CN114707385A - 基于Krylov子空间的深部地层导热系数三维预测方法及装置 - Google Patents
基于Krylov子空间的深部地层导热系数三维预测方法及装置 Download PDFInfo
- Publication number
- CN114707385A CN114707385A CN202210380264.9A CN202210380264A CN114707385A CN 114707385 A CN114707385 A CN 114707385A CN 202210380264 A CN202210380264 A CN 202210380264A CN 114707385 A CN114707385 A CN 114707385A
- Authority
- CN
- China
- Prior art keywords
- matrix
- prediction model
- conductivity coefficient
- temperature
- prediction
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims abstract description 130
- 239000013598 vector Substances 0.000 claims abstract description 62
- 238000004088 simulation Methods 0.000 claims abstract description 45
- 238000012937 correction Methods 0.000 claims abstract description 35
- 238000011160 research Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 33
- 230000015572 biosynthetic process Effects 0.000 claims description 13
- 230000017105 transposition Effects 0.000 claims description 8
- 238000003491 array Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000011835 investigation Methods 0.000 claims description 6
- 229910052799 carbon Inorganic materials 0.000 claims description 4
- 238000013016 damping Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 238000005290 field theory Methods 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 11
- 239000011435 rock Substances 0.000 description 9
- 238000012546 transfer Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000020169 heat generation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005338 heat storage Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000011545 laboratory measurement Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/10—Geothermal energy
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明提供了一种基于Krylov子空间的深部地层导热系数三维预测方法及装置,包括以下步骤:在均匀半空间研究区域内构建导热系数异常体,设定该研究区域边界条件并开展有限元温度数值模拟,获取地下空间三维温度场dobs;构造初始预测模型和正则化目标函数,在预测过程中采用Jacobian‑freeKrylov子空间技术求解Jacobian矩阵与任意向量的乘积避免大型稠密的Jacobian矩阵的求解及存储;利用Gauss‑Newton算法及L‑BFGS算法分别构造Hessian矩阵并近似求解Hessian矩阵的逆矩阵,用于减少存储需求与计算量,并获取模型修正量Δm,基于Wolfe准则搜索模型步长更新模型参数,循环预测使得实测数据与模拟数据拟合差小于预设值,输出最优预测结果。本发明能够量化表征深部介质导热系数分布特征,预测精度高范围广,实用性强。
Description
技术领域
本发明涉及导热系数预测领域,尤其涉及一种基于Krylov子空间的深部地层导热系数三维预测方法及装置。
背景技术
地热资源作为一种稳定可持续的可再生清洁能源,目前正受到全社会前所未有的高度重视,开发利用地热资源对于助力“双碳”目标具有重要的现实意义及深远影响。深部岩石的热物性如导热系数、比热容以及放射性生热率等直接影响到地球内部各个圈层间岩石的热生成、热储存和热传递,是地表、地球内部温度分布及热传递研究不可缺少的参数。岩石热物性也是定量评价温度随时间变化的先决条件,因为它们直接影响地下传热过程或温度变化。此外,在地源热泵设计以及地热开发工程中,也需要利用热物性参数来定量评价地源热泵系统及换热工质等与围岩地质体之间的热交换。
导热系数作为岩石矿物固有的物理属性,是各种热物性参数中最重要的参数之一。不同地层中,暴露出不同岩石矿物学类型,岩石导热系数在横向和纵向上都会发生明显变化,从而改变局部和区域的热构造演化、热结构及地热地质特征。目前获取地下岩石导热系数的方法大致可以分为两大类:(1)通过实验室对钻屑或岩心样品测量来确定;(2)通过地球物理测井来刻画。但这些方法仅能刻画点尺度或者线尺度的岩石导热系数,无法预测区域性导热系数展布特征。然而目前对于深部地层导热系数的三维预测尚处于空白阶段,直接制约研究区地热资源热成因机制解译及高温地热靶区选址。
发明内容
针对深部地层导热系数三维预测领域的空缺状态,本发明提出了一种基于Krylov子空间的深部地层导热系数三维预测方法及装置。以地下空间温度场作为观测数据,地下热流值及各地层热物性参数等作为先验信息,开展有限元温度数值模拟并构造正则化目标函数,基于Gauss-Newton算法构造Hessian矩阵和梯度向量,利用Jacobian-free Krylov子空间技术求解Jacobian矩阵与任意向量的乘积避免大型稠密的Jacobian矩阵的求解及存储,L-BFGS算法近似求解Hessian矩阵的逆矩阵,用于减少计算量并获取模型修正量,Wolfe准则搜索模型步长更新模型参数,循环预测使得实测数据与模拟数据拟合差小于预设值,输出模型即为最优预测结果,实现深部介质导热系数的三维预测。
根据本发明的第一方面,本发明提供了一种基于Krylov子空间的深部地层导热系数三维预测方法,包括以下步骤:
在均匀半空间研究区域内构建导热系数异常体,对所述均匀半空间研究区域设定边界条件,结合导热系数分布和所述边界条件开展有限元温度数值模拟,获取地下空间温度场T(x,y,z)=dobs,x、y、z分别表示x、y、z轴方向;
根据所述地下空间温度场dobs,结合在均匀半空间研究区域先验信息下获取的地下空间温度场T(x,y,z)=d(m),构造初始预测模型和正则化目标函数,采用Gauss-Newton算法并忽略所述正则化目标函数的二阶信息项,构造Hessian矩阵及梯度向量;由Jacobian-free Krylov子空间技术求解Hessian矩阵中Jacobian矩阵及所述Jacobian矩阵的转置与任意向量的乘积;获取所述Hessian矩阵的逆矩阵并求解所述Hessian矩阵及梯度向量组成的线性方程组得到预测模型修正量Δm;
根据所述预测模型修正量Δm,利用Wolfe准则获得预测模型搜索步长以更新预测模型参数;
将更新的预测模型参数代入有限元温度数值模拟得到当前预测模型参数下的模拟数据,并计算与实测数据之间的数据拟合差,若小于预设拟合差条件,则输出当前预测模型参数作为最优预测结果;否则,返回更新d(m)并求解新的预测模型修正量Δm。
优选地,所述边界条件包括:
上边界温度为恒定温度Tup,满足:
T=Tup
四周边界为绝热边界,满足绝热边界条件:
下边界为热流值qdown,满足热流值条件:
其中,T为温度,单位℃,n为边界法线方向,无量纲,k为导热系数,单位W/m·K,qdown为热流值,单位W/m2。
优选地,所述有限元温度数值模拟,采用六面体结构离散方式,六面体单元内温度T、导热系数k均采用线性插值:
其中,i为节点标号,Ti和ki分别为单元内各节点的温度和导热系数,单位分别为℃和W/m·K;Ni为形函数,满足:
其中,ξi、ηi、ζi为节点i在母单元上的坐标,无量纲;母单元中ξ、η、ζ与子单元中坐标x、y、z关系公式:
其中,x0、y0、z0分别为子单元在x、y、z轴方向上的中点;a、b、c分别为子单元在x、y、z方向上的边长,单位为m。
优选地,所述结合导热系数分布和所述边界条件开展有限元温度数值模拟,获取地下空间温度场的步骤,包括:
给定地下空间温度场的微分方程为:
对所述地下空间温度场的微分方程乘以冲激函数δT并积分:
根据场论中哈密顿算子运算规则及奥高公式,并代入边界条件,得到地下空间温度场的积分方程为:
对所述地下空间温度场的积分方程进行离散剖分、线性插值,求解得到积分方程内各项的单元积分:
其中,δTe为在单元内的冲激函数数组,Te为在单元内的温度数组,K1e、K2e为在单元内的刚度矩阵,P1e、P2e为在单元内的源向量,求解得到刚度矩阵和源向量内系数:
其中,k1ij、k2ij、p1ij、p2ij分别为刚度矩阵K1e、K2e、源向量P1e、P2e内的元素,i、j、l为节点标号,a、b、c分别为子单元在x、y、z方向上的边长,单位为m,k表示导热系数,单位W/m·K,ξi、ηi、ζi为节点i在母单元上的坐标,无量纲,Tup为上边界温度,单位℃,qdown为热流值,单位W/m2;
根据每个单元各个节点的编号并扩展至与研究区域相对应的元素位置处,即得合成后的总体刚度矩阵和源向量的线性方程组:
∑Ω[δTT(K1+K2)T-δTT(P1+P2)]=0
其中,δT为研究区域冲激函数数组,T为研究区域内的温度数组,K1、K2为研究区域内的刚度矩阵,P1、P2为研究区域内的源向量,略去δTT,化简后有:
KT=P
其中,K=K1+K2,P=P1+P2;
经过求解该线性方程组KT=P,实现有限元数值模拟后,得到地下空间温度场T(x,y,z)=dobs,x、y、z分别表示x、y、z轴方向。
优选地,所述正则化目标函数Φ的表达式为:
Φ=||D[d(m)-dobs]||2+λ||W(m-mapr)||2
其中,D为数据加权矩阵;dobs为观测数据,即地下空间温度场T(x,y,z);m为当前预测模型参数向量;d(m)为在当前预测模型参数下的模拟数据;W为光滑约束矩阵;λ为阻尼因子;mapr为预测模型先验信息;
基于有限元中总体刚度矩阵和源向量的线性方程组KT=P,由于刚度矩阵K中含有导热系数k,而源向量P与导热系数k无关,因此对该线性方程组中导热系数k求导得到:
其中,i=1,2,…,N,N为数据参数个数,j=1,2,…,M,M为模型参数个数,di为研究区域内第i个节点的数据参数,mj表示研究区域内第j个节点的模型参数,Ti表示研究区域内第i个节点的温度,kj表示研究区域内第j个节点的导热系数,则Jacobian矩阵写为:
对于由无量纲元素组成的任意向量v=(v1,v2,…,vM)T,并基于有限元刚度矩阵所得的转换公式有:
其中,e1,e2,…,eM均为单位向量,K(v)为导热系数取v时的刚度矩阵;因此,Jacobian矩阵J与任意向量v的乘积为:
同理,计算得到Jacobian矩阵的转置与由无量纲元素组成的任意向量y=(y1,y2,…,yN)T的乘积。
根据Gauss-Newton算法,忽略二阶信息项,得到如下线性方程组求解模型修正量Δm:
HΔm=-g
其中,H为Hessian矩阵,H=(JTDTDJ+λWTW);g为梯度向量,g=[JTDTD(d-dobs)+λWTW(m-mapr)]。
优选地,所述获取所述Hessian矩阵的逆矩阵的步骤,包括:
采用L-BFGS算法近似求得所述Hessian矩阵的逆矩阵。
优选地,所述采用L-BFGS算法近似求得所述Hessian矩阵的逆矩阵时,只利用最近n次迭代的信息:
其中,sk=mk+1-mk,yk=gk+1-gk, I为单位矩阵,k-n,k-n+1,…,k+1为迭代次数,为Hessian矩阵H在第k+1次的近似逆矩阵,mk、mk+1分别为第k次和第k+1次迭代时的模型参数,gk、gk+1分别为第k次和第k+1次迭代时的梯度向量。
优选地,所述根据所述预测模型修正量,利用Wolfe准则获得预测模型搜索步长以更新预测模型参数,需满足如下不等式:
其中,α为搜索步长,无量纲,c为无量纲的数;在求取搜索步长过程中,令α初值为1,若不满足该不等式,则令
α=ρα
其中,ρ为大于0且小于1的小数,循环直至满足Wolfe准则;因此,模型参数的更新公式为:
mk+1=mk+αΔmk
其中,mk、mk+1分别为第k次和第k+1次迭代时的模型参数,Δmk为第k次迭代所得的模型修正量。
优选地,所述数据拟合差的计算公式如下式:
其中,RMS为均方根,用来衡量实测值与预测值之间的偏差,值越小表明预测结果越可靠;d(m)i、dobs i分别为第i个预测值和实测值,n为观测数据个数,无量纲。
若数据拟合差小于预设值,则停止迭代并输出当前预测模型参数作为最优预测结果;否则,返回更新d(m)并求解新的预测模型修正量。
根据本发明的另一方面,本发明提供了一种基于Krylov子空间的深部地层导热系数三维预测装置,包括以下模块:
有限元温度数值模拟模块,用于在均匀半空间研究区域内构建导热系数异常体,对所述均匀半空间研究区域设定边界条件,结合导热系数分布和所述边界条件开展有限元温度数值模拟,获取地下空间温度场T(x,y,z)=dobs,x、y、z分别表示x、y、z轴方向;
模型修正量计算模块,用于根据所述地下空间温度场dobs,结合在均匀半空间研究区域先验信息下获取的地下空间温度场T(x,y,z)=d(m),构造初始预测模型和正则化目标函数,采用Gauss-Newton算法并忽略所述正则化目标函数的二阶信息项,构造Hessian矩阵及梯度向量;由Jacobian-free Krylov子空间技术求解Hessian矩阵中Jacobian矩阵及所述Jacobian矩阵的转置与任意向量的乘积;获取所述Hessian矩阵的逆矩阵并求解所述Hessian矩阵及梯度向量组成的线性方程组得到预测模型修正量Δm;
模型参数更新模块,用于根据所述预测模型修正量Δm,利用Wolfe准则获得预测模型搜索步长以更新预测模型参数;
导热系数预测模块,用于将更新的预测模型参数代入有限元温度数值模拟得到当前预测模型参数下的模拟数据,并计算与实测数据之间的数据拟合差,若小于预设拟合差条件,则输出当前预测模型参数作为最优预测结果;否则,返回更新d(m)并求解新的预测模型修正量Δm。
本发明提供的技术方案具有以下有益效果:
本发明提出了基于Krylov子空间的深部地层导热系数三维预测方法及装置,采用Jacobian-free Krylov子空间技术减少在预测过程中所需的计算内存及计算量,实现深部介质三维导热系数准确快速预测,实用性强、应用范围广,结果准确率达到了85.4%。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1为本发明的一种基于Krylov子空间的深部地层导热系数三维预测方法的流程图;
图2为本发明的真实导热系数模型分布图,其中图2(a)为XZ方向截面(y=2.5km)导热系数分布图,图2(b)为YZ方向截面(x=10km)导热系数分布图;
图3为本发明的研究区域地下空间(y=2.5km)温度场特征图;
图4为本发明的在先验信息下(y=2.5km)的温度场特征图;
图5为本发明的在最优预测结果下(y=2.5km)的温度场特征图;
图6为本发明的研究区域地下最优导热系数分布图,其中图6(a)为XZ方向截面(y=2.5km)导热系数分布图,图6(b)为YZ方向截面(x=10km)导热系数分布图;
图7为本发明的数据拟合差随迭代次数变化曲线图;
图8为本发明的一种基于Krylov子空间的深部地层导热系数三维预测装置的结构图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
参考图1,图1为本发明的一种基于Krylov子空间的深部地层导热系数三维预测方法的流程图;该方法包括以下步骤:
S1:在均匀半空间研究区域内构建导热系数异常体,对该均匀半空间研究区域设定边界条件,上边界为恒定温度Tup,四周边界为绝热边界,下边界为热流值qdown;结合导热系数分布及边界条件开展有限元温度数值模拟,获取地下空间x,y,z方向温度场T(x,y,z)=dobs(参考图3);
在本实施例中,步骤S1的具体为:在均匀半空间研究区域内构建导热系数异常体(参考图2),上边界温度为恒定值Tup=15.0℃:
T=Tup
其中,T为温度,℃。
四周绝热边界条件:
其中,n为边界法线方向,无量纲。
下边界热流值条件:
其中,k为导热系数数据,W/m·K;qdown为热流值,W/m2。
在上述边界条件下开展有限元温度数值模拟,获取地下空间x,y,z方向温度场T(x,y,z)=dobs;
作为可选地实施方式,有限元温度数值模拟,采用六面体结构离散方式,六面体单元内温度T、导热系数k均采用线性插值:
其中,i为节点标号,Ti和ki分别为单元内各节点的温度和导热系数,单位分别为℃和W/m·K;Ni为形函数,满足:
其中,ξi、ηi、ζi为节点i在母单元上的坐标,无量纲;母单元中ξ、η、ζ与子单元中坐标x、y、z关系公式:
其中,x0、y0、z0分别为子单元在x、y、z轴方向上的中点;a、b、c分别为子单元在x、y、z方向上的边长,单位为m。
给定地下空间温度场的微分方程为:
对所述地下空间温度场的微分方程乘以冲激函数δT并积分:
根据场论中哈密顿算子运算规则及奥高公式,并代入边界条件,得到地下空间温度场的积分方程为:
对所述地下空间温度场的积分方程进行离散剖分、线性插值,求解得到积分方程内各项的单元积分:
其中,δTe为在单元内的冲激函数数组,Te为在单元内的温度数组,K1e、K2e为在单元内的刚度矩阵,P1e、P2e为在单元内的源向量,求解得到刚度矩阵和源向量内系数:
其中,k1ij、k2ij、p1ij、p2ij分别为刚度矩阵K1e、K2e、源向量P1e、P2e内的元素,i、j、l为节点标号,a、b、c分别为子单元在x、y、z方向上的边长,单位为m,k表示导热系数,单位W/m·K,ξi、ηi、ζi为节点i在母单元上的坐标,无量纲,Tup为上边界温度,单位℃,qdown为热流值,单位W/m2;
根据每个单元各个节点的编号并扩展至与研究区域相对应的元素位置处,即得合成后的总体刚度矩阵和源向量的线性方程组:
∑Ω[δTT(K1+K2)T-δTT(P1+P2)]=0
其中,δT为研究区域冲激函数数组,T为研究区域内的温度数组,K1、K2为研究区域内的刚度矩阵,P1、P2为研究区域内的源向量,略去δTT,化简后有:
KT=P
其中,K=K1+K2,P=P1+P2。
经过求解该线性方程组,实现有限元数值模拟后,得到地下空间温度场T(x,y,z)=dobs,x、y、z分别表示x、y、z轴方向。
S2:对步骤S1获取的地下空间温度场dobs,结合在均匀半空间研究区域先验信息下获取的地下空间温度场T(x,y,z)=d(m),构造初始预测模型和正则化目标函数,采用Gauss-Newton算法并忽略正则化目标函数二阶信息项,构造Hessian矩阵及梯度向量;由Jacobian-free Krylov子空间技术求解Hessian矩阵中Jacobian矩阵及其转置与任意向量的乘积,避免对于大型稠密的Jacobian矩阵的直接求解及存储;获取Hessian矩阵的逆矩阵并求解Hessian矩阵及梯度向量组成的线性方程组得到模型修正量Δm;
在本实施例中,步骤S2的具体为:设定研究区域的先验信息为均匀半空间(mref=3.0W/m·K),代入边界条件进行有限元温度数值模拟,得到先验信息下研究区域的地下空间温度场d(m)(参考图4);
正则化预测中,其正则化目标函数的表达式为:
Φ=||D[d(m)-dobs]||2+λ||W(m-mapr)||2
其中,D为数据加权矩阵;dobs为观测数据,即地下空间温度场T(x,y,z);m为当前预测模型参数向量;d(m)为在当前预测模型参数下的模拟数据;W为光滑约束矩阵;λ为阻尼因子;mapr为预测模型先验信息;
基于有限元中总体刚度矩阵和源向量的线性方程组KT=P,由于刚度矩阵K中含有导热系数k,而源向量P与导热系数k无关,因此对该线性方程组中导热系数k求导得到:
其中,i=1,2,…,N,N为数据参数个数,j=1,2,…,M,M为模型参数个数,di为研究区域内第i个节点的数据参数,mj表示研究区域内第j个节点的模型参数,Ti表示研究区域内第i个节点的温度,kj表示研究区域内第j个节点的导热系数,
则Jacobian矩阵可写为:
对于由无量纲元素组成的任意向量v=(v1,v2,…,vM)T,并基于有限元刚度矩阵所得的转换公式有:
其中,e1,e2,…,eM均为单位向量,K(v)为导热系数取v时的刚度矩阵;因此,Jacobian矩阵J与任意向量v的乘积为:
同理,计算出Jacobian矩阵的转置与由无量纲元素组成的任意向量y=(y1,y2,…,yN)T的乘积。
根据Gauss-Newton算法,忽略二阶信息项,得到如下线性方程组求解模型修正量Δm:
HΔm=-g
其中,H为Hessian矩阵,H=(JTDTDJ+λWTW);g为梯度向量,g=[JTDTD(d-dobs)+λWTW(m-mapr)]。
作为可选的实施方式,对步骤S2中的Hessian矩阵,利用L-BFGS算法近似求得Hessian矩阵的逆矩阵,减少存储需求及计算量。
具体包括:近似Hessian矩阵逆的更新时只利用最近n次迭代的信息:
其中,sk=mk+1-mk,yk=gk+1-gk, I为单位矩阵,k-n,k-n+1,…,k+1为迭代次数,为Hessian矩阵H在第k+1次的近似逆矩阵,mk、mk+1分别为第k次和第k+1次迭代时的模型参数,gk、gk+1分别为第k次和第k+1次迭代时的梯度向量。
S3:对步骤S2所求得的模型修正量Δm,利用Wolfe准则获得模型搜索步长以更新模型参数。
在本实施例中,步骤S3的具体为:Wolfe准则即需满足如下不等式:
其中,α为搜索步长,无量纲;c通常为一较小的数,如10-4,无量纲;在求取搜索步长过程中,令α初值为1,若不满足该不等式,则令
α=ρα
其中,ρ为0.5,可根据实际情况调整在0-1之间调整,循环直至满足Wolfe准则;因此,模型参数的更新公式为:
m(k+1)=m(k)+αΔm(k)
S4:对步骤S3更新的模型参数代入正演模型得出当前模型参数下的模拟数据,计算与实测数据之间的数据拟合差,若数据拟合差小于预设值,则停止迭代并输出当前预测模型参数作为最优预测结果,并计算当前模型参数下的模拟数据作为最优温场(参考图5),否则,返回更新d(m)并求解新的预测模型修正量。
在本实施例中,步骤S5中:数据拟合差计算公式如下式:
其中,RMS为均方根,用来衡量实测值与预测值之间的偏差,值越小表明预测结果越可靠;n为观测数据个数,无量纲。
设置拟合差预设值为0.02,若数据拟合差小于预设值,则停止迭代并输出当前模型参数作为最优预测结果(参考图6);否则进入下一次循环直至数据拟合差小于预设值。参考图7,图7为本发明的数据拟合差随迭代次数变化曲线图;在本实施例中,计算每次迭代中实测数据和模拟数据间的拟合差。实验结果表明,模拟数据与实测数据间的拟合差由0.892收敛至0.018,拟合度较好。
参考图2,图2为本发明的真实导热系数模型分布图;在本实施例中,定义模型评价标准异常体积重叠率(AVOR),以评估预测结果的准确率:
其中,Vo为预测异常体与实际异常体相交部分的体积,m3;Vp为预测异常体的体积,m3;Vt为实际异常体体积,m3。实验结果表明,小异常体导热系数范围0.88~1.50W/m·K,小异常体积重叠率达到83.3%;大异常体导热系数范围4.50~5.54W/m·K,大异常体积重叠率达到85.4%。由此表明,导热系数预测结果与真实结果拟合程度高。
参考图8,图8为本发明的一种基于Krylov子空间的深部地层导热系数三维预测装置的结构图,该装置包括以下模块:
有限元温度数值模拟模块1,用于在均匀半空间研究区域内构建导热系数异常体,对所述均匀半空间研究区域设定边界条件,结合导热系数分布和所述边界条件开展有限元温度数值模拟,获取地下空间温度场T(x,y,z)=dobs,x、y、z分别表示x、y、z轴方向;
模型修正量计算模块2,用于根据所述地下空间温度场dobs,结合在均匀半空间研究区域先验信息下获取的地下空间温度场T(x,y,z)=d(m),构造初始预测模型和正则化目标函数,采用Gauss-Newton算法并忽略所述正则化目标函数的二阶信息项,构造Hessian矩阵及梯度向量;由Jacobian-free Krylov子空间技术求解Hessian矩阵中Jacobian矩阵及所述Jacobian矩阵的转置与任意向量的乘积;获取所述Hessian矩阵的逆矩阵并求解所述Hessian矩阵及梯度向量组成的线性方程组得到预测模型修正量Δm;
模型参数更新模块3,用于根据所述预测模型修正量Δm,利用Wolfe准则获得预测模型搜索步长以更新预测模型参数;
导热系数预测模块4,用于将更新的预测模型参数代入有限元温度数值模拟得到当前预测模型参数下的模拟数据,并计算与实测数据之间的数据拟合差,若小于预设拟合差条件,则输出当前预测模型参数作为最优预测结果;否则,返回更新d(m)并求解新的预测模型修正量Δm。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序,可将这些词语解释为标识。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于Krylov子空间的深部地层导热系数三维预测方法,其特征在于,包括以下步骤:
在均匀半空间研究区域内构建导热系数异常体,对所述均匀半空间研究区域设定边界条件,结合导热系数分布和所述边界条件开展有限元温度数值模拟,获取地下空间温度场T(x,y,z)=dobs,x、y、z分别表示x、y、z轴方向;
根据所述地下空间温度场dobs,结合在均匀半空间研究区域先验信息下获取的地下空间温度场T(x,y,z)=d(m),构造初始预测模型和正则化目标函数,采用Gauss-Newton算法并忽略所述正则化目标函数的二阶信息项,构造Hessian矩阵及梯度向量;由Jacobian-free Krylov子空间技术求解Hessian矩阵中Jacobian矩阵及所述Jacobian矩阵的转置与任意向量的乘积;获取所述Hessian矩阵的逆矩阵并求解所述Hessian矩阵及梯度向量组成的线性方程组得到预测模型修正量Δm;
根据所述预测模型修正量Δm,利用Wolfe准则获得预测模型搜索步长以更新预测模型参数;
将更新的预测模型参数代入有限元温度数值模拟得到当前预测模型参数下的模拟数据,并计算与实测数据之间的数据拟合差,若小于预设拟合差条件,则输出当前预测模型参数作为最优预测结果;否则,返回更新d(m)并求解新的预测模型修正量Δm。
4.如权利要求1所述的基于Krylov子空间的深部地层导热系数三维预测方法,其特征在于,所述结合导热系数分布和所述边界条件开展有限元温度数值模拟,获取地下空间温度场的步骤,包括:
给定地下空间温度场的微分方程为:
对所述地下空间温度场的微分方程乘以冲激函数δT并积分:
根据场论中哈密顿算子运算规则及奥高公式,并代入边界条件,得到地下空间温度场的积分方程为:
对所述地下空间温度场的积分方程进行离散剖分、线性插值,求解得到积分方程内各项的单元积分:
其中,δTe为在单元内的冲激函数数组,Te为在单元内的温度数组,K1e、K2e为在单元内的刚度矩阵,P1e、P2e为在单元内的源向量,求解得到刚度矩阵和源向量内系数:
其中,k1ij、k2ij、p1ij、p2ij分别为刚度矩阵K1e、K2e、源向量P1e、P2e内的元素,i、j、l为节点标号,a、b、c分别为子单元在x、y、z方向上的边长,单位为m,k表示导热系数,单位W/m·K,ξi、ηi、ζi为节点i在母单元上的坐标,无量纲,Tup为上边界温度,单位℃,qdown为热流值,单位W/m2;
根据每个单元各个节点的编号并扩展至与研究区域相对应的元素位置处,即得合成后的总体刚度矩阵和源向量的线性方程组:
∑Ω[δTT(K1+K2)T-δTT(P1+P 2)]=0
其中,δT为研究区域冲激函数数组,T为研究区域内的温度数组,K1、K2为研究区域内的刚度矩阵,P1、P2为研究区域内的源向量,略去δTT,化简后有:
KT=P
其中,K=K1+K2,P=P1+P2;
经过求解该线性方程组KT=P,实现有限元数值模拟后,得到地下空间温度场T(x,y,z)=dobs,x、y、z分别表示x、y、z轴方向。
5.如权利要求4所述的基于Krylov子空间的深部地层导热系数三维预测方法,其特征在于,所述正则化目标函数Φ的表达式为:
Φ=||D[d(m)-dobs]||2+λ||W(m-mapr)||2
其中,D为数据加权矩阵;dobs为观测数据,即地下空间温度场T(x,y,z);m为当前预测模型参数向量;d(m)为在当前预测模型参数下的模拟数据;W为光滑约束矩阵;λ为阻尼因子;mapr为预测模型先验信息;
基于有限元中总体刚度矩阵和源向量的线性方程组KT=P,由于刚度矩阵K中含有导热系数k,而源向量P与导热系数k无关,因此对该线性方程组中导热系数k求导得到:
其中,i=1,2,…,N,N为数据参数个数,j=1,2,…,M,M为模型参数个数,di为研究区域内第i个节点的数据参数,mj表示研究区域内第j个节点的模型参数,Ti表示研究区域内第i个节点的温度,kj表示研究区域内第j个节点的导热系数,则Jacobian矩阵写为:
对于由无量纲元素组成的任意向量v=(v1,v2,…,vM)T,并基于有限元刚度矩阵所得的转换公式有:
其中,e1,e2,…,eM均为单位向量,K(v)为导热系数取v时的刚度矩阵;因此,Jacobian矩阵J与任意向量v的乘积为:
同理,计算得到Jacobian矩阵的转置与由无量纲元素组成的任意向量y=(y1,y2,…,yN)T的乘积;
根据Gauss-Newton算法,忽略二阶信息项,得到如下线性方程组求解模型修正量Δm:
HΔm=-g
其中,H为Hessian矩阵,H=(JTDTDJ+λWTW);g为梯度向量,g=[JTDTD(d-dobs)+λWTW(m-mapr)]。
6.如权利要求1所述的基于Krylov子空间的深部地层导热系数三维预测方法,其特征在于,所述获取所述Hessian矩阵的逆矩阵的步骤,包括:
采用L-BFGS算法近似求得所述Hessian矩阵的逆矩阵。
10.一种基于Krylov子空间的深部地层导热系数三维预测装置,其特征在于,包括以下模块:
有限元温度数值模拟模块,用于在均匀半空间研究区域内构建导热系数异常体,对所述均匀半空间研究区域设定边界条件,结合导热系数分布和所述边界条件开展有限元温度数值模拟,获取地下空间温度场T(x,y,z)=dobs,x、y、z分别表示x、y、z轴方向;
模型修正量计算模块,用于根据所述地下空间温度场dobs,结合在均匀半空间研究区域先验信息下获取的地下空间温度场T(x,y,z)=d(m),构造初始预测模型和正则化目标函数,采用Gauss-Newton算法并忽略所述正则化目标函数的二阶信息项,构造Hessian矩阵及梯度向量;由Jacobian-free Krylov子空间技术求解Hessian矩阵中Jacobian矩阵及所述Jacobian矩阵的转置与任意向量的乘积;获取所述Hessian矩阵的逆矩阵并求解所述Hessian矩阵及梯度向量组成的线性方程组得到预测模型修正量Δm;
模型参数更新模块,用于根据所述预测模型修正量Δm,利用Wolfe准则获得预测模型搜索步长以更新预测模型参数;
导热系数预测模块,用于将更新的预测模型参数代入有限元温度数值模拟得到当前预测模型参数下的模拟数据,并计算与实测数据之间的数据拟合差,若小于预设拟合差条件,则输出当前预测模型参数作为最优预测结果;否则,返回更新d(m)并求解新的预测模型修正量Δm。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210380264.9A CN114707385A (zh) | 2022-04-12 | 2022-04-12 | 基于Krylov子空间的深部地层导热系数三维预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210380264.9A CN114707385A (zh) | 2022-04-12 | 2022-04-12 | 基于Krylov子空间的深部地层导热系数三维预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114707385A true CN114707385A (zh) | 2022-07-05 |
Family
ID=82174790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210380264.9A Pending CN114707385A (zh) | 2022-04-12 | 2022-04-12 | 基于Krylov子空间的深部地层导热系数三维预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114707385A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116187107A (zh) * | 2023-04-27 | 2023-05-30 | 中南大学 | 三维地温场动态数值模拟方法、设备及介质 |
CN116379793A (zh) * | 2023-06-02 | 2023-07-04 | 青岛智控菲特软件科技有限公司 | 一种矿热炉短网调控数据处理方法 |
CN117316337A (zh) * | 2023-09-04 | 2023-12-29 | 中国人民解放军国防科技大学 | 应用于液晶系统中缺陷结构的数值模拟方法及装置 |
-
2022
- 2022-04-12 CN CN202210380264.9A patent/CN114707385A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116187107A (zh) * | 2023-04-27 | 2023-05-30 | 中南大学 | 三维地温场动态数值模拟方法、设备及介质 |
CN116187107B (zh) * | 2023-04-27 | 2023-08-11 | 中南大学 | 三维地温场动态数值模拟方法、设备及介质 |
CN116379793A (zh) * | 2023-06-02 | 2023-07-04 | 青岛智控菲特软件科技有限公司 | 一种矿热炉短网调控数据处理方法 |
CN116379793B (zh) * | 2023-06-02 | 2023-08-15 | 青岛智控菲特软件科技有限公司 | 一种矿热炉短网调控数据处理方法 |
CN117316337A (zh) * | 2023-09-04 | 2023-12-29 | 中国人民解放军国防科技大学 | 应用于液晶系统中缺陷结构的数值模拟方法及装置 |
CN117316337B (zh) * | 2023-09-04 | 2024-03-29 | 中国人民解放军国防科技大学 | 应用于液晶系统中缺陷结构的数值模拟方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114707385A (zh) | 基于Krylov子空间的深部地层导热系数三维预测方法及装置 | |
Chua et al. | An inverse ocean modeling system | |
Wang et al. | Using Bayesian statistics in the estimation of heat source in radiation | |
Vermeulen et al. | Model-reduced variational data assimilation | |
CN115758820A (zh) | 深部地层导热系数三维瞬态预测方法、装置及电子设备 | |
Molavi et al. | Inverse identification of thermal properties of charring ablators | |
Gao et al. | A Gauss-Newton trust-region solver for large-scale history-matching problems | |
Solonen et al. | Simulation-based optimal design using a response variance criterion | |
Li et al. | Efficient geostatistical inverse methods for structured and unstructured grids | |
CN107577857B (zh) | 一种基于热辐射边界条件的三维有限元模拟方法 | |
Zhang et al. | Coupled models and parallel simulations for three-dimensional full-Stokes ice sheet modeling | |
Špillar et al. | Calculation of time-dependent nucleation and growth rates from quantitative textural data: inversion of crystal size distribution | |
Siade et al. | Reduced order parameter estimation using quasilinearization and quadratic programming | |
Hu et al. | Improving surface roughness lengths estimation using machine learning algorithms | |
Mohebbi et al. | Optimal shape design in heat transfer based on body-fitted grid generation | |
Patra et al. | Ρ-cp: Open source dislocation density based crystal plasticity framework for simulating temperature-and strain rate-dependent deformation | |
Hajisharifi et al. | A comparison of data-driven reduced order models for the simulation of mesoscale atmospheric flow | |
Liu et al. | A new data assimilation method of recovering turbulent mean flow field at high Reynolds numbers | |
Jaszczur et al. | An analysis of the numerical model influence on the ground temperature profile determination | |
Rahideh et al. | Two-dimensional inverse transient heat conduction analysis of laminated functionally graded circular plates | |
Fang et al. | The independent set perturbation method for efficient computation of sensitivities with applications to data assimilation and a finite element shallow water model | |
Penazzi et al. | Transfer function estimation with SMC method for combined heat transfer: insensitivity to detail refinement of complex geometries | |
Haines et al. | A faulted thin‐sheet model of plate boundary deformation that fits observations | |
Sandu et al. | Dynamic sensor network configuration in infosymbiotic systems using model singular vectors | |
Solovev et al. | Assessment of mesoscale eddy parameterizations for a single‐basin coarse‐resolution ocean model |
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 |