基于主动学习增强深度神经网络（AL-DNN）的填埋场渗漏风险不确定性分析与地下水污染预测

本文提出了一种融合主动学习（AL）与深度神经网络（DNN）的替代模型（AL-DNN），用于高效评估填埋场渗漏对地下水的污染风险。通过结合数值模拟（GSNM）与数据驱动方法，该模型仅需60个样本即可实现与传统蒙特卡洛（MC）方法相当的精度，计算时间降低90%，并成功应用于COD浓度分布预测及监测井超标概率分析（最高达0.76），为复杂环境下的快速风险评估提供了创新解决方案。

　　

Highlight

本研究开发了一种基于主动学习增强深度神经网络（AL-DNN）的高性能替代模型框架，用于填埋场引发的地下水污染不确定性分析。通过将主动学习与数值模拟相结合，该框架解决了传统建模方法计算成本高和预测泛化能力有限的双重挑战，得出以下关键结论：

Conclusion and Future Work

• •

  结论A：与Landsim模型相比，AL-DNN模型仅需60个样本即可达到同等精度，计算时间减少90%，显著提升了高风险区域参数空间的捕捉能力。

• •

  结论B：在模拟填埋场渗漏场景中，模型成功预测了COD浓度分布，监测井1的最大超标概率达0.76，验证了其在复杂环境下的实用性和高效性。

• •

  未来方向：下一步将拓展模型对多组分污染物（如As、Cr、PAHs）的迁移模拟，并优化主动学习策略以应对非均质介质耦合问题。

（注：翻译保留了原文技术术语如COD、Landsim等，并采用生动表述如"捕捉能力""超标概率"等，符合生命科学领域专业性要求。）