[发明专利]基于卷积神经网络融合地下水位及自然电位数据识别非高斯含水层参数的方法

权利要求书

1.一种基于卷积神经网络融合地下水位及自然电位数据识别非高斯含水层参数的方法，其特征在于：包括以下步骤：

步骤1：利用非高斯含水层参数场样本训练CVAE网络，并从标准正态分布中采样，对潜向量z估计集合进行初始化；

步骤2：将潜向量z估计集合输入至训练后的CVAE解码器中，重构出相应的非高斯含水层参数场估计集合；

步骤3：在谐波抽水试验期间，基于重构出的非高斯含水层参数场估计集合，运行水文地球物理正演模型，得到水力水头模拟数据和自然电位模拟数据；

步骤4：基于步骤3得到的水力水头模拟数据和自然电位模拟数据，结合水力水头观测数据与自然电位观测数据，采用ESMDA方法迭代更新潜向量z估计集合；重复步骤2至步骤4，直至达到最大迭代次数；

步骤5：对于更新得到的潜向量z估计集合，通过CVAE解码器，重构获得非高斯含水层参数场的推估结果；

其中，所述水文地球物理正演模型由自然电位正演模型通过达西流速q和固有渗透率k与地下水流正演模型相耦合构成。

2.根据权利要求1所述的一种基于卷积神经网络融合地下水位及自然电位数据识别非高斯含水层参数的方法，其特征在于：所述的待估非高斯含水层参数场包括渗透系数场、贮水率场、孔隙度场和电导率场。

3.根据权利要求1所述的一种基于卷积神经网络融合地下水位及自然电位数据识别非高斯含水层参数的方法，其特征在于：所述地下水流正演模型表示为：

其中，S_s为贮水率；H为水力水头；t为时间；表示散度运算符；表示梯度算子；K为渗透系数；W表示单位体积的源和汇；

所述地下水流正演模型受以下初始条件和边界条件的约束：

H＝H₀ at t＝0 (2)

H＝H_D at Γ_D (3)

式中，H₀为初始水头；Γ_D为Dirichlet边界；H_D为Γ_D上的给定水头；Γ_N为Neumann边界；n表示垂直于Γ_N的外单位向量。

4.根据权利要求1所述的一种基于卷积神经网络融合地下水位及自然电位数据识别非高斯含水层参数的方法，其特征在于：所述自然电位正演模型表示为：

边界条件如下：

式中，σ为孔隙介质的电导率，表示电势，Γ_D为Dirichlet边界，Γ_N为Neumann边界；q为达西流速，表示由地下水流动产生的有效电荷密度。

5.根据权利要求1所述的一种基于卷积神经网络融合地下水位及自然电位数据识别非高斯含水层参数的方法，其特征在于：所述的运行水文地球物理正演模型，包括先求解地下水流正演模型，再求解自然电位正演模型。

6.根据权利要求1所述的一种基于卷积神经网络融合地下水位及自然电位数据识别非高斯含水层参数的方法，其特征在于：所述CVAE网络包括CVAE编码器和CVAE解码器；所述编码器由六个卷积层组成；所述CVAE解码器为具有反卷积层的编码器的镜像对称网络。