用于水力与运移属性同步反演的深度学习
机器学习
2022-09-29 v2
摘要
识别非均质传导率场并重建污染物释放历史是地下水修复的关键环节。在有限且含噪的水头与浓度观测下实现这两项目标颇具挑战。障碍包括高维参数的反问题求解，以及反复正演建模所需的高计算代价。我们使用卷积对抗自编码器（CAAE）以低维潜表示对非均质非高斯传导率场进行参数化。此外，我们训练了一个三维稠密卷积编码器-解码器（DenseED）网络作为流动与运移过程的正演替代模型。结合 CAAE 与 DenseED 正演替代模型，采用多重数据同化集合平滑（ESMDA）算法从未知参数的贝叶斯后验分布中采样，形成 CAAE-DenseED-ESMDA 反演框架。我们将该 CAAE-DenseED-ESMDA 反演框架应用于三维污染源与传导率场识别问题，并对比了 CAAE-ESMDA 结合物理流动与运移模拟器与 CAAE-DenseED-ESMDA 的反演结果，表明在更高计算效率下取得了准确的重建结果。
引用
@article{arxiv.2110.12367,
title = {Deep Learning for Simultaneous Inference of Hydraulic and Transport Properties},
author = {Zitong Zhou and Nicholas Zabaras and Daniel M. Tartakovsky},
journal= {arXiv preprint arXiv:2110.12367},
year = {2022}
}