离散喀斯特网络模拟的深度生成模型

离散喀斯特网络的模拟面临重大挑战，这是由于在各种地质和水文地质背景下发生的物理化学过程的复杂性所致。这种复杂的相互作用导致了广泛的喀斯特网络模式，每种模式都与特定的水文地质条件紧密相连。我们探索了一种新颖的方法，将喀斯特网络表示为图，并应用图生成模型（深度学习技术）来捕捉喀斯特环境的复杂本质。在该表示中，节点保留空间信息和属性，而边表示节点之间的连接。我们的生成过程包括两个主要步骤。首先，我们利用图循环神经网络（GraphRNN）学习喀斯特网络的拓扑分布。GraphRNN 将图模拟分解为基于先前生成结构的节点和边的顺序生成。第二，我们采用图上的去噪扩散概率模型（G-DDPM）来学习节点特征（空间坐标和其他属性）。G-DDPM 使 GraphRNN 生成的图上的节点特征能够通过从导出的概率分布中采样来生成，使其符合学习到的统计特性，确保生成的图是现实的并捕捉原始数据的关键特征。我们使用真实世界的喀斯特网络测试了我们的方法，并通过几何和拓扑指标将生成的子图与数据库中的实际子图进行比较。我们的方法允许对各种类型的形成进行离散喀斯特网络的随机模拟，这是研究流动和传输等物理过程行为的有用工具。