[发明专利]一种基于自适应深度神经网络替代模型的海水入侵模拟-优化方法

权利要求书

1.一种基于自适应深度神经网络替代模型的海水入侵模拟-优化方法，其特征在于，该方法包括如下步骤：

步骤1，建立海水入侵模拟模型，刻画滨海含水层地下水位和海水入侵溶质浓度的时空分布；

步骤2，确定海水入侵区地下水资源调控和海水入侵防控的管理目标函数和约束条件，其中优化决策变量为开采井的抽水流量，状态变量为滨海含水层中的地下水位和溶质浓度值，以此，建立海水入侵优化管理模型的数学模型；

步骤3，采用自适应深度神经网络DNN替代模拟方法进行替代模型训练，建立管理目标函数和约束条件对应的替代模型；

步骤4，将步骤3构建的自适应替代模型与海水入侵管理数学模型耦合，构建多目标海水入侵管理模型ADNNCAM；

步骤5，选用一种基于ε-dominance排序的多目标进化算法ε-MOMA对步骤4构建的ADNNCAM海水入侵管理模型进行多目标优化求解，得到多目标海水入侵管理模型的权衡解，即优化管理方案；

步骤2中，构建海水入侵优化管理模型的数学模型，包括管理目标函数和约束条件；

目标函数为：

最大化：

最小化：f_SWI＝[(mass_end-mass_ini)/mass_ini]×100％(2)其中，f_pumping表示抽水总量，单位为L³·T^-1；NW表示抽水井的总数，Q_i表示第i口井的抽水流量，单位为L³·T^-1，NT是模拟应力期的总数，△t_k表示第k个应力期的总时长，f_SWI表示海水入侵程度，f_SWI是管理期末含水层中溶质质量相对于管理期前溶质质量的百分比；mass_ini是初始状态含水层中溶质总质量；mass_end是管理期末含水层中溶质总质量；

约束条件：

式中，是第t个管理期末第j个监测点溶质浓度值，单位为ML^-3；C_max是监测点溶质浓度最大约束值；Q_min，Q_max是第n口井第t时段单井开采量的最小与最大约束值，单位为L³T^-1；Q_cons是地下水开采的最小供水需求，单位为L³T^-1，N为抽水井总数，T为模拟划分的时段总数；

步骤3中，所述深度神经网络DNN替代模拟方法进行替代模型训练方法为：构建两类替代模型，具体如下：

第一类替代模型通过以下方式训练得到：

获取抽水井的抽水流量和对应的海水入侵程度值作为训练样本，海水入侵程度值即为管理模型设定的目标函数式(2)需要计算的目标值f_SWI；

将训练样本中的抽水井的抽水流量作为输入，将对应的海水入侵程度值作为输出，训练深度神经网络模型获得第一类替代模型；

第二类替代模型通过以下方式训练得到：

获取抽水井的抽水流量和对应的监测点处的溶质浓度值作为训练样本，监测点处的溶质浓度值即为管理模型设定的浓度约束条件式(3)需要计算的污染物浓度值

将训练样本中的抽水井的抽水流量作为输入，将对应的监测点处的溶质浓度值作为输出，训练深度神经网络模型获得第二类替代模型；

步骤4构建自适应DNN替代模型的海水入侵优化管理模型ADNNCAM，具体流程如下：

(1)采用拉丁超立方采样LHS方法在决策变量空间生成初始训练样本与测试样本，构建DNN模型并检验替代模型的预测精度；

(2)将初始训练数据集或上一代种群作为初始种群，采用选择、交叉以及突变算子生成子代种群，然后利用DNN模型评价子代种群，在精英保留的策略下联合子代与父代种群进行快速非支配排序得到Pareto解集，所述精英保留的策略为上一代占优的个体得以保留到下一代种群中；

(3)设定局部搜索频率，即每隔几代采用GLS算子对选择的Pareto解进行局部搜索；若满足局部搜索条件，则依据超体积改善与拥挤度指标从Pareto解集中选一组解集进行局部搜索；若不满足局部搜索条件，则进行步骤(5)；

(4)对局部搜索后的Pareto解集再次采用步骤一种构建的海水入侵模型进行计算评价，归档更新训练数据集并重新训练替代模型，将局部搜索个体与子代种群合并生成下一代种群；

(5)若达到预定义的最大进化代数，则停止搜索并对归档的训练数据集进行快速非支配排序，输出Pareto最优解集；否则返回步骤(2)。