[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

说明书

本发明属于水文学及水资源领域，公开了一种基于自适应深度神经网络替代模型的海水入侵管理模型和计算方法(Adaptive Deep Neural Networks surrogate model based multi‑objective coastal aquifer management model,ADNNCAM)。该技术采用海水入侵模拟程序SEAWAT来模拟抽水条件下海水入侵的动态过程，采用深度神经网络方法DNN训练海水入侵替代模型。优化模型采用了一种基于ε‑dominance排序的多目标进化算法(epsilon Multi‑Objective Memetic Algorithm,ε‑MOMA)。为了提高近似最优解的数值预测的精度，在优化过程中，采用多阶段动态采样方法对海水入侵模型进行自适应训练。ADNNCAMε‑MOMA为第一个考虑海水入侵模型大规模计算瓶颈的问题，而提出将自适应海水入侵替代模型与基于进化算法的优化求解模型相耦合，可为解决海水入侵区地下水资源合理开发利用和海水入侵防控问题提供一个固定的技术方法体系。

技术领域

本发明涉及基于海水入侵约束下的地下水多目标管理模型及计算方法，属于水文学及水资源领域。

背景技术

在人口密集与经济发达的滨海地区，地下水的过度开采引发了区域性地下水位的下降，进而驱使咸淡水界面向内陆推移即海水入侵，造成了滨海含水层中可利用淡水资源的污染与地下水开采井的报废等不利影响。为解决以上与地下水质和量相关的管理问题，构建相应的地下水系统的数值模型，采用模拟-优化的方法是最有效的途径之一。

但是，随着地下水系统研究的不断发展与地下水数值模型的仿真度不断提升，构建更加精细化的管理模型要求发展先进的优化技术求解复杂地下水系统的管理问题。近二十多年来，水资源管理问题由传统的单目标优化向多目标优化发展，由确定性优化问题向随机优化问题发展。而与地下水系统相关的管理模型往往又具有非线性、非凸性、随机性以及高维决策变量与多目标变量等特征。基于启发式搜索的多目标进化算法(Multi-Objective Evolutionary Algorithm,MOEA)适用于以上复杂的地下水优化问题，已在实际管理问题中广泛应用。

本发明在此基础上，构建一种基于自适应替代模型的多目标海水入侵模拟-优化计算求解技术——基于自适应深度神经网络替代模型的海水入侵管理模型(AdaptiveDeep Neural Networks surrogate model based multi-objective coastal aquifermanagement model,ADNNCAM)。该技术采用海水入侵模拟程序SEAWAT来模拟滨海含水层抽水条件下的海水入侵过程，采用深度神经网络方法DNN训练海水入侵替代模型。优化模型采用广泛且稳定有效的优化算法ε-MOMA。为了提高占优个体的数值预测的精度，在优化过程中，同时采用多阶段动态采样方法对海水入侵模型进行自适应训练。ADNNCAMε-MOMA为第一个考虑海水入侵模型大规模计算瓶颈的问题，而提出将海水入侵替代模型与基于进化算法的优化求解模型相耦合，可为解决海水入侵区地下水资源合理开发利用和海水入侵防控减灾两大核心问题提供一个固定的技术方法体系。

发明内容

本发明所要解决的技术问题是提供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，该方法具有较高的计算效率，同时保证了算法的搜索到全局分布，且能优化求解滨海海水入侵区高质量的地下水开采方案。

本发明为解决上述技术问题采用以下技术方案：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，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；