用于地下水污染源识别高维反问题的深度自回归神经网络
机器学习
2019-03-19 v1 机器学习
摘要
在高度非均质介质中同时识别地下水污染源与水力传导系数，常导致高维反问题。本研究开发了一种基于深度自回归神经网络的代理方法用于正演模型，使我们能够高效求解此类高维反问题。该代理模型使用有限的正演模型评估进行训练。由于正演输运模型时变输入与输出之间的关系复杂，我们提出一种自回归策略，将前一时间步的输出作为网络输入以预测当前时间步的输出。我们采用稠密卷积编解码网络架构，将模型的高维输入和输出场视为图像，以利用卷积网络在类图像数据处理中的鲁棒能力。迭代局部更新集合平滑器(Iterative Local Updating Ensemble Smoother, ILUES)算法被用作反演框架。所提方法使用一个具有686个不确定输入参数的合成污染源识别问题进行评价。结果表明，在相对有限的训练数据下，由27个卷积层组成的深度自回归神经网络能够准确逼近高维模型输入输出关系。自回归策略显著提高了网络的精度与计算效率。基于代理模型的ILUES在求解反问题中的应用表明，其能够获得准确的反演结果与预测不确定性估计。
引用
@article{arxiv.1812.09444,
title = {Deep autoregressive neural networks for high-dimensional inverse problems in groundwater contaminant source identification},
author = {Shaoxing Mo and Nicholas Zabaras and Xiaoqing Shi and Jichun Wu},
journal= {arXiv preprint arXiv:1812.09444},
year = {2019}
}
备注
30 pages, 21 figures, submitted to Water Resources Research