CN113267607B - 一种场地有机污染物迁移过程的特征参数识别系统 - Google Patents
一种场地有机污染物迁移过程的特征参数识别系统 Download PDFInfo
- Publication number
- CN113267607B CN113267607B CN202110509905.1A CN202110509905A CN113267607B CN 113267607 B CN113267607 B CN 113267607B CN 202110509905 A CN202110509905 A CN 202110509905A CN 113267607 B CN113267607 B CN 113267607B
- Authority
- CN
- China
- Prior art keywords
- pollution source
- parameters
- pollutant
- monitoring data
- model
- 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
- 238000013508 migration Methods 0.000 title claims abstract description 42
- 230000005012 migration Effects 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000002957 persistent organic pollutant Substances 0.000 title claims abstract description 20
- 230000008569 process Effects 0.000 title claims abstract description 20
- 238000012544 monitoring process Methods 0.000 claims abstract description 74
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 50
- 231100000719 pollutant Toxicity 0.000 claims abstract description 50
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000009826 distribution Methods 0.000 claims abstract description 10
- 239000000126 substance Substances 0.000 claims abstract description 9
- 238000011065 in-situ storage Methods 0.000 claims abstract description 3
- 238000010223 real-time analysis Methods 0.000 claims abstract description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 27
- 238000006467 substitution reaction Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000011109 contamination Methods 0.000 claims description 10
- 239000000356 contaminant Substances 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 239000011148 porous material Substances 0.000 claims description 6
- 230000000739 chaotic effect Effects 0.000 claims description 4
- 239000006185 dispersion Substances 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000009792 diffusion process Methods 0.000 claims description 3
- 238000013146 percutaneous coronary intervention Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000003911 water pollution Methods 0.000 abstract description 7
- 238000007726 management method Methods 0.000 abstract description 6
- 230000002265 prevention Effects 0.000 abstract description 5
- 238000003895 groundwater pollution Methods 0.000 abstract description 3
- 239000000463 material Substances 0.000 abstract description 2
- 238000012502 risk assessment Methods 0.000 abstract description 2
- 238000012800 visualization Methods 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 239000003673 groundwater Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 239000003905 agrochemical Substances 0.000 description 1
- 239000008346 aqueous phase Substances 0.000 description 1
- 150000004945 aromatic hydrocarbons Chemical class 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 150000008280 chlorinated hydrocarbons Chemical class 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 231100001240 inorganic pollutant Toxicity 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 239000010871 livestock manure Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
- 239000003403 water pollutant Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
- G01N33/1826—Organic contamination in water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/20—Controlling water pollution; Waste water treatment
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Medicinal Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Processing Of Solid Wastes (AREA)
Abstract
本发明公开了一种场地有机污染物迁移过程的特征参数识别系统，包括数据采集终端、云端服务器和网站前端。本发明将化工场地原位收集的污染物浓度监测数据通过GPRS网络传输到云服务器，在云服务器中完成污染源参数的反演计算，将实时分析得到的污染源分布情况呈现到网站前端进行可视化。由此，本发明能够在对地下水污染进行风险评估和修复时，准确地识别出污染源参数。有效提升地下水污染源解析与管理水平，为地下水污染防治决策提供有效支持，减少所需的人力物力。
Description
技术领域
本发明涉及地下污染防治与污染源管理技术领域，具体涉及一种场地有机污染物迁移过程的特征参数识别系统。
背景技术
地下水是一种储量稳定、水质清洁的水资源。然而人类活动往往导致地下水系统受到各类污染物的污染，其造成的地下水污染可以分为点源污染和非点源污染。点源污染指有固定排放点的污染，例如垃圾填埋场、工厂废水、城市污水等。非点源污染指没有固定污染排放点的污染，例如农业化肥的施用、畜禽养殖粪便污水、大气沉降等(Russell C S，Shogren J.Theory，modeling and experience in the management of nonpoint-sourcepollution[M].Springer Science&Business Media，2012.)。
地下水污染具有隐蔽性和长期性，因而难以监测和防控。地下水中的污染物主要包括无机污染物、有机污染物和致病生物三大类(Bear J，Cheng A H.Modelinggroundwater flow and contaminant transport[M].Springer Science&BusinessMedia，2010.)。其中，有机污染物种类繁多，且一般不溶或微溶于水，被称为非水相液体，包括氯代烃类和芳香烃类等。在地下水的管理和污染评价中，追溯与识别污染源是从源头进行地下水污染防治的有效途径。运用对流弥散方程描述地下水污染迁移转化过程，通过数值模拟反演解析污染物来源、位置、排放强度和时间序列，是当前广泛应用于地下水污染源解析中的方法(曹阳，杨耀栋，申月芳，《地下水污染源解析研究进展》，《中国水运》(下半月)，2018，18(09)：114-116)。
但目前国内对于污染源变化的实时预测分析普遍粗放，有污染物监测系统的场地都在极少数，且实测数据的动态收集与处理速度较慢，对污染物泄露等情况难以做出快速判断响应。如果能通过实时实地监测，以及进一步高效率的计算分析方式得到污染场地的关键参数，例如污染源位置、污染源释放强度、含水层的导水率等，对可能产生污染物泄露的区域及动态变化有更加全面系统的了解。据此借助数值模拟对污染物的去向进行准确预测，为管理者提供实时有效的决策辅助信息。
发明内容
针对上述问题，本发明的目的是提供一种为地下水污染源解析与污染防治决策提供支持的场地有机污染物迁移过程的特征参数识别系统，该系统基于云端服务器搭建，利用观测数据进行实时优化决策，显著提升污染源治理管理水平。
一种场地有机污染物迁移过程的特征参数识别系统，应用于化工场地区域的地下污染源监测，利用场地原位收集的污染物浓度监测值估计污染源参数，将实时分析得到的污染源分布情况以可视化形式在网站前端展示；
所述的化工场地包括监测井和可能产生污染物泄露的生产井；
所述的场地有机污染物迁移过程的特征参数识别系统包括：数据采集终端、云端服务器和网站前端；其中：
所述的数据采集终端用于采集化工场地区域的地下有机污染物浓度，并将实时更新的污染物浓度监测数据通过GPRS网络传输给云端服务器；
所述的云端服务器基于一种结合替代模型的迭代集合平滑器算法，对所述的监测数据进行同化，得到污染源参数，即描述污染源的位置坐标(xs，ys)[L]、污染源强度Ss[MT-1]、污染源开始时间ton[T]、污染源结束释放时间toff[T]共5个参数，最终将得到的污染源参数通过GPRS网络传输给网站前端；
qsCs＝Ssδ(X-Xs)[H(t-ton)-H(t-toff)]
其中：qs是污染源在单位体积含水层中的体积流速[L3T-1]，Cs是污染源的浓度[ML-3]，qsCs[MT-1]代表污染源强度Ss，xs＝(xs，ys)，δ(·)和H(·)分别是狄拉克函数和单位阶跃函数，x＝(xi，xj)为污染物的位置坐标，t为污染物的运移时间；
所述的网站前端用于展示实时的污染源运移情况，即位于(xs，ys)的污染源，以恒定的强度Ss，从ton时刻开始释放污染物，在toff时刻结束时放。
所述的数据采集终端包括布置于每口监测井上的水质检测仪以及单片机和GPRS模块；其中，所述的单片机收集水质检测仪所采集的污染物浓度监测数据，进而通过GPRS模块将这些监测数据传输给云端服务器。
云端服务器基于一种结合替代模型的迭代集合平滑器算法，对所述的监测数据进行同化，得到污染源参数，具体包括：
生成先验数据集[X，Y]，污染源5个参数来描述m＝[xs，ys，Ss，ton，toff]，污染源参数样本集合
Nini代表数据集的样本数量，污染源监测数据C＝[Ct-1，Ct]，污染源监测样本集合
Ct-1、Ct分别表示污染物运移时间t-1、t时刻监测到的污染物浓度；
基于先验数据集[X，Y]，利用多项式混沌展开(PCE)构建替代模型，采用正交多项式表示原始模型的参数与状态等随机变量，原始地下水运移模型表达为：
其中：NPC是PCE正交多项式的数量，ci与
分别代表多项式的系数和PCE多项式；
将替代模型带入迭代集合平滑器算法的迭代框架代替原本的地下水模型，构建Ne组符合先验分布的污染源参数m，利用以下公式同化监测数据，得到污染源参数的第l+1次更新值：
其中：dobs，j是经过噪声扰动的第j组监测数据，CD代表监测误差协方差矩阵；
代表模型g(·)在参数ml处的线性化，由模型参数的变化与模型输出相应变化的比值计算而来
βl代表更新步长，0＜βl≤1；Δmpr代表先验参数样本mpr与参数均值的偏差，
代表模型参数的协方差，通过有限数量的样本集合计算：
借助迭代集合平滑器算法，将反演得到的后验样本
作为新训练集的一部分，从而在调整后的训练集基础上提高PCE模型在后验参数空间的精度，由此保证迭代集合平滑器算法在当前迭代步更新的参数，可利用修正后的替代模型，得到近似程度更高的污染物浓度输出；
训练集调整的具体步骤如下：从
中随机选择Nadd个后验样本，带入原始模型得到输出样本Yadd，基于与监测数据的欧氏距离排序，从[Yadd，Y]中筛选新训练集Y′，同时删减掉相同数量的与监测数据距离较远的旧训练样本，保持训练集样本总数Nini不变，由此在更新后的训练集基础上，训练替代精度更高的替代模型；
ej＝|Yj-dobs，j|，j＝1，2，...，Nini
其中，欧式距离e表示两个输入点之间的欧几里得距离；ej代表训练集中第j个输出样本Yj与实际监测的欧几里得距离；二者的欧式距离越小，输出样本与监测数据更加相似。
所述的云端服务器将污染物浓度监测数据存储于MySQL数据库中，自动调取当前的监测数据进行解算，之后将解算得到的污染源参数保存至MySQL数据库中，对于任意实时更新的监测数据和解算得到的污染源参数，所述的云端服务器通过对流-弥散方程计算预测该批次监测数据下地下水流中的污染物运移情况：
其中：C是污染物的浓度[ML-3]，t是污染物的运移时间[T]，Dij是水动力弥散系数[L2T-1]，qs是污染源在单位体积含水层中的体积流速[L3T-1]，Cs是污染源的浓度[ML-3]；Dij的定义为：
其中：vx和vy是孔隙水流速在相应坐标方向上的分量，|v|是其大小，αL，和αT分别是纵向和横向弥散度；在特定边界条件和初始条件下，水头和孔隙水流速通过求解水流运行控制方程与达西定律得到。
所述的云端服务器将解算出的污染物运移情况，通过网站页面的形式显示当前的污染物浓度监测数据和实时更新的污染源运移情况。
优选地，当云端服务器解算出前后两次的污染物强度数值相差较大时，通过网站页面执行不确定性量化计算指令，通过现有数据对更新后的污染源运移情况准确性进行衡量，以能够及时捕捉到监测数据误差过大带来的计算结果的不准确，对场地的数据采集终端进行检修。
在一优选例中，所述的监测井以九宫格样式在区域中央布置，在区域左边界布置一口生产井。
本发明与现有技术相比，主要优点包括：
1、本发明的场地有机污染物迁移过程的特征参数识别系统，能够将地下水污染物运移过程中的监测数据通过GPRS网络传输到云服务器，在云服务器中完成污染源参数的反演计算，并将数据呈现到网站前端进行可视化。由此，本发明能够在对地下水污染进行风险评估和修复时，准确地识别出污染源参数。有效提升地下水污染源解析与管理水平，为地下水污染防治决策提供有效支持，减少所需的人力物力。
2、利用多项式混沌展开构建替代模型，去近似原本的污染物运移模型，使污染源参数的反演计算更为快捷。同时在参数反演过程中自适应地更新替代模型，提高初始替代模型的替代精度。
附图说明
图1为实施例化工场地的二维水平切面示意图；
图2为实施例场地有机污染物迁移过程的特征参数识别系统的逻辑架构图；
图3为实施例场地有机污染物迁移过程的特征参数识别系统的污染物源识别流程图。
具体实施方式
下面结合附图及具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。下列实施例中未注明具体条件的操作方法，通常按照常规条件，或按照制造厂商所建议的条件。
如图1所示，化工场地的二维水平切面图包括生产井和监测井，9口监测井以九宫格样式在区域中央布置，监测井每隔20m布置一口，在距离监测井群中心约50m处布置一口生产井产生污染物泄露。监测井上装有水质检测仪，用于定时监测固定井深处的污染物浓度数据。
如图2所示，本实施例污染物源识别技术实现的系统从上至下依次包括：云端服务器1，其为具有公网IP的高性能计算机集群，可提供数据云存储、web访问等服务。数据无线传输模块2基于Socket TCP/IP协议与云服务器1通信。单片机3安装在图1所示的监测井，用于接收水质检测仪4测得的污染物浓度数据。浓度数据通过上述的无线传输模块2发送到云端数据库1。
上述云服务器1配置MySQL数据库、Matlab开发环境等等。MySQL数据库用于数据云存储，Matlab用于计算程序的编写。
上述数据无线传输模块2采用GPRS模块，基于Socket TCP/IP协议，利用中国移动GPRS网络与云服务器1通信，以获取实时变化的监测数据。
上述单片机3采用MCS-51系列单片机，内置A/D转换器用于单片机与传感器之间的数据转换，通过TTL接口与上述GPRS模块2连接。
云端服务器将污染物浓度监测数据存储于MySQL数据库中，自动调取当前的监测数据进行解算，之后将解算得到的污染源参数保存至MySQL数据库中，对于任意实时更新的监测数据和解算得到的污染源参数，所述的云端服务器通过对流-弥散方程计算预测该批次监测数据下地下水流中的污染物运移情况：
其中：C是污染物的浓度[ML-3]，t是污染物的运移时间[T]，Dij是水动力弥散系数[L2T-1]，qs是污染源在单位体积含水层中的体积流速[L3T-1]，Cs是污染源的浓度[ML-3]；Dij的定义为：
其中：vx和vy是孔隙水流速在相应坐标方向上的分量，|v|是其大小，αL和αT分别是纵向和横向弥散度；在特定边界条件和初始条件下，水头和孔隙水流速通过求解水流运行控制方程与达西定律得到。
如图3所示，本实施例污染物源识别实现的流程包括以下步骤：
生成先验数据集[X，Y]，污染源5个参数来描述m＝[xs，ys，Ss，ton，toff]，污染源参数样本集合
Nini代表数据集的样本数量，污染源监测数据C＝[Ct-1，Ct]，污染源监测样本集合
Ct-1、Ct分别表示污染物运移时间t-1、t时刻监测到的污染物浓度；
基于先验数据集[X，Y]，利用多项式混沌展开(PCE)构建替代模型，采用正交多项式表示原始模型的参数与状态等随机变量，原始地下水运移模型表达为：
其中：NPC是PCE正交多项式的数量，ci与
分别代表多项式的系数和PCE多项式；当参数m是一组独立随机变量且分布形式已知时，正交多项式的形式可根据输入参数的分布类型确定，只要继续求解相应的多项式基函数系数，即可完成原始模型的近似表达。
将替代模型带入迭代集合平滑器算法的迭代框架代替原本的地下水模型，构建Ne组符合先验分布的污染源参数m，利用以下公式同化监测数据，得到污染源参数的第l+1次更新值：
其中：dobs，j是经过噪声扰动的第j组监测数据，CD代表监测误差协方差矩阵；
代表模型g(·)在参数ml处的线性化，由模型参数的变化与模型输出相应变化的比值计算而来
βl代表更新步长，0＜βl≤1；Δmpr代表先验参数样本mpr与参数均值的偏差，
代表模型参数的协方差，通过有限数量的样本集合计算：
借助迭代集合平滑器算法，将反演得到的后验样本
作为新训练集的一部分，从而在调整后的训练集基础上提高PCE模型在后验参数空间的精度，由此保证迭代集合平滑器算法在当前迭代步更新的参数，可利用修正后的替代模型，得到近似程度更高的污染物浓度输出；
训练集调整的具体步骤如下：从
中随机选择Nadd个后验样本，带入原始模型得到输出样本Yadd，基于与监测数据的欧氏距离排序，从[Yadd，Y]中筛选新训练集Y′，同时删减掉相同数量的与监测数据距离较远的旧训练样本，保持训练集样本总数Nini不变，由此在更新后的训练集基础上，训练替代精度更高的替代模型；
ej＝|Yj-dobs，j|，j＝1，2，...，Nini
其中，欧式距离e表示两个输入点之间的欧几里得距离；ej代表训练集中第j个输出样本Yj与实际监测的欧几里得距离；二者的欧式距离越小，输出样本与监测数据更加相似。
该算法基于地下水污染物浓度的监测数据进行实时顺序数据同化，可实现监测数据的快速解译，得到污染源的位置坐标、排放强度、污染源开始时间与结束释放时间等参数的分布信息。
将获得的污染源参数分布输出至网站前端，为实时污染源防治决策提供参考数据。
此外，相关技术管理人员可对网站前端数据的置信度进行判断。当云端服务器解算出前后两次的污染物强度数值相差较大时，管理人员可通过网站页面执行不确定性量化计算指令，通过现有数据对更新后的污染源运移情况准确性进行衡量；这样能够及时捕捉到监测数据误差过大带来的计算结果的不准确，对场地的数据采集终端进行检修。
此外应理解，在阅读了本发明的上述描述内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
Claims (6)
1.一种场地有机污染物迁移过程的特征参数识别系统，其特征在于，应用于化工场地区域的地下污染源监测，利用场地原位收集的污染物浓度监测值估计污染源参数，将实时分析得到的污染源分布情况以可视化形式在网站前端展示；
所述的化工场地包括监测井和可能产生污染物泄露的生产井；
所述的场地有机污染物迁移过程的特征参数识别系统包括：数据采集终端、云端服务器和网站前端；其中：
所述的数据采集终端用于采集化工场地区域的地下有机污染物浓度，并将实时更新的污染物浓度监测数据通过GPRS网络传输给云端服务器；
所述的云端服务器基于一种结合替代模型的迭代集合平滑器算法，对所述的监测数据进行同化，得到污染源参数，即描述污染源的位置坐标(xs,ys)[L]、污染源强度Ss[MT-1]、污染源开始时间ton[T]、污染源结束释放时间toff[T]共5个参数，具体包括：
生成先验数据集[X,Y],污染源5个参数来描述m＝[xs,ys,Ss,ton,toff]，污染源参数样本集合
Nini代表数据集的样本数量，污染源监测数据C＝[Ct-1,Ct],污染源监测样本集合
Ct-1、Ct分别表示污染物运移时间t-1、t时刻监测到的污染物浓度；
基于先验数据集[X,Y]，利用多项式混沌展开构建替代模型，采用正交多项式表示原始模型的随机变量，原始地下水运移模型表达为：
其中：NPC是PCE正交多项式的数量，ci与
分别代表多项式的系数和PCE多项式；
将替代模型带入迭代集合平滑器算法的迭代框架代替原本的地下水模型，构建Ne组符合先验分布的污染源参数m，该参数集合中第j组污染源参数的第l次迭代结果为
利用以下公式同化监测数据，得到污染源参数的第l+1次更新值：
其中：下标j代表样本序号，上标l代表迭代更新的次序，
代表第j组污染源参数的第l+1次更新值，dobs,j是经过噪声扰动的第j组监测数据，CD代表监测误差协方差矩阵；
代表模型g(·)在参数ml处的线性化，由模型参数的变化与模型输出相应变化的比值计算而来，
代表矩阵
的转置；βl代表更新步长，0<βl≤1；mpr,j代表污染源参数的第j组先验样本；Δmpr代表先验参数样本mpr与参数均值的偏差，
代表模型参数的协方差，通过有限数量的样本集合计算：
借助迭代集合平滑器算法，将反演得到的后验样本
作为新训练集的一部分，从而在调整后的训练集基础上提高PCE模型在后验参数空间的精度，由此保证迭代集合平滑器算法在当前迭代步更新的参数，可利用修正后的替代模型，得到近似程度更高的污染物浓度输出；
训练集调整的具体步骤如下：从
中随机选择Nadd个后验样本，带入原始模型得到输出样本Yadd，基于与监测数据的欧氏距离排序，从[Yadd,Y]中筛选新训练集Y′，同时删减掉相同数量的与监测数据距离较远的旧训练样本，保持训练集样本总数Nini不变，由此在更新后的训练集基础上，训练替代精度更高的替代模型；
ej＝|Yj-dobs,j|,j＝1,2,...,Nini
其中，欧式距离e表示两个输入点之间的欧几里得距离；ej代表训练集中第j个输出样本Yj与实际监测的欧几里得距离；二者的欧式距离越小，输出样本与监测数据更加相似；
最终将得到的污染源参数通过GPRS网络传输给网站前端；
qsCs＝Ssδ(x-xs)[H(t-ton)-H(t-toff)]
其中：qs是污染源在单位体积含水层中的体积流速[L3T-1]，Cs是污染源的浓度[ML-3]，qsCs[MT-1]代表污染源强度Ss，xs＝(xs,ys)，δ(·)和H(·)分别是狄拉克函数和单位阶跃函数，x＝(xi,xj)为污染物的位置坐标，t为污染物的运移时间；
所述的网站前端用于展示实时的污染源运移情况，即位于(xs,ys)的污染源，以恒定的强度Ss，从ton时刻开始释放污染物，在toff时刻结束时放。
2.根据权利要求1所述的场地有机污染物迁移过程的特征参数识别系统，其特征在于，所述的数据采集终端包括布置于每口监测井上的水质检测仪以及单片机和GPRS模块；其中，所述的单片机收集水质检测仪所采集的污染物浓度监测数据，进而通过GPRS模块将这些监测数据传输给云端服务器。
3.根据权利要求1所述的场地有机污染物迁移过程的特征参数识别系统，其特征在于，所述的云端服务器将污染物浓度监测数据存储于MySQL数据库中，自动调取当前的监测数据进行解算，之后将解算得到的污染源参数保存至MySQL数据库中，对于任意实时更新的监测数据和解算得到的污染源参数，所述的云端服务器通过对流-弥散方程计算预测该批次监测数据下地下水流中的污染物运移情况：
其中：C是污染物的浓度[ML-3]，t是时间[T]，Dij是水动力弥散系数[L2T-1]，qs是污染源在单位体积含水层中的体积流速[L3T-1]，Cs是污染源的浓度[ML-3]，θ代表多孔介质的孔隙度[-]，vi代表基于达西公式计算的水流速度[TL-1]，xi与xj是二维平面相应坐标上的位置[L]；Dij的定义为：
其中：vx和vy是孔隙水流速在相应坐标方向上的分量，|v|是其大小，αL和αT分别是纵向和横向弥散度；在特定边界条件和初始条件下，水头和孔隙水流速通过求解水流运行控制方程与达西定律得到。
4.根据权利要求3所述的场地有机污染物迁移过程的特征参数识别系统，其特征在于，所述的云端服务器将解算出的污染物运移情况，通过网站页面的形式显示当前的污染物浓度监测数据和实时更新的污染源运移情况。
5.根据权利要求4所述的场地有机污染物迁移过程的特征参数识别系统，其特征在于，当云端服务器解算出前后两次的污染物强度数值相差较大时，通过网站页面执行不确定性量化计算指令，通过现有数据对更新后的污染源运移情况准确性进行衡量，以能够及时捕捉到监测数据误差过大带来的计算结果的不准确，对场地的数据采集终端进行检修。
6.根据权利要求1所述的场地有机污染物迁移过程的特征参数识别系统，其特征在于，所述的监测井以九宫格样式在区域中央布置，在区域左边界布置一口生产井。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110509905.1A CN113267607B (zh) | 2021-05-11 | 2021-05-11 | 一种场地有机污染物迁移过程的特征参数识别系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110509905.1A CN113267607B (zh) | 2021-05-11 | 2021-05-11 | 一种场地有机污染物迁移过程的特征参数识别系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113267607A CN113267607A (zh) | 2021-08-17 |
| CN113267607B true CN113267607B (zh) | 2022-04-08 |
Family
ID=77230326
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110509905.1A Active CN113267607B (zh) | 2021-05-11 | 2021-05-11 | 一种场地有机污染物迁移过程的特征参数识别系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113267607B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114280936B (zh) * | 2021-12-24 | 2023-10-20 | 南京工业大学 | 一种有机污染物治理的云边协同优化智能管控系统 |
| CN114943194B (zh) * | 2022-05-16 | 2023-04-28 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于地质统计学的河流污染溯源方法 |
| CN115081963B (zh) * | 2022-08-19 | 2022-11-22 | 江西省生态环境科学研究与规划院 | 一种地下水质风险分析方法及系统 |
| CN116312824B (zh) * | 2023-03-20 | 2023-08-22 | 北京市生态环境保护科学研究院 | 针对地下水污染物非菲克弥散的含水层异质性识别方法 |
| CN116227744B (zh) * | 2023-05-06 | 2023-08-01 | 雅安市汉源生态环境监测站 | 一种流域水环境中铊污染的预测方法及其系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103033540A (zh) * | 2013-01-15 | 2013-04-10 | 中国海洋大学 | 地下轻非水相液态污染物扩散的实时自动监测方法及系统 |
| CN103123662A (zh) * | 2011-11-21 | 2013-05-29 | 天津市环境监测中心 | 水环境中污染物迁移计算分析系统 |
| CN106228007A (zh) * | 2016-07-19 | 2016-12-14 | 武汉大学 | 突发事件污染源追溯方法 |
| CN109190280A (zh) * | 2018-09-18 | 2019-01-11 | 东北农业大学 | 一种基于核极限学习机替代模型的地下水污染源反演识别方法 |
| CN112730774A (zh) * | 2020-12-04 | 2021-04-30 | 南方科技大学台州研究院 | 一种地下水污染物自动溯源方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11631022B2 (en) * | 2018-03-29 | 2023-04-18 | Daybreak, Llc | Forecasting soil and groundwater contamination migration |
-
2021
- 2021-05-11 CN CN202110509905.1A patent/CN113267607B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103123662A (zh) * | 2011-11-21 | 2013-05-29 | 天津市环境监测中心 | 水环境中污染物迁移计算分析系统 |
| CN103033540A (zh) * | 2013-01-15 | 2013-04-10 | 中国海洋大学 | 地下轻非水相液态污染物扩散的实时自动监测方法及系统 |
| CN106228007A (zh) * | 2016-07-19 | 2016-12-14 | 武汉大学 | 突发事件污染源追溯方法 |
| CN109190280A (zh) * | 2018-09-18 | 2019-01-11 | 东北农业大学 | 一种基于核极限学习机替代模型的地下水污染源反演识别方法 |
| CN112730774A (zh) * | 2020-12-04 | 2021-04-30 | 南方科技大学台州研究院 | 一种地下水污染物自动溯源方法 |
Non-Patent Citations (3)
| Title |
|---|
| 地下水污染源解析的贝叶斯监测设计与参数反演方法;张江江;《万方数据库》;20170829;摘要第4段，第20、26、32、92-93页 * |
| 基于水平集的迭代集合平滑器算法研究及其在多岩相参数反演中的应用;刘聪;《万方数据库》;20210223;第21-22页 * |
| 张江江.地下水污染源解析的贝叶斯监测设计与参数反演方法.《万方数据库》.2017, * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113267607A (zh) | 2021-08-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113267607B (zh) | 一种场地有机污染物迁移过程的特征参数识别系统 | |
| Chen et al. | Effects of land use, topography and socio-economic factors on river water quality in a mountainous watershed with intensive agricultural production in East China | |
| Wheater | Progress in and prospects for fluvial flood modelling | |
| CN109002604B (zh) | 一种基于贝叶斯最大熵的土壤含水量预测方法 | |
| CN104103005B (zh) | 一种有限条件下突发性水环境事件污染源的溯源方法 | |
| CN110969345A (zh) | 一种基于土壤重金属污染途径分析的风险评估方法 | |
| Hollaway et al. | The challenges of modelling phosphorus in a headwater catchment: Applying a ‘limits of acceptability’uncertainty framework to a water quality model | |
| CN112381369B (zh) | 基于在线光谱识别的水体污染溯源和风险预测评估方法 | |
| Kausika et al. | GeoAI for detection of solar photovoltaic installations in the Netherlands | |
| CN115730852A (zh) | 一种化工企业土壤污染管控方法及系统 | |
| CN114184750A (zh) | 地下水污染物的监控方法、装置、设备及存储介质 | |
| Sahraei et al. | Application of machine learning models to predict maximum event water fractions in streamflow | |
| Bandara et al. | Towards soil property retrieval from space: Proof of concept using in situ observations | |
| Bolick et al. | Comparison of machine learning algorithms to predict dissolved oxygen in an urban stream | |
| CN116483807B (zh) | 一种土壤污染物环境与毒性数据库构建方法 | |
| CN116448988A (zh) | 一种工业园区土壤污染监测系统及方法 | |
| CN114324797B (zh) | 一种煤矿地下水库的矿井水水质安全评价方法 | |
| He et al. | Problems in air quality monitoring and assessment | |
| CN115936192A (zh) | 一种土壤环境污染物风险预测方法及系统 | |
| Zhao et al. | Groundwater pollution source identification problems with unknown aquifer parameters by ADGA approach | |
| Carraro et al. | eDITH: An R‐package to spatially project eDNA‐based biodiversity across river networks with minimal prior information | |
| Fang et al. | Prediction and evaluation of groundwater environmental impact based on numerical simulation model | |
| CN117314705B (zh) | 一种基于遥感影像的环境综合评估预测方法 | |
| Hazrati-Yadkoori et al. | Characterization of groundwater contaminant sources by utilizing MARS based surrogate model linked to optimization model | |
| CN116307383B (zh) | 一种基于生态平衡的土地精细化保育改良方法及系统 |
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 |