基于人工神经网络的地下水中污染源识别

在理想的环境保护系统中，地下水不可忽视。除了与可持续发展理念完全相悖的过度开采问题外，另一个不可忽略的问题涉及地下水污染。这主要源于集约化农业活动或工业化区域。文献中已有若干论文研究输运问题，尤其是识别释放历史或源位置的逆问题。本文的创新目的在于开发一种数据驱动模型，能够分析多种场景（即使具有强非线性），以解决正演与反演输运问题，同时保持结果可靠性并降低不确定性。此外，该工具具有提供极快响应的特点，这对于立即制定修复策略至关重要。将该模型所产生的优势与文献研究进行了比较。为此，采用一个经训练可处理不同情形的前馈人工神经网络作为数据驱动模型。首先，用于识别研究区域内特定观测点的污染物浓度（正问题）；其次，用于处理在已知源位置下识别释放历史的逆问题；进而，在单一污染源情形下，同时识别释放历史及调查区域中特定子域内的源位置。最后，对观测误差进行了研究与估计。结果令人满意，凸显了人工神经网络在不依赖描述现象的物理视角下，通过逼近非线性函数处理多场景的能力，可提供可靠结果，且计算负担与不确定性极低。