(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111600946.8 (22)申请日 2021.12.24 (71)申请人 吉林大学 地址 130000 吉林省长 春市前进大街269 9 号 (72)发明人 王宇　卞建民　孙晓庆　 (74)专利代理 机构 北京一格知识产权代理事务 所(普通合伙) 11316 专利代理师 万小侠 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/00(2006.01) G06N 3/12(2006.01) G06F 111/10(2020.01) (54)发明名称 基于多核极限学习机的有机污染物迁移数 值模型替代方法 (57)摘要 本发明涉及一种基于多核极限学习机的有 机污染物迁移数值模型替代方法， 该方法包括以 下步骤： 根据观测资料， 建立地下水有机污染多 相流运移数值模 型， 确定模型中对于污染物时空 分布贡献程度较高的污染源特征、 含 水层参数以 及各变量的取值范围； 准备训练样本集； 训练多 相流数值模 型的单一核极限学习机替代模型； 建 立核函数关键参数及核函数组合权重的非线性 规划优化模型； 以遗传算法求解优化模型， 识别 最优的核函数参数及组合权重， 构建数值模型的 遗传进化多核极限学习机智能替代模 型。 解决地 下水有机污染多相流数值模型的替代问题， 提升 污染物运移模拟预测的计算效率， 为地下水污染 源特征及污染物运移参数反演识别提供高效解 决途径。 权利要求书4页 说明书8页 附图5页 CN 114492164 A 2022.05.13 CN 114492164 A 1.一种基于多核极限学习机的有机污染物迁移数值模型替代方法， 其特征在于： 具体 方法如下： S1： 通过野外现场调查、 动态监测等手段， 掌握污染场地的水文地质条件及污染特 征； S2： 对场地水文地质条件进行概化处理， 初步建立地下水有机污染多相流数值模拟模 型， 用以描述 地下水中有机 污染物的运移机理； S3： 确定模型中对于污染物时空分布贡献程度较高的污染源特征、 含水层参数； 根据模 型中各变量的取值范围， 随机采样若干组样本， 逐一代入S2中所建立的多相流数值模型， 得 到每组样本对应的模型响应对应于监测井位置的污染物浓度， 形成由 “模型输入 ‑模型响 应”样本对构成的训练样本集和检验样本集； S4： 根据S3获得的输入 ‑输出训练样本集， 采用不同核函数建立多相流数值模型的单一 核极限学习机替代模型； S5： 根据S3获得的检验样本集， 建立核函数关键参数及核函数组合权重的非线性规划 优化模型； S6： 应用遗传算法， 求解S5中建立的非线性规划优化模型， 识别最优的核函数关键参数 及核函数组合权 重， 构建多相流数值模型的遗传进化多 核极限学习机替代模型。 2.根据权利要求1所述的一种基于多核极限学习机的有机污染物迁移数值模型替代方 法， 其特征在于： 所述S2中用U TCHEM程序构建地下 水有机污染多相流 运移数值模。 3.根据权利要求1所述的一种基于多核极限学习机的有机污染物迁移数值模型替代方 法， 特征在于： 所述S 3中的污染源 特征包括： 污染源的纵向坐标、 污染源的横向坐标、 污染物 迁移转化时长、 污染物泄漏量； 含水层参数包括： 孔隙度、 渗透率、 纵向水相弥散度、 横向水 相弥散度； 随机采样通过拉丁超立方采样方法实现， 进行两次随机采样分别获得训练样本 集和检验样本集。 4.根据权利要求1所述的一种基于多核极限学习机的有机污染物迁移数值模型的替代 方法， 特征在于： 所述S4中的单一核函数包括： 多 项式核函数、 高斯核函数、 小 波核函数； 核极限学习机(KELM)建模方法如下： 对于训练样本(xj,tj),j＝1,K,N， 极限学习机 (ELM)的输出yj可表示为： q(xj)＝[p(ω1xj+b1),p(ω2xj+b2),K,p(ωLxj+bL)]T  (2) 式中， p(·)为激励函数， 输入节点通过权重向量ωi与第i个隐含神经元连接， i＝1,K, L， bi为第i个隐含神经元的阈值， p(ωixj+bi)为第i个隐含神经元的输出函数， βi为第i个隐 含神经元与输出神经 元连接的权 重向量； 式(1)可表示 为如下形式： Qβ ＝Y                        (3) 式中， β ＝[β1,K, βL]T， Y＝[y1,K,yN]T， Q为ELM的隐含层输出矩阵： 权　利　要　求　书 1/4 页 2 CN 114492164 A 2如果具有L个隐含节点的极限学习机模型能够无偏的学习N个训练样本， 那么存在下 式： 式中， tj表示目标值； 式(5)可以简写为： Qβ ＝T                      (6) 最小二乘法解决式(6) β ＝Q+T                     (7) 式中， Q+为Q的Moore–Penrose广义逆； Q+由下式计算 Q+＝QT(QQT)‑1                 (8) 对于训练样本(xj,tj),j＝1,K,N， KELM的原 始优化问题 表达为 s.t.q(xj)T·β ＝tj‑ξj                (9) 式中， C代表正则化 参数， 能够平衡训练误差和算法复杂性， ξj代表误差； 优化问题可转 化为拉格朗日对偶形式求 解： 式中， θi代表拉格朗日算子； 该对偶问题可运用Karush ‑Kuhn‑Tucker(KKT)条件求 解： 根据式(1 1)可计算权 重向量β 的最小二乘解： 依据核函数理论， 构建隐式映射核函数 K(xi,xj)代替随机映射 函数q(xj)： KELM＝QQT                    (13) KELM(i,j)＝q(xi)T·q(xj)＝K(xi,xj)             (14) 训练后的KELM 输出函数表达如下： 权　利　要　求　书 2/4 页 3 CN 114492164 A 3