基于贝叶斯优化多层感知机(MLP)的岩溶管道变流量溶质运移参数预测模型研究

本研究针对岩溶管道中溶质运移参数随流量变化的复杂非线性关系问题，创新性地采用贝叶斯优化多层感知机(MLP)算法，首次实现了不同流量条件下完整突破曲线(BTC)的精准预测（R2≥0.9），并通过瞬态存储模型解析获得分散系数(D)、主通道截面积(A)、存储区截面积(As)和交换系数(α)等关键参数。相比随机森林(RF)和支持向量回归(SVR)，MLP在S2-S3场景下将A的预测误差控制在<6.6%，为岩溶地下水污染预警提供了突破性技术方案。

　　

岩溶地下水系统如同大地的"暗河网络"，其复杂的管道结构使得溶质运移过程充满不确定性。当暴雨来临时，流量骤变会让污染物像坐上失控的过山车——传统方法难以预测这种动态变化下的溶质行为。更棘手的是，现有研究多局限于局部突破曲线(BTC)预测或固定流量参数推算，而实际污染事件需要全时段、多流量场景的精准预警。中国矿业大学和吉林大学的研究团队在《Environmental Modelling》发表的研究，就像给这套暗河系统装上了"智能导航"。

研究团队开发了54个贝叶斯优化多层感知机(MLP)模型，通过渐进式增加训练数据(S1-S3场景)和输入变量，结合遗传算法(GA)调参，最终构建出能预测完整BTC的智能系统。关键技术包括：1)基于OTIS软件的瞬态存储模型参数反演；2)MLP神经网络架构优化；3)贝叶斯超参数搜索；4)使用两个典型岩溶管道(案例b5/c5)的变流量实验数据进行模型训练。

多层级感知机架构
研究采用全连接MLP网络，通过公式h_W,b(X)=f(XW+b)实现非线性映射，其中W为权重矩阵，b为偏置向量。相比传统方法，该架构能捕捉溶质运移中复杂的流量-参数耦合关系。

超参数优化对比
贝叶斯优化(BO)展现出显著优势：优化时间比遗传算法(GA)缩短80%，在案例b5/c5的预测集上R²提升15%。这表明智能优化算法能有效解决岩溶系统"小样本、高维度"的建模难题。

基线模型性能
与随机森林(RF)和支持向量回归(SVR)相比，MLP在S2场景下RMSE降低23%，NSE指标达0.94。特别在预测存储区参数A_s时，MLP将误差控制在20%以内，远超基线模型50%的误差水平。

不确定性分析
通过蒙特卡洛模拟生成的BTC预测集合显示，95%置信区间能覆盖实测值的波动范围，证明模型在极端流量条件下仍具稳健性。

这项研究的突破性在于：首次实现变流量条件下完整BTC的端到端预测，并成功解析出D、A等关键运移参数。MLP在S3场景下对主通道截面积A的预测误差仅6.6%，比传统流量外推法精度提高3倍。这不仅为岩溶区污染应急响应提供了"数字孪生"工具，更开创了机器学习解析地下复杂过程的范式。正如Zhao等指出的，该方法可推广至裂隙介质运移研究，为全球岩溶区水资源保护提供普适性解决方案。

研究也存在局限：当前模型仅验证于两种管道结构，未来需扩展至更多形态的岩溶网络。但毫无疑问，这项融合人工智能与水文地质学的交叉研究，正在重新定义我们认知地下世界的方式。