CN108133286B - 一种基于地面沉降替代模型的地下水多目标计算方法 - Google Patents
一种基于地面沉降替代模型的地下水多目标计算方法 Download PDFInfo
- Publication number
- CN108133286B CN108133286B CN201711392341.8A CN201711392341A CN108133286B CN 108133286 B CN108133286 B CN 108133286B CN 201711392341 A CN201711392341 A CN 201711392341A CN 108133286 B CN108133286 B CN 108133286B
- Authority
- CN
- China
- Prior art keywords
- model
- ground settlement
- kelm
- ground
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 59
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 53
- 238000006467 substitution reaction Methods 0.000 title claims abstract description 42
- 238000005457 optimization Methods 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000004088 simulation Methods 0.000 claims abstract description 12
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 230000003044 adaptive effect Effects 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 53
- 238000005086 pumping Methods 0.000 claims description 32
- 239000003673 groundwater Substances 0.000 claims description 30
- 238000012544 monitoring process Methods 0.000 claims description 20
- 238000012795 verification Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 8
- 239000002689 soil Substances 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 5
- 238000010168 coupling process Methods 0.000 claims description 5
- 238000005859 coupling reaction Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 230000002860 competitive effect Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000002265 prevention Effects 0.000 abstract description 6
- 238000011161 development Methods 0.000 abstract description 4
- 230000009467 reduction Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 25
- 238000013461 design Methods 0.000 description 8
- 238000005065 mining Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000008595 infiltration Effects 0.000 description 3
- 238000001764 infiltration Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 238000010835 comparative analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 230000009189 diving Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002706 hydrostatic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于水文学及水资源领域，公开了一种基于自适应替代模型的地面沉降区地下水模拟‑优化计算求解技术——基于地面沉降替代模型的地下水多目标计算模型(SUB‑KELM&SMOMA)。该技术采用地下水模拟程序MODFLOW‑2005中的地面沉降模拟子程序SUB‑WT来模拟地面沉降过程，采用极限学习机法KELM训练地面沉降替代模型。优化模型采用广泛且稳定有效的优化算法NSGAII。为了提高占优个体的数值预测的精度，采用邻域搜索和自适应KELM法对地面沉降模型进行训练。SUB‑KELM&SMOMA为第一个考虑地面沉降模型大规模计算瓶颈的问题，而提出将地面沉降替代模型与基于进化算法的优化求解模型相耦合，可为解决地面沉降区地下水资源合理开发利用和地面沉降防控减灾两大核心问题提供一个固定的技术方法体系。
Description
技术领域
本发明涉及基于地面沉降替代模型的地下水多目标计算方法，属于水文学及水资源领域。
背景技术
地面沉降区地下水资源科学计算是一个重要的资源与环境问题，涉及到地下水资源合理开发利用和地面沉降防控减灾两大核心问题，即如何解决城市化进程中对大规模地下水开采的需求和地面沉降防治对地下水开采的限制这一对矛盾，成为地质环境工作者需要解决的一个难题，目前尚未形成一个固定的技术方法体系。
模拟-优化方法正是解决地面沉降区地下水资源管理和地灾防控优化的有效技术。该方法体系将区域地下水地面沉降耦合模型与基于进化算法的优化模型相耦合。优化模型通过合理的进化搜索策略寻求满足约束条件的最优个体集，模拟模型不断被调用来评价搜索个体。考虑到地面沉降模型的参数复杂性和区域模型计算量大的问题，优化中大量调用数值模型将产生数千倍的计算量，甚至产生计算瓶颈，导致优化计算成本太高。
为此，本发明在地下水模拟-优化计算模型的思想基础上，基于数值替代模型方法，首次提出将自适应的地面沉降替代模型与基于进化算法的优化计算模型相耦合，构建基于地面沉降替代模型的地下水多目标计算模型，采用多目标进化求解技术，如非控制性排序遗传算法(Nondominated Sorting Genetic Algorithm II,NAGAII)。NAGAII不受计算问题数学模型形式的制约，在一次模拟优化求解中可以得到一组权衡的Pareto解。
本发明在此基础上，将NAGAII与基于极限学习机法(Kernel Extreme LearningMachine,KELM)方法训练的地面沉降程序(Subsidence for Water Table Aquifer,SUB-WT)相耦合，开发了基于地面沉降替代模型的地下水多目标计算模型(Surrogate ModelAssisted Multiobjective Memetic Algorithm integrated with KELM,SUB-KELM&SMOMA)，以实现地面沉降控制、地下水资源优化的多目标计算。并通过一个理想场地含水层中地下水开采方案和地面沉降控制的优化设计实例，来验证该计算模型的有效性和可靠性。
发明内容
本发明所要解决的技术问题是提供一种基于地面沉降替代模型的地下水多目标计算方法SUB-KELM&SMOMA，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，且高质量的Pareto最优解。
本发明为解决上述技术问题采用以下技术方案：
本发明提供一种基于地面沉降替代模型的地下水多目标计算方法，具体步骤如下：
步骤1，建立模拟模型，用于刻画地面沉降区地下水水头和地面沉降量在时间和空间上的分布；
步骤2，KELM替代模型训练；
步骤3，确定计算目标函数和约束条件，建立优化计算模型；
步骤4，模拟模型与优化模型耦合；
步骤5，选用SUB-KELM&SMOMA优化技术求解多目标计算问题权衡解；
步骤6，基于优化计算，得到一组能够权衡多个目标之间关系且满足约束条件的Pareto解，每个解则对应于一个地下水抽水方案。
优选地，步骤1中采用SUB-WT模型用于模拟不连续地层中土体储水量变化引起的土层垂向压缩变化量。
优选地，步骤2中，采用LHS方法生成300个训练个体和50个验证个体，分别采用SUB-WT数值模型评价个体的监测点水位输出、监测点地面沉降量输出和地面沉降总量输出；采用KELM模型进行训练，分别训练出7个KELM替代模型，分别为3个监测点水位、3个监测点地面沉降量和1个地面沉降总量替代模型。
优选地，步骤3中，目标函数包括抽水总量和地面沉降总量。
所述抽水总量的计算公式为：
最大化
fpumping表示抽水总量，单位为L3·T-1；NW表示抽水井的总数，Qi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，△tk表示第k个应力期的总时长。
所述地面沉降总量的计算公式为：
最小化
ftotalsub表示地面沉降总量，单位为M；Ng为研究区数值模型剖分的有效单元数，Sg为管理期末第g个网格地面沉降量，单位为M，v()为KELM训练出的地面沉降总量替代模型，其为单井抽水流量Qi的函数。
优选地，步骤3所述约束条件包括治理井总数约束，水位约束，地面沉降量约束，单井抽水流量约束和抽水总量约束。
优选地，步骤5包括：
(1)初始地面沉降模型训练
(2)产生初始解
(3)目标函数随机评价：
(4)多目标进化：
(5)自适应训练沉降模型
(6)判断是否满足停止标准：优化过程中，如果达到了预先设定的最大迭代次数，算法停止，输出Pareto最优解集。
优选地，步骤(1)中，首先采用拉丁超立方采样方法生成训练样本集与随机产生验证样本集，基于训练样本集，采用KELM模型以抽水井流量为输入变量，监测井地下水位、地面沉降量与全区地面沉降总量为输出变量，训练地面沉降模型；基于验证样本集对训练的KELM地面沉降模型进行验证，判断初始训练模型是否达到精度要求。
优选地，步骤(4)包括：
①对每代种群以HVI和CDI指数为标准进行竞争选择，交叉和变异操作，生成过渡种群；
②进化每隔5代，基于HVI和CDI指数选择排名前10％的个体，并采用高斯扰动邻域搜索方法对前10％的个体进行邻域搜索，并输出搜索后的个体；
③将过渡种群与邻域搜索个体集进行合并，并从合并解集中选择种群大小的占优个体作为新种群。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：在地面沉降区地下水优化计算问题中，计算效率和Pareto解的质量往往是决定算法是否适用的最重要因素，SUB-KELM&SMOMA采用KELM方法对地面沉降模型SUB-WT进行自适应训练；引进高斯扰动邻域搜索策略对种群中的占优个体进行邻域搜索，并将其作为新的训练样本集，以提高占优个体的评价精度，进而提高算法求解的收敛性。为此，该方法在保证Pareto解质量的前提下，大大提高了求解效率，在地面沉降区地下水多目标计算问题中具有广阔的应用前景。
附图说明
图1是SUB-KELM&SMOMA流程图。
图2是极限学习机模型原理图。
图3是理想地面沉降区示意图。
图4是基于KELM替代模型的训练结果。
图5是理想地面沉降系统优化结果对比分析。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
本发明构建了由基于KELM自适应替代模型的目标函数评价和多目标进化组成的基于地面沉降替代模型的地下水多目标计算方法SUB-KELM&SMOMA，并通过一个考虑地面沉降约束的地下水开采方案优化的理想算例进行验证。该方法首先采用地面沉降模拟程序(Modular Three-dimensional Finite-difference Ground-water Flow Model,MODFLOW2005)中SUB-WT模块建立模拟区地下水地面沉降耦合模型，采用KELM方法训练得到地面沉降替代模型SUB-KELM。然后，将NSGAII与SUB-KELM耦合起来，NSGAII引入高斯扰动邻域搜索策略对种群中占优个体进行邻域搜索，并将邻域搜索个体加入到不断更新的替代模型训练样本中，对地面沉降模型进行自适应的KELM训练。该方法可用以设计地面沉降区地下水开采利用的多目标优化方案。
SUB-KELM&SMOMA的主程序设计如图1所示，SUB-KELM&SMOMAEMOTS采用LHS生成训练样本集与随机产生验证样本集，基于KELM方法训练得到初始地面沉降替代模型拉丁超立方抽样产生邻域范围内均匀分布的邻域解；采用NSGAII的多目标遗传因子进行进化搜索，同时引进超体积指数和个体拥挤度指数作为个体质量的判断标准，引进高斯扰动邻域搜索方法对种群中前10％的个体进行邻域搜索；将邻域搜索个体集增加到训练样本集，重新采用KELM方法对地面沉降模型进行自适应训练，并采用自适应的替代模型对个体目标函数进行评价精英保留进化策略，增加了精英表，提高算法的收敛性；改进选择策略，从精英表中选择两个拥挤度距离最大的解作为种子解，进一步增强了选择Pareto解的多样性；EMOTS改变了Pareto表的更新策略，Pareto表用于存放业已搜索到的Pareto解，同时引进了个体适应值函数库的概念，避免了重复评价个体。SUB-KELM&SMOMA中的具体方法和概念如下具体的求解步骤如下：
1.极限学习机(Kernel Extreme Learning Machine,KELM)：极限学习机是单隐层前向神经网络的一种新兴的学习算法，由三层结构(输入层、输出层和隐含层)组成，其原理图见图2。KELM具有三个独特的优点，包括极快的学习速度、非调整的隐藏节点参数和用于回归分析或分类的同构架构。KELM的学习速度比传统前馈网络学习算法快上千倍，同时能获得更好的泛化性能，因此，KELM是适用于自适应替代模型进化优化的学习方法。
2.超体积指数HVI：该指标主要用于评价个体控制性能的指标，亦可用于比较不同多目标进化算法的性能。HVI指标可定义为目标函数解集中的个体与参考点在目标空间中所围成的超立方体的体积。该指标与个体Pareto占优性之间存在单调递增关系，表明该指标越大，Pareto前沿的占优性越强，即最优Pareto前沿达到最大容量值。
3.个体拥挤度指数CDI：该指标主要用于评价个体的多样性，亦可用于比较不同多目标进化算法全局搜索的性能。CDI指标可定义为与评价个体相邻的两个个体在目标空间中各目标距离之和。该指标值越大，表明个体的拥挤程度越小，其多样性也越大。
4.高斯扰动邻域搜索：对每代种群中的个体按照HVI和CDI指数进行排序，HVI指数越大，排名越靠前；当若干个个体HVI指数相同时，CDI指数越大，排名越靠前。选择排序前10％的个体进行高斯扰动邻域搜索，得到基于10％最优个体的邻域解集。
5.自适应替代模型训练：用原始数值模型评价邻域解集中的每个个体，并将其增加到替代模型训练样本集中，采用KELM方法重新训练地面沉降替代模型，并采用不断更新的替代模型评价下一代种群的个体。
6.种群更新：将每代生成的10％最优个体的邻域解集与当代NSGAII进化的种群进行合并，按照HVI和CDI指数标准进行排序，选择排名靠前的种群大小数目的个体作为新种群。
本发明用于求解地面沉降区地下水优化计算问题，具体步骤如下：
步骤1建立模拟模型，用于刻画地面沉降区地下水水头和地面沉降量在时间和空间上的分布。本发明采用美国地质调查局(USGS)推出的SUB-WT模型用于模拟不连续地层中土体储水量变化引起的土层垂向压缩变化量。SUB-WT是对MODFLOW中IBS(Interbed-storage Package)子程序进行适当的修改升级而成，保持了MODFLOW原来的输入和输出格式，SUB-WT所需准备的参数文件从“SWT”输入文件读取，便于熟悉MODFLOW的用户使用SUB-WT解决地面沉降问题。
步骤2KELM替代模型训练，采用LHS方法生成300个训练个体和50个验证个体，分别采用SUB-WT数值模型评价个体的监测点水位输出、监测点地面沉降量输出和地面沉降总量输出。基于训练个体和对应的目标输出，采用KELM模型进行训练，分别训练出7个KELM替代模型，分别为3个监测点水位、3个监测点地面沉降量和1个地面沉降总量替代模型。采用验证样本对刚训练的替代模型进行验证，以证明初始替代模型的可靠性。
步骤3确定计算目标和约束条件，建立优化计算模型。地下水优化计算模型中建立目标函数和设置约束条件是建立优化计算模型的核心。本研究地面沉降地下水多目标计算问题中，最为重要的目标函数是在满足地下水系统各种约束条件的基础上实现开采井优化设计，详见公式(1)，开采井优化设计包括井流量的优化。除此之外地下水开采后地面沉降总量已成为判别优化设计成功与否的一个重要指标(式(2))。
目标函数一 最大化
目标函数二 最小化
其中，第一目标函数抽水总量(fpumping)，(L3·T-1)，NW是抽水井的总数，Qi表示第i口井的抽水流量，(L3·T-1)，NT是模拟应力期的总数，△tk是第k个应力期的总时长；第二目标函数为区域各单元地面沉降量之和(ftotalsub)，(M)，Ng为研究区数值模型剖分的有效单元数，Sg为管理期末第g个网格地面沉降量，(M)，v()为KELM训练出的地面沉降总量替代模型，其为单井抽水流量Qi的函数。
约束条件包括治理井总数约束，水位约束，地面沉降量约束，单井抽水流量约束和抽水总量约束，其中单点水位和地面沉降量采用KELM训练出的3个监测点地下水位和地面沉降量的替代模型。目标函数和约束条件构成了地面沉降区地下水优化计算问题的数学模型。
步骤4模拟模型与优化模型耦合
优化计算计算的目标是决策变量(井流量)和状态变量(水头和地面沉降量)的函数(式(1))，需要通过KELM替代模型不断更新状态变量，计算目标函数值和判断是否满足约束条件；同时通过优化模型选择决策变量，返回到模拟模型中更新状态变量。优化计算计算模型中决策变量和状态变量同时满足替代模拟模型和状态模型，且同步更新。
步骤5选用SUB-KELM&SMOMA优化技术求解多目标计算计算问题权衡解，如图1所示，具体步骤为：
(1)初始地面沉降模型训练
首先采用拉丁超立方采样(Latin Hypercube Sampling,LHS)方法生成训练样本集与随机产生验证样本集，基于训练样本集，采用KELM模型以抽水井流量为输入变量，监测井地下水位、地面沉降量与全区地面沉降总量为输出变量，训练地面沉降模型。基于验证样本集对训练的KELM地面沉降模型进行验证，判断初始训练模型是否达到精度要求。
(2)产生初始解
首先，采用随机方式产生种群大小的样本为初始种群。
(3)目标函数随机评价：
采用初始的KELM训练模型逐个计算种群中的每个个体对应的监测井的地下水水位、沉降量值和地面沉降量总值，进而评价各个个体的目标函数值和约束条件；依据目标函数值，采用个体的超体积指数(Hyper-Volume Indicator,HVI)和个体拥挤度指数(Crowding Distance Indicator,CDI)计算个体排名和个体拥挤度值。
(4)多目标进化：
①对每代种群以HVI和CDI指数为标准进行竞争选择，交叉和变异操作，生成过渡种群。
②进化每隔5代，基于HVI和CDI指数选择排名前10％的个体，并采用高斯扰动邻域搜索方法(Gaussian Perturbation Local Search)对前10％的个体进行邻域搜索，并输出搜索后的个体；
③将过渡种群与邻域搜索个体集进行合并，并从合并解集中选择种群大小的占优个体作为新种群。
(5)自适应训练沉降模型
将上一步邻域搜索的个体集增加到训练样本集，重新采用KELM方法对地面沉降模型进行自适应训练，不断更新和提高替代模型的预测精度。
(6)判断是否满足停止标准
优化过程中，如果达到了预先设定的最大迭代次数，算法停止，输出Pareto最优解集。
步骤6输出优化结果。
基于优化计算，得到一组能够权衡多个目标之间关系且满足约束条件的Pareto解，每个解则对应于一个地下水抽水方案。
将SUB-KELM&SMOMA和SUB&NSGAII的优化结果进行对比，其中SUB&NSGAII方法采用原始SUB-WT模型评价个体，其求得的权衡解默认为是最合理的Pareto解集。分析两种权衡解的全局性和计算效率，调整优化参数，使得优化方法能够在不同的问题中达到最优的优化效果。优化求解技术就是在决策变量的可行解域内，通过判断目标函数值和约束条件选择非受控的决策变量组合，作为多目标优化问题的妥协解，决策者权衡各目标之间的利弊做出计算决策。对比结果表明，该技术在不降低最优方案精度的前提下，大大降低了计算效率，可为解决复杂地面沉降区地下水资源合理开发利用和地面沉降防控减灾两大核心问题提供一个固定的技术方法体系。
下面通过具体实施例对本发明的技术方案作进一步阐述：
以下设计一个地面沉降区地下水多目标计算问题，利用SUB-KELM&SMOMA优化技术求解满足计算计算目标和约束条件的权衡解。
2.1问题概况
本研究设计了一个考虑地面沉降约束的地下水开采方案优化的理想算例，即在一段较长时间内在有效控制地面沉降量的前提下通过3口抽水井从含水层中获得尽可能多的地下水。该算例建立了一个具有4个均质层的三维有限差分地下水流及地面沉降模型，从平面上看，采用2000m×2000m的间距将每层剖分为20行和15列的网格。从模型第9行的剖面图上看，A1代表潜水含水层，A2代表微承压透水层，A3代表弱透水层，A4代表承压含水层。模型在第一层在18个网格处设置了定流量入渗补给边界，每处的入渗补给量为2200(m3·d-1)；模型南侧8个网格(每层2个)处设置了定水头边界，h边＝100m。
模型划分为3个应力期，第1应力期为设置为稳定流，用于模拟研究区稳定地下水流场，计算初始静水压力、地应力和预压固结应力等；第2应力期设置为60a，期间布设了3口抽水井；第3应力期设置为60a，期间3口抽水井停止工作。第2、3应力期分别被划分为60个时间段，每个时段的时间步长为1a。本文设置了两种优化情形：(1)在满足计算约束条件的情况下，实现最大化抽水总量单目标计算；(2)在满足计算约束条件的情况下，实现最大化抽水总量和最小化地面沉降总量的多目标计算。
图3展示了该地面沉降算例的结构示意图(平面图和剖面图)。灰色的粗实线内为有效计算单元范围，浅蓝色网格单元为无效计算单元；深蓝色网格为第1层定流量入渗边界，斜线条网格为第1—4层定水头边界；W1、W2、W3为三口预处理井，其中W1从A2微承压含水层抽水，W2和W3从A4承压含水层抽水，且最大出水能力都为72000(m3·d-1)。第3应力期末地面沉降总量不超过0.2m，第2应力期末地下水位不低于100m，第3应力期地下水位不低于120m，为该算例的约束条件，也即地面沉降地下水计算的前提。寻优时间为第2应力期，总时长为60a。
2.2应用SUB-KELM&SMOMA优化技术
本发明SUB-KELM&SMOMA相关参数的设置如下：种群个数，NPOP＝100；高斯扰动邻域解个数NNS＝5；搜索迭代次数Niter＝100。在使用智能算法进行优化设计时往往采用罚函数将约束的计算模型转换为非约束计算模型，即对不满足约束条件的解，采用罚函数的形式加到对应的目标函数中。采用SUB-KELM&SMOMA的优化结果如图4和图5所示。
2.3优化结果的对比分析
KELM自适应训练结果如图4所示，监测点地面沉降量和地面沉降总量的训练拟合度很高，相关系数达到0.999以上。地面沉降总量替代模型在沉降总量值较小时拟合度稍差，主要原因是在此区间占优个体比较少，替代模型在此区间产生的训练样本比较少，导致预测精度降低，但是整体的拟合相关达到0.998。该数据表明KELM替代模型完全达到SUB-WT数值模型的求解精度，可用于地面沉降区地下水计算的模拟-优化设计中。
图5a为SUB-KELM&SMOMA(“+”)与SUB&NSGAII(“Δ”)的优化结果进行对比，直观上，从Pareto解的均匀度，多样性和收敛性三个方面，两者获得Pareto解质量相似。对两组Pareto解进行HVI指数定量分析，如图5b所示，在30代之后两组解的HVI指数相近，在迭代搜索终止之前，HVI指数均达到0.88。HVI指数(≤1)越大表明求得的Pareto解的控制性越强，HVI指数相近表面两种算法求得的Pareto解的占优性相似。在8G内存和3.4GHz Inteli7处理器电脑上运行一次SUB-WT数值模型需要1.55s，通过统计SUB&NSGAII运行所需时间为31155s，而SUB-KELM&SMOMA中模型训练与优化求解时间之和为1366s，即在求得相似质量的Pareto解的情况下，SUB-KELM&SMOMA较SUB&NSGAII的计算效率提高了14倍。因此，本专利提出的SUB-KELM&SMOMA可为解决地面沉降区地下水资源合理开发利用和地面沉降防控减灾两大核心问题提供一个固定的技术方法体系。
以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。
Claims (3)
1.一种基于地面沉降替代模型的地下水多目标计算方法，步骤如下：
步骤1，建立模拟模型，用于刻画地面沉降区地下水水头和地面沉降量在时间和空间上的分布；
步骤2，自适应KELM替代模型训练；采用LHS方法生成300个训练个体和50个验证个体，分别采用SUB-WT数值模型评价个体的监测点水位输出、监测点地面沉降量输出和地面沉降总量输出；采用KELM模型进行训练，分别训练出7个KELM替代模型，分别为3个监测点水位、3个监测点地面沉降量和1个地面沉降总量替代模型；采用验证样本对刚训练的替代模型进行验证，以证明初始替代模型的可靠性；
步骤3，确定计算目标函数和约束条件，建立优化计算模型；目标函数包括抽水总量和地面沉降总量；
所述抽水总量的计算公式为：
最大化
fpumping表示抽水总量，单位为L3·T-1；NW表示抽水井的总数，Qi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，Δtk表示第k个应力期的总时长；
所述地面沉降总量的计算公式为：
最小化
ftotalsub表示地面沉降总量，单位为M；Ng为研究区数值模型剖分的有效单元数，Sg为管理期末第g个网格地面沉降量，单位为M，v()为KELM训练出的地面沉降总量替代模型，其为单井抽水流量Qi的函数；步骤4，模拟模型与优化模型耦合：
①对每代种群以HVI和CDI指数为标准进行竞争选择，交叉和变异操作，生成过渡种群；
②进化每隔5代，基于HVI和CDI指数选择排名前10％的个体，并采用高斯扰动邻域搜索方法对前10％的个体进行邻域搜索，并输出搜索后的个体；
③将过渡种群与邻域搜索个体集进行合并，并从合并解集中选择种群大小的占优个体作为新种群。
步骤5，选用SUB-KELM&SMOMA优化技术求解多目标计算问题权衡解；包括初始地面沉降模型训练，所述初始地面沉降模型训练具体为：首先采用拉丁超立方采样方法生成训练样本集与随机产生验证样本集，基于训练样本集，采用KELM模型以抽水井流量为输入变量，监测井地下水位、地面沉降量与全区地面沉降总量为输出变量，训练地面沉降模型；基于验证样本集对训练的KELM地面沉降模型进行验证，判断初始训练模型是否达到精度要求；
(1)初始地面沉降模型训练
首先采用拉丁超立方采样方法生成训练样本集与随机产生验证样本集，基于训练样本集，采用KELM模型以抽水井流量为输入变量，监测井地下水位、地面沉降量与全区地面沉降总量为输出变量，训练地面沉降模型；基于验证样本集对训练的KELM地面沉降模型进行验证，判断初始训练模型是否达到精度要求；
(2)产生初始解
采用随机方式产生种群大小的样本为初始种群；
(3)目标函数随机评价：
采用初始的KELM训练模型逐个计算种群中的每个个体对应的监测井的地下水水位、沉降量值和地面沉降量总值，进而评价各个个体的目标函数值和约束条件；依据目标函数值，采用个体的超体积指数和个体拥挤度指数计算个体排名和个体拥挤度值；
(4)多目标进化：
①对每代种群以HVI和CDI指数为标准进行竞争选择，交叉和变异操作，生成过渡种群；
②进化每隔5代，基于HVI和CDI指数选择排名前10％的个体，并采用高斯扰动邻域搜索方法对前10％的个体进行邻域搜索，并输出搜索后的个体；
③将过渡种群与邻域搜索个体集进行合并，并从合并解集中选择种群大小的占优个体作为新种群。
(5)自适应训练沉降模型
将上一步邻域搜索的个体集增加到训练样本集，重新采用KELM方法对地面沉降模型进行自适应训练，不断更新和提高替代模型的预测精度。
(6)判断是否满足停止标准
优化过程中，如果达到了预先设定的最大迭代次数，算法停止，输出Pareto最优解集；
步骤6，基于优化计算，得到一组能够权衡多个目标之间关系且满足约束条件的Pareto解，每个解则对应于一个地下水抽水方案。
2.根据权利要求1所述的基于地面沉降替代模型的地下水多目标计算方法，其特征在于，步骤1中采用SUB-WT模型用于模拟不连续地层中土体储水量变化引起的土层垂向压缩变化量。
3.根据权利要求1所述的基于地面沉降替代模型的地下水多目标计算方法，其特征在于，步骤3所述约束条件包括治理井总数约束，水位约束，地面沉降量约束，单井抽水流量约束和抽水总量约束。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711392341.8A CN108133286B (zh) | 2017-12-21 | 2017-12-21 | 一种基于地面沉降替代模型的地下水多目标计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711392341.8A CN108133286B (zh) | 2017-12-21 | 2017-12-21 | 一种基于地面沉降替代模型的地下水多目标计算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108133286A CN108133286A (zh) | 2018-06-08 |
| CN108133286B true CN108133286B (zh) | 2022-02-11 |
Family
ID=62391187
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711392341.8A Active CN108133286B (zh) | 2017-12-21 | 2017-12-21 | 一种基于地面沉降替代模型的地下水多目标计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108133286B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109840362B (zh) * | 2019-01-16 | 2022-06-14 | 昆明理工大学 | 一种基于多目标优化的集成即时学习工业过程软测量建模方法 |
| CN111723516B (zh) * | 2020-05-21 | 2023-05-23 | 河海大学 | 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 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105894132A (zh) * | 2016-04-27 | 2016-08-24 | 河海大学 | 一种地面沉降区地下水多目标优化管理方法 |
-
2017
- 2017-12-21 CN CN201711392341.8A patent/CN108133286B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105894132A (zh) * | 2016-04-27 | 2016-08-24 | 河海大学 | 一种地面沉降区地下水多目标优化管理方法 |
Non-Patent Citations (1)
| Title |
|---|
| Xue Jiang等."Ensemble of surrogates-based optimization for identifying an optimal surfactant-enhanced aquifer remediation strategy at heterogeneous DNAPL-contaminated sites".《Computer & Geosciences》.2015,第37-45页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108133286A (zh) | 2018-06-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yin et al. | Multifidelity genetic transfer: an efficient framework for production optimization | |
| CN104615862B (zh) | 基于进化算法的高含水油田确定井位的方法 | |
| Zhang et al. | Integrated optimization design for horizontal well placement and fracturing in tight oil reservoirs | |
| Christelis et al. | Pumping optimization of coastal aquifers assisted by adaptive metamodelling methods and radial basis functions | |
| Amiri et al. | Improving water saturation estimation in a tight shaly sandstone reservoir using artificial neural network optimized by imperialist competitive algorithm–A case study | |
| Chen et al. | Well placement optimization using an analytical formula-based objective function and cat swarm optimization algorithm | |
| Hajizadeh et al. | Comparative study of novel population-based optimization algorithms for history matching and uncertainty quantification: PUNQ-S3 revisited | |
| CN111625922B (zh) | 一种基于机器学习代理模型的大规模油藏注采优化方法 | |
| Nasrabadi et al. | Well placement optimization: A survey with special focus on application for gas/gas-condensate reservoirs | |
| CN105718632B (zh) | 一种不确定性地下水修复多目标优化管理方法 | |
| CN105808311B (zh) | 一种基于降维策略的油藏模拟快速拟合方法 | |
| CN112100927A (zh) | 一种基于ga-bp神经网络的边坡变形及软土地基沉降预测方法 | |
| CN104732091A (zh) | 基于自然选择蚁群算法的元胞自动机河床演变预测方法 | |
| CN111723516B (zh) | 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 | |
| CN108133286B (zh) | 一种基于地面沉降替代模型的地下水多目标计算方法 | |
| CN107939372B (zh) | 针对小断块油藏的最优井位部署方法和装置 | |
| Asoodeh | Prediction of Poisson's ratio from conventional well log data: a committee machine with intelligent systems approach | |
| Li et al. | A physics-constrained long-term production prediction method for multiple fractured wells using deep learning | |
| Wang et al. | An efficient bi-objective optimization workflow using the distributed quasi-Newton method and its application to well-location optimization | |
| Feng et al. | Well production optimization using streamline features-based objective function and Bayesian adaptive direct search algorithm | |
| El-Ghandour et al. | Groundwater management using a new coupled model of flow analytical solution and particle swarm optimization | |
| CN113435128A (zh) | 基于条件生成式对抗网络的油气藏产量预测方法及装置 | |
| CN110441815B (zh) | 基于差分进化及块坐标下降的模拟退火瑞雷波反演方法 | |
| Wang et al. | Adaptive Basis Function Selection Enhanced Multisurrogate-Assisted Evolutionary Algorithm for Production Optimization | |
| Zhang et al. | Parameter optimization study of gas hydrate reservoir development based on a surrogate model assisted particle swarm algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |