shù)值模擬模型中,運(yùn)行模型得到相應(yīng)的輸出值。根據(jù)輸入-輸出樣本數(shù)據(jù)集,分別研究應(yīng)用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)、克里格方法建立地下水溶質(zhì)運(yùn)移數(shù)值模擬模型的替代模型,并對(duì)比分析兩種替代模型對(duì)模擬模型的逼近精度,甄選出更優(yōu)的替代模型建模方法�；谡邕x出的精度更高的替代模型,分別運(yùn)用常規(guī)的Bayesian-MCMC方法和改進(jìn)的Bayesian-MCMC方法對(duì)兩個(gè)污染源各時(shí)段的污染排放強(qiáng)度進(jìn)行反演,進(jìn)行比較分析,對(duì)結(jié)果進(jìn)行討論、評(píng)估。通過(guò)本文的研究,主要得出了以下結(jié)論:(1)最優(yōu)拉丁超立方抽樣與拉丁超立方抽樣相比,可有效提高樣本點(diǎn)對(duì)抽樣空間的覆蓋程度。(2)運(yùn)用Bayesian-MCMC方法進(jìn)行地下水污染源反演識(shí)別時(shí),調(diào)用模擬模型的替代模型,可大幅減小計(jì)算負(fù)荷,并保持較高的精度。克里格替代模型精度高于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)替代模型。(3)運(yùn)用Bayesian-MCMC方法進(jìn)行地下水污染源反演識(shí)別,結(jié)果精度較高,穩(wěn)定性較好。(4)在Bayesian-MCMC方法中加入步長(zhǎng)變換,可較大幅度提高方法的計(jì)算精度、效率和穩(wěn)定性。
【關(guān)鍵詞】：地下水污染 污染源反演 貝葉斯推理 MCMC 替代模型
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：X523
【目錄】：

• 摘要4-6
• Abstract6-12
• 第1章 緒論12-19
• 1.1 選題依據(jù)及研究意義12-13
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀與進(jìn)展13-16
• 1.2.1 地球化學(xué)足跡法13
• 1.2.2 數(shù)學(xué)方法13-16
• 1.3 本文的研究?jī)?nèi)容與技術(shù)路線16-19
• 1.3.1 研究?jī)?nèi)容16-17
• 1.3.2 技術(shù)路線17-19
• 第2章 反問(wèn)題及其不適定性19-22
• 2.1 正問(wèn)題與反問(wèn)題19
• 2.2 反問(wèn)題的不適定性19-20
• 2.3 地下水污染源反演問(wèn)題20-22
• 2.3.1 概述20-21
• 2.3.2 地下水污染源反演的特點(diǎn)21-22
• 第3章 貝葉斯推理22-25
• 3.1 貝葉斯公式22-23
• 3.2 先驗(yàn)信息23
• 3.3 似然函數(shù)23-24
• 3.4 后驗(yàn)概率密度的抽樣24-25
• 第4章 MCMC抽樣25-29
• 4.1 MCMC抽樣基本原理25-26
• 4.2 M-H算法26-27
• 4.3 變換步長(zhǎng)的M-H算法27-29
• 第5章 替代模型建模方法29-36
• 5.1 替代模型簡(jiǎn)介29
• 5.2 徑向基函數(shù)人工神經(jīng)網(wǎng)絡(luò)法29-32
• 5.2.1 徑向基函數(shù)人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)29-30
• 5.2.2 徑向基函數(shù)30-31
• 5.2.3 徑向基函數(shù)人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練31-32
• 5.3 克里格法32-34
• 5.3.1 克里格法簡(jiǎn)介32
• 5.3.2 克里格法的原理32-34
• 5.4 替代模型的精度評(píng)估34-36
• 第6章 假想算例地下水污染質(zhì)運(yùn)移數(shù)值模擬模型36-39
• 第7章 替代模型39-45
• 7.1 抽樣39-42
• 7.1.1 拉丁超立方抽樣39-40
• 7.1.2 最優(yōu)拉丁超立方抽樣40-41
• 7.1.3 抽樣結(jié)果分析41-42
• 7.2 替代模型的建立42-45
• 7.2.1 徑向基函數(shù)人工神經(jīng)網(wǎng)絡(luò)模型42
• 7.2.2 克里格模型42
• 7.2.3 替代模型精度對(duì)比分析42-45
• 第8章 反演求解45-56
• 8.1 常規(guī)M-H方法45-50
• 8.1.1 迭代曲線45-47
• 8.1.2 反演結(jié)果47-49
• 8.1.3 反演結(jié)果穩(wěn)定性分析49-50
• 8.2 變換步長(zhǎng)的M-H方法50-55
• 8.2.1 迭代曲線50-52
• 8.2.2 反演結(jié)果52-54
• 8.2.3 反演結(jié)果穩(wěn)定性分析54-55
• 8.3 M-H方法改進(jìn)前后比較分析55-56
• 第9章 結(jié)論及展望56-58
• 9.1 結(jié)論56-57
• 9.2 本研究的不足之處及展望57-58
• 參考文獻(xiàn)58-65
• 作者簡(jiǎn)介及攻讀碩士期間所取得的科研成果65-66
• 致謝66

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前8條

1 王來(lái)貴;朱旺喜;;自然科學(xué)基金申報(bào)中的反問(wèn)題研究?jī)?nèi)涵[J];中國(guó)科學(xué)基金;2016年01期

2 江思珉;張亞力;周念清;趙姍;;基于卡爾曼濾波和模糊集的地下水污染羽識(shí)別[J];同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年03期

3 陳海洋;滕彥國(guó);王金生;宋柳霆;周振瑤;;基于Bayesian-MCMC方法的水體污染識(shí)別反問(wèn)題[J];湖南大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年06期

4 李功勝;姚德;馬昱;楊富貴;;一維溶質(zhì)運(yùn)移源(匯)項(xiàng)系數(shù)反演的迭代正則化算法[J];地球物理學(xué)報(bào);2008年02期

5 范小平;李功勝;;確定地下水污染強(qiáng)度的一種改進(jìn)的遺傳算法[J];計(jì)算物理;2007年02期

6 趙陽(yáng);田社平;韋紅雨;王志武;;基于RBF神經(jīng)網(wǎng)絡(luò)模型的傳感器非線性補(bǔ)償方法[J];計(jì)量技術(shù);2007年02期

7 王建平;程聲通;賈海峰;;基于MCMC法的水質(zhì)模型參數(shù)不確定性研究[J];環(huán)境科學(xué);2006年01期

8 穆雪峰,姚衛(wèi)星,余雄慶,劉克龍,薛飛;多學(xué)科設(shè)計(jì)優(yōu)化中常用代理模型的研究[J];計(jì)算力學(xué)學(xué)報(bào);2005年05期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前4條

1 郝亮;基于代理模型的車身吸能結(jié)構(gòu)抗撞性優(yōu)化[D];吉林大學(xué);2013年

2 辛欣;DNAPLs污染含水層多相流模擬模型的替代模型研究[D];吉林大學(xué);2011年

3 張勇;基于近似模型的汽車輕量化優(yōu)化設(shè)計(jì)方法[D];湖南大學(xué);2009年

4 朱嵩;基于貝葉斯推理的環(huán)境水力學(xué)反問(wèn)題研究[D];浙江大學(xué);2008年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前4條

1 李昆仲;基于RBF神經(jīng)網(wǎng)絡(luò)的邊坡穩(wěn)定性評(píng)價(jià)研究[D];長(zhǎng)安大學(xué);2010年

2 萬(wàn)梅芳;基于神經(jīng)網(wǎng)絡(luò)的物流系統(tǒng)最經(jīng)濟(jì)控制研究[D];桂林電子科技大學(xué);2009年

3 蘇美娟;徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法研究[D];蘇州大學(xué);2007年

4 單曉虹;基于遺傳算法的RBF神經(jīng)網(wǎng)絡(luò)及其在系統(tǒng)辨識(shí)中的應(yīng)用[D];青島大學(xué);2006年

，

本文編號(hào)：1016866