基于深度卷积编码器-解码器神经网络的LNAPL污染场地地下水污染源与非均质水文地质参数联合识别

《Water Resources Research》：Joint Identification of Groundwater Contamination Source and Heterogeneous Hydrogeological Parameters in LNAPL-Contaminated Sites Based on Deep Convolutional Encoder-Decoder Neural Networks

　　

非水相液体（NAPL）污染源的准确识别在污染管理中至关重要。然而，源特征与非均质水文地质参数的联合反演面临两大挑战：首先，非均质参数场的高维性增加了反演复杂性；其次，多相流模拟的过高计算成本使得传统的基于数值模型的方法不可行。为克服这些问题，本研究提出了一种反演框架，该框架整合了深度卷积编码器-解码器神经网络（DCEDN）作为替代模型。DCEDN通过其卷积编码器-解码器架构擅长捕捉高维非线性关系，能够实现高效的特征提取和降维，因此适用于此任务。研究人员开发了两种特定的DCEDN变体——深度密集卷积网络（DDCN）和深度残差密集卷积网络（DRDCN）作为替代模型，并与迭代局部更新集合平滑器（ILUES）反演算法耦合。该框架应用于中国吉林市的一个LNAPL污染场地，扩展了现有研究（通常局限于合成案例中的溶质运移）。反演获得了污染源和其他水文地质参数的良好收敛后验分布。使用联合最大后验（MAP）估计的正向模拟成功捕捉了观测污染物羽流的整体模式（R² = 0.9），表明推断的参数集很好地再现了观测浓度数据。整个反演过程的计算成本降低至传统高强度数值方法所需成本的1.92%。这表明基于DCEDN的框架在提高联合反演准确性和效率方面的有效性。

**基于深度卷积编码器-解码器神经网络的LNAPL污染场地地下水污染源与非均质水文地质参数联合识别——论文解读**

**研究背景与问题**

烃类污染物（如汽油、柴油）泄漏到地下后，以轻非水相液体（LNAPL）形式存在，对地下水环境和人体健康构成严重威胁。准确识别污染源特征（位置、释放强度、泄漏时间等）是地下水污染控制与修复的关键。然而，污染物（尤其是非水相液体（NAPL））在地下含水层中的运移过程高度敏感于水文地质参数分布（如渗透率、孔隙度等）。含水层参数的非均质性控制着污染物运移速度与路径，进而影响污染物羽流分布。若对含水层非均质性刻画不足，将直接导致污染源特征反演不准确。因此，研究人员提出了联合反演方法，同时识别污染源特征与非均质水文地质参数。

现有研究存在以下问题：早期研究常将含水层简化为均质介质或少量均质子区，忽略小尺度非均质性的关键作用，导致污染源识别结果可靠性差。近年来，基于贝叶斯反演方法和集合数据同化算法的研究虽提高了精度，但大多局限于合成案例，缺乏对实际污染场地的应用。此外，NAPL污染涉及多相流（水、NAPL、气体）共存与相间传质，正向数值模型计算耗时（单次运行需数小时），而反演问题需运行数千次，计算成本不可接受。使用替代模型（如浅层学习方法）可降低计算成本，但联合反演问题的高维性（非均质参数变量维度等于网格单元数）导致“维度灾难”，传统替代模型难以处理。

**研究内容与结论**

为解决上述问题，研究人员提出了一种基于深度卷积编码器-解码器神经网络（DCEDN）的反演框架，用于联合识别LNAPL污染场地的地下水污染源特征与非均质水文地质参数。该框架应用于中国吉林省吉林市的一个石化污染场地，其中苯（LNAPL）泄漏导致地下水污染。研究取得了以下结论：DCEDN模型能够准确捕捉多相流数值模型输入参数与输出响应之间的复杂高维非线性映射关系；其中，深度残差密集卷积网络（DRDCN）替代模型在准确度上优于深度密集卷积网络（DDCN）；反演获得的非均质渗透率场后验分布具有相似空间分布特征，污染源参数及其他水文地质参数后验概率密度曲线呈单峰或双峰，显示出良好稳定性；将联合最大后验（MAP）估计结果代入正向模型，生成的浓度突破曲线与观测数据拟合良好（R² = 0.9），表明推断参数集有效再现了观测浓度数据；基于DCEDN的反演框架将计算成本降低至传统数值模型方法的1.92%，显著提升了高维反演问题的计算效率。该研究发表在《Water Resources Research》上。

**主要技术方法**

研究人员首先通过现场调查确定待估参数（污染源特征：位置、释放通量、泄漏起止时间；水文地质参数：孔隙度、渗透率、纵向和水平弥散度）及其先验信息。采用Karhunen-Loève（KL）展开对非均质渗透率场进行降维参数化，保留前1000项（贡献95%累计方差），将待反演变量从30,806个减少至1,008个。使用拉丁超立方采样方法生成其他参数样本，并输入UTCHEM多相流数值模拟器生成浓度场样本（共4,000组训练集，500组测试集）。构建两种DCEDN变体（DDCN和DRDCN）作为替代模型，通过图像到图像的回归学习从参数场到浓度场的映射。最后，将高精度替代模型与迭代局部更新集合平滑器（ILUES）反演算法耦合，利用观测的苯浓度数据迭代更新参数，识别污染源特征与非均质水文地质参数。样本队列来源于中国吉林市石化污染场地的10口监测井（O1-O10），在三个深度层（L1、L2、L3）和六个采样时段（t1-t6）进行监测。

**研究结果**

**4.1 替代模型性能分析**

**4.1.1 替代模型精度指标比较**：通过30次独立训练，DRDCN在测试集上的决定系数（R²）达到0.988，均方根误差（RMSE）为3.882 μg/L，平均绝对误差（MAE）为2.104 μg/L，均优于DDCN（R²=0.921，RMSE=10.138 μg/L，MAE=8.032 μg/L）。随着样本量增加，两个替代模型精度均提高。DRDCN在300个训练周期后性能稳定。

**4.1.2 DRDCN替代模型性能分析**：数值模型模拟的浓度场与DRDCN预测的浓度场在三个代表性时间点（t1、t3、t6）上高度接近，绝对误差接近0 μg/L。在监测点处，数值模型输出与替代模型预测的拟合优度R²约为0.99，表明DRDCN对多相流数值模型具有高近似精度。

**4.2 地下水污染源与水文地质参数识别结果**

**4.2.1 渗透率场识别结果**：ILUES算法生成了8,000个后验渗透率场实现。后验均值场与联合MAP场显示高、低渗透率区域具有相似空间分布特征。后验标准差场范围为0.03~0.06 ln(mD)，表明推断的渗透率分布内部一致；标准差在观测点附近较小，表明观测密度影响后验不确定性。

**4.2.2 污染源参数及除渗透率外水文地质参数识别结果**：所有参数迭代结果均显示良好收敛。联合MAP估计值：污染源位置Lx=599.44 m，Ly=323.99 m；释放通量Q=6.56 m³/d；泄漏起始时间T0=1573.05 d；泄漏结束时间T1=1953.93 d；孔隙度n=0.36；横向弥散度αT=8.99 m；纵向弥散度αL=41.88 m。95%置信区间较窄，表明识别结果稳定。污染源位置概率热图显示高概率区域位于研究区化工厂东北部。

**4.2.3 通过再现浓度曲线评估识别结果**：使用联合MAP估计值进行正向模拟，生成的浓度突破曲线与10个监测井（O1-O10）三个层位（L1、L2、L3）在六个时段（t1-t6）的观测数据拟合良好，整体R²为0.9，表明识别的污染源特征和水文地质参数有效再现了观测浓度数据。

**4.3 识别过程计算成本分析**：基于DCEDN替代模型的ILUES反演总计算时间（128.68天）仅为基于数值模型方法（6888.89天）的1.87%，计算量降低98.13%。

**讨论与结论**

讨论部分指出，本研究建立的米级网格分辨率联合反演框架引入物理简化以换取计算效率，所有反演参数应解释为“有效参数场”，在给定模型结构和网格分辨率下最优再现观测数据，而非直接对应微观介质性质。未来工作可探索多尺度建模方法，纳入孔隙尺度流动与传质特性；扩展联合反演框架以估计传质系数场；并推进多源数据（地下水位、温度、地球物理信号）同化。

研究结论部分翻译如下：
污染源特征与水文地质参数的联合反演对地下水污染防治至关重要。近年来，替代模型辅助的数据同化方法已成为污染源反演的有效手段，但污染源与非均质水文地质参数的联合反演是一个高维非线性反演问题，尤其在NAPL污染问题应用中，存在精度低、计算量大等挑战。
本研究开发了一种基于DCEDN的反演框架，以提高地下水污染源与非均质水文地质参数联合识别的精度和效率。在该框架中，应用了两种DCEDN模型（DDCN和DRDCN）构建替代模型，用于表征污染物浓度场对水文地质参数场和污染源特征的响应。将精度更高的替代模型与ILUES反演算法结合，识别污染源信息和含水层水文地质参数。为评估该框架的性能，将其应用于中国吉林省吉林市的一个LNAPL污染场地。
结果表明，DCEDN模型准确捕捉了多相流数值模型输入参数与输出响应之间的复杂高维非线性映射关系。此外，DRDCN模型在表征污染物浓度场对污染源特征和水文地质参数场的响应方面优于DDCN替代模型。
识别的非均质渗透率场后验分布具有相似空间分布特征，污染源特征及其他水文地质参数的后验概率密度曲线主要呈单峰或双峰，表明稳定性良好。将识别结果代入正向模型生成浓度突破曲线，与观测数据比较，拟合良好。结果表明，基于DCEDN的反演框架对污染源特征与非均质水文地质参数场的联合识别具有良好的准确性。
基于DCEDN的反演框架的计算量大幅降低，表明所提出的基于DCEDN的反演框架在提高高维反演问题计算效率方面的有效性。尽管本研究集中于砂质含水层中的LNAPL（苯）污染，但所提出的基于DCEDN的反演框架潜在适用于其他污染物类型（如DNAPLs、溶解性溶质）和不同的水文地质环境。