利用可迁移注意力增强图神经网络快速评估复杂非均质含水层中污染物的迁移情况
《Journal of Hazardous Materials》:Rapid Assessment of Contaminant Migration in Complex Heterogeneous Aquifers via Transferable Attention-Enhanced Graph Neural Networks
【字体:
大
中
小
】
时间:2026年08月12日
来源:Journal of Hazardous Materials 10.6
编辑推荐:
摘要:高度异质的含水层结构以及复杂的边界条件给预测有害污染物的分布和迁移带来了持续挑战,从而限制了预警系统与快速风险评估的可行性。虽然基于人工智能的替代模型能够显著加速数值模拟,但现有大多数模型都是针对具有简化边界条件的特定含水层环境开发的,这限制了它们在新的水文地质状况和边界条
摘要:高度异质的含水层结构以及复杂的边界条件给预测有害污染物的分布和迁移带来了持续挑战,从而限制了预警系统与快速风险评估的可行性。虽然基于人工智能的替代模型能够显著加速数值模拟,但现有大多数模型都是针对具有简化边界条件的特定含水层环境开发的,这限制了它们在新的水文地质状况和边界条件场景中的应用。本研究基于图神经网络及注意力增强图神经网络,构建了一种可迁移的替代建模框架,能够在高度异质条件下实现地下水水位与污染物羽流的即时精准预测。该框架能够明确编码空间拓扑结构与复杂边界约束,因此无需重新训练,即可直接用于预测此前未见过的异质含水层情况、抽汲与注入场景以及局部恒定水头边界条件,前提是这些情况仍处于训练时所定义的水文地质参数范围内。数值实验表明,GNN模型能够提供稳定的水头预测结果,而aGNN则能准确捕捉污染物羽流的形态及优先迁移路径,在多种合成异质含水层场景中的R2值均高于0.98。该框架为快速情景评估提供了计算效率较高的替代方法,也为在复杂水文地质条件下开展地下水污染评估与治理规划奠定了基础。
引言:复杂的地下条件导致渗透系数、比储水量和孔隙度等参数存在强烈的空间异质性,这使得地下水流场与污染物迁移过程极为复杂[1]。准确预测地下水位与污染物分布对于理解地下水流动规律至关重要,也是有效水资源管理与环境风险评估的重要基础[2]。然而,与地表水数据相比,地下水观测数据通常更为稀缺且采集成本更高[3][4]。监测工作往往依赖于钻探与长期观测,这些方法不仅成本高昂且存在技术难题,进而给预测结果带来较大不确定性[5]。近几十年来,计算技术的进步推动了基于物理原理的数值模型在地下水研究中的广泛应用[6][7][8],代表性的模型包括MODFLOW、Hydrus和CpqPy,它们利用达西定律与理查兹方程来模拟地下水流动;而MT3DMS则通过平流扩散方程来描述溶质迁移过程[9][10][11]。尽管这些模型在理论上具备高精度地模拟水动力与溶质迁移过程的能力,但在实际应用中仍面临诸多挑战。首先,由于复杂物理化学过程的固有非线性,模型的建立与求解过程十分复杂[12];其次,这些模型的性能在很大程度上取决于可靠的校准与验证数据,而现场观测数据往往较为稀少,且可能与数值模型网格存在尺度不匹配问题,进而增加参数估计与模型校准的不确定性;实践中常见的不完整或异常输入数据可能导致模型无法收敛或出现数值不稳定现象,最终限制了模型在快速预测与及时决策方面的应用能力[13][14];第三,大规模模拟需要大量的计算资源与较长的运行时间,这在一定程度上限制了这类模型的广泛使用[15]。除了直接测量之外,数据同化技术也作为一种有效手段,用于将地下水观测数据与数值模型模拟结果相结合,从而提升水力参数的估算精度,降低模拟不确定性,提高地下水预测的可靠性[16]。不过,许多数据同化方法需要在同化过程中反复进行数值模型计算,这对于高维度的地下水系统而言会带来较高的计算成本[17]。因此,开发能够在高度异质且复杂的边界条件下运行的高效稳健替代模型,已成为推进地下水污染评估与治理工作的关键策略,这对实时环境监测与快速计算分析具有重要意义。
随着数据科学与信息技术的快速发展,机器学习技术已成为各科学领域中一种重要的研究方法,其在地下水研究中也展现出越来越强的应用价值[18][19][20],可作为一种高效替代方案或对传统基于物理的模型形成有力补充[21]。机器学习能够无需显式建立控制方程,自动从多源数据中提取规律,从而在大幅降低计算成本的同时实现精准预测[13]。例如,深度学习方法已被用于污染物迁移的替代建模研究[22][23],但由于其依赖理想化的概念性场景,这类方法在真实野外环境中的应用仍然有限[24][25][26]。与传统数值模型相比,这些数据驱动的方法对稀疏或不完整的观测数据更具容忍度,能够在观测数据有限的条件下依然保持较高的预测精度[27]。不过,这些方法也存在局限性:长短期记忆网络虽能有效捕捉时间依赖性,却无法体现空间结构特征[28];而卷积神经网络虽然能够提取空间特征,但却依赖于规则网格假设,因此不太适合描述含水层系统的非规则连通性[29][30]。通过将深度学习技术扩展到非欧几里得空间,图神经网络得以实现非规则空间依赖关系以及含水层系统复杂连通性的表征[31][32],这也促使图神经网络在地下水建模领域得到越来越多应用[33]。此外,通过引入注意力机制,还形成了基于注意力的图神经网络,这类模型在时空预测任务中表现出优异性能,已被应用于地下水流动与溶质迁移建模领域[34][35][36]。尽管取得了这些进展,但目前大多数现有的替代模型,包括上述提到的那些,都仅为特定研究地点而开发并经过验证[25][37][38],其在不同异质地下水系统之间的泛化能力较为有限。鉴于获取全面地下水信息的困难,开发具有广泛适用性的替代模型对于构建动态、可扩展的地下水监测与预测系统具有重要意义。
地下水系统普遍存在数据匮乏的问题,因为受限于空间时间覆盖范围及机构因素,可靠的观测数据十分有限[39]。这些限制降低了样本的代表性,使得模型难以捕捉水文地质条件与污染过程的区域差异,进而降低了模型的泛化能力。因此,目前用于预测地下水水位或污染物浓度分布的替代模型,往往具有较差的可迁移性[40]。以往的研究主要着眼于具有相似地貌条件的不同地点之间的模型可迁移性。在同一个水文地质单元内,地下水污染的成因通常较为一致,因此在一个地点训练得到的替代模型,往往可以有效地应用于具有类似水文地质特征的其它区域,并能取得较为理想的预测效果[41]。尽管有一些研究人员试图通过迁移学习与域适应等技术提升模型的跨域适应性,但当这些技术应用于包含多个水文地质单元的复杂区域时,其有效性仍会受到限制[42][43]。因此,要提升模型的可迁移性,就需要使用能够涵盖大规模、多样化污染机制的训练样本,从而使模型能够学习到更广泛的污染物分布模式。然而,获取此类具有异质性且包含多种场景的数据集仍然是一项重大挑战[44][45]。此外,以往的研究主要关注水化学参数的可迁移性,而水动力方面的问题则几乎未被深入探讨[41]。尽管人们越来越重视含水层的异质性,但目前大多数研究仍未系统地考虑涉及抽汲井、注入井或局部恒定水头边界条件的复杂边界情况[46][47][48]。在异质地质条件下,这些边界效应会与水力梯度相互作用,对流场结构与污染物迁移路径产生重要影响。忽视这些相互作用必然会降低替代模型的预测可靠性。因此,迫切需要开发出能够明确表征复杂边界效应,并同时考虑地质异质性的替代模型,以此提升预测精度与跨区域适用性,为数据匮乏地区的地下水管理提供更可靠的支撑。
为此,本研究提出了一种基于图神经网络的新型可迁移替代模型,可用于在多尺度水文地质条件下精准预测地下水流动与污染物迁移规律。与通常仅为单个研究地点而设计的现有替代模型不同,所提出的框架是通过大量多样化的地下水场景进行训练的,这些场景涵盖了不同的物理域规模、网格分辨率、异质渗透系数场、抽汲与注入配置以及局部恒定水头边界条件。通过将基于图的地下水系统表示方法与多元化的训练场景相结合,该框架能够学习到通用的地下水流动与污染物迁移规律,而非特定地点的特征,因此无需重新训练即可直接应用于此前未见过的地下水系统。通过纳入真实的环境条件、复杂的水力边界条件以及强烈的地质异质性,本研究系统评估了该模型在预测地下水流动与污染物迁移场方面的性能。研究结果表明,抽汲活动与边界条件对地下水动力学与污染物迁移具有显著影响,同时也证明了所提出替代模型的有效性与可迁移性,为环境监测与管理中的快速、实时地下水预测与决策支持提供了方法学依据。
数据准备:在数值模拟中实现计算效率的提升始终是一个重大挑战,这也是本研究采用人工智能技术的动机。为生成足够大且多样的训练数据集,用于预测地下水水位与污染物迁移规律,本研究设计了具有代表性的含水层模型,这些模型明确包含了异质渗透系数场以及典型的水文地质边界条件,其中包括抽汲井与注入井等。
流场预测的替代模型性能:与那些仅为单个地点量身定制、且几乎未考虑模型泛化能力的传统替代模型不同,本研究开发的基于GNN与基于RF的模型旨在在给定网格分辨率范围内实现跨场景的通用性,从而便于直接比较这两种模型的预测精度与可迁移性。这两种模型均被用于在高度异质条件下预测地下水水位,此时从左至右的流动会产生一定的参考水位分布。
环境意义:本研究首次尝试基于GNN与aGNN构建一种可迁移的替代建模框架,用以在复杂水文地质条件下精准预测地下水水位与污染物迁移规律。该框架在存在抽汲井、注入井及局部恒定水头边界的复杂系统中展现出较强的稳健性,通过明确捕捉相关因素,能够更真实地反映地下水流动与污染物迁移的实际情况。
作者贡献:Z.Z.负责文章写作与图表制作;Y.W.主导了研究的概念构思、全文撰写及图表设计;H.L.与T.Y.提出了研究思路并设计了评审框架;Y.C.与J.X.协助提升了论文的写作质量。所有作者均对论文的最终发表给予了批准。
支持信息:支持信息部分包含了用于说明流动场与浓度场预测结果、迭代过程以及渗透系数分布的额外图表,同时还列出了用于评估模型精度的表格。
未引用参考文献:[61]
CRediT作者贡献声明:谢嘉伦:数据整理;李辉:监督指导;陈逸然:数据收集;魏亚强:初稿撰写、监督指导、资源协调与数据整理;叶天志:方法设计;詹子:初稿撰写、数据收集、正式分析及数据整理。
利益冲突声明:作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。
致谢:本研究得到了国家自然科学基金(项目编号:42125706、42477004、42107015)以及上海地质之星计划(项目编号:Dzxh202509)的支持。
利益冲突:作者声明不存在任何利益冲突。
詹子 | 魏亚强 | 叶天志 | 陈逸然 | 谢嘉伦 | 李辉
中国上海大学环境与化学工程学院,上海200444
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号