(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 202111602792.6 (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) G06F 111/06(2020.01) G06F 111/10(2020.01) (54)发明名称 基于超启发式-同伦算法的地下水有机污染 源反演方法 (57)摘要 本发明涉及一种基于超启发 式‑同伦算法的 地下水有机污染源反演方法， 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， 确定模型中待反演的污染源特 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机器学习 替代模型； 建立组合智 能替代模型； 建立污染源 特征及含水层参数反演识别的非线性规划优化 模型， 将集成学习智能替代模型耦合其中； 以超 启发式‑同伦算法求解优化模型， 反演识别待求 的污染源特征值及含水层参数值； 本发明可以解 决地下水有机污染源及多相流运移参数反演问 题， 为地下水中有机污染物时空分布的准确模拟 预测提供技 术保障。 权利要求书8页 说明书13页 附图4页 CN 114707395 A 2022.07.05 CN 114707395 A 1.一种基于超启发式 ‑同伦算法的地下水有机污染源反演方法， 其特征在于： 具体方法 包括如下步骤： S1： 通过野外现场调查、 动态监测手段， 掌握污染场地的水文地质条件， 获得地下水水 质动态监测数据； 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： 确定污染源反演识别问题中的待识别的污染源特征及含水层参数； 根据模型中待 识别变量的取值范围， 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， 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 ‑输出训练样本样集， 采用不同机器学习方法建立多相流数值模 型的单一 替代模型； S5： 应用群智能优化算法， 根据S3获得的检验样本集优化确定S4建立的各单一替代模 型的权重及核心参数， 建立群智能集成学习替代模型； S6： 建立污染源特征及含水层参数反演识别的非线性规划优化模型， 并将S5建立的群 智能集成学习替代模型作为约束条件之一嵌入到优化模型之中； S7： 基于同伦理论， 改写S6建立的优化模型， 获得一系列反演同伦 优化模型； S8： 采用超启发式算法依次求解S7建立的同伦优化模型系列， 最后一个优化模型的解 即为地下水污染源的反演识别结果。 2.根据权利要求1所述的基于超启发式 ‑同伦算法的地下水有机污染源反演方法， 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 运移模型。 3.根据权利要求1所述的基于超启发式 ‑同伦算法的地下水有机污染源反演方法， 其特 征在于： 所述S3中待识别的污染源特征包括： 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； 待识别的含水层参数包括： 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。 4.根据权利要求1所述的一种基于超启发式 ‑同伦算法的地下水有机污染源反演方法， 特征在于： 所述S4中的单一替代模型建模方法包括： 克里金法、 支持向量回归法、 小波核极 限学习机法； 其中， 克 里金建模方法如下： 克 里金法(Krigi ng)的回归方程可以表示 为： 式中， f(x)＝[f1(x),f2(x),K,fk(x)]T为已知的基函数， β ＝( β1, β2,K, βk)T为基函数对应 的回归参数， 由训练样本估计获得； Z(x)为局部偏差项， 均值为0， 方差为 其协方差可表 示为： R(u,v)为 n维向量u和v的相关函数：权　利　要　求　书 1/8 页 2 CN 114707395 A 2式中， αi为待定参数， ui和vi为u和v的第i个元 素； 对于给定的样 本P＝[p1,p2,K,pm]T和相应的输出响应Q＝[q1,q2,K,qm]T， 任意输入向量x 的预测输出响应y(x)可以写成： 式中， r是x与样本P之间的相关向量： r(x)＝[R(x,p1),R(x,p2),K,R(x,pm)]T              (5) F为样本P的响应列向量： R为样本P各样本点之间的相关矩阵： 是由广义 最小二乘法估计得到β 的估计值： 支持向量回归(SVR)建模方法如下： SVR是通过非线性映射函数把输入数据映射到高维空间进行线性回归， 在训练拟合精 度和预测精度之间进行权衡； 对于给定的训练输入X＝[x1,x2,K,xm]T每个要素代表一个N元 输入： xi＝(xi,1,xi,2,K,xi,N),i＝1,2Km和输出Y＝(y1,y2,K,ym)T； 非线性回归方程可表示 为： f(x)＝<w,Φ(x)>+b                      (9) 式中， w＝(w1,w2,K,wN)为权值向量， b为拟合误差， <w,x>表示w和Φ(x)的内积； Φ(x)为 非线性映射函数， 可将输入向量从输入空间映射到高维空间； 该问题可表示为如下优化问 题： 最小化 权　利　要　求　书 2/8 页 3 CN 114707395 A 3