一种粘土-砂介质中DNAPL污染源区识别方法及系统

本发明涉及污染水文地质勘探，具体涉及一种粘土-砂介质中dnapl污染源区识别方法及系统。

背景技术：

1、重非水相液体（dense non-aqueous phase liquids，dnapl）导致的地下水污染在许多工业场地中普遍存在。当dnapl被释放到地下时，会被困在孔隙中形成不连续的离散dnapl或在低渗透区域上方形成池状dnapl，从而形成长期的地下水污染源。由于dnapl空间分布受到含水层非均质性的影响，其污染源区结构非常不规则且复杂。因此，为了准确评估dnapl的溶质通量并高效低耗地修复dnapl污染，须首先精细刻画出dnapl饱和度（sn）的空间分布与含水层渗透系数（k）的非均质结构。

2、许多方法已经被用于dnapl污染场地中来刻画dnapl污染源区结构。由于采样点稀疏，传统方法（例如钻孔采样、下游监测井和直接贯入技术）只能提供有限空间分辨率的dnapl含量和岩性非均质性信息。为克服传统方法的缺陷，近年来地球物理方法被越来越多地应用到dnapl污染场地调查中。作为非侵入式方法，地球物理方法可较廉价地提供大量连续数据。作为一种广泛应用的地球物理方法，直流电阻率（dc resistivity）方法已成功应用于dnapl污染源区探测，溶解的napl污染羽刻画，以及相应水力特性的推估。

3、然而，对于复杂的非均质环境（例如粘土-砂介质），直流电阻率法对dnapl源区的刻画精度是有限的。这是因为直流电阻率测量受孔隙水特性（如流体电导率）和界面电化学特性（如与岩性相关的阳离子交换容量，简称cec）的共同影响。因此，在粘土-砂环境中，由于固体-孔隙水界面存在表面电导率，直流电阻率对于区分dnapl和周围土壤特别是粘土介质方面效果较差。例如，直流电阻率无法区分粘土中的高饱和dnapl和砂土中的中等饱和dnapl。因为dnapl倾向于在粘土地层之上蓄积，其在粘土-砂介质中的赋存很常见。在砂土和粘土混合的情况下，dnapl形成的污染物空间分布结构在很大程度上取决于土壤的非均质性。进而又影响dnapl污染源区的寿命。

4、与直流电阻率相比，时域激发极化（induced polarization，ip）方法可以通过测量含水层的电容特性（即极化率）来提供有关岩性和颗粒表面特性的额外信息，可以用来区分孔隙水及界面特性。此外，大量涌现的岩性物理模型被用来解释一系列土壤和岩石被油或溶解金属部分填充的极化机制。因此，通过结合直流电阻率和ip方法（下称dcip）来进行dnapl污染场地调查的案例逐渐增多。测得的极化率同样能够提供控制dnapl污染源区结构的岩性分布信息，尤其是在粘土环境中。

5、尽管相比只用直流电阻率法具有一定的优势，dcip方法可能仍然只能提供低分辨率的源区结构图像。主要原因有三个：（1）测量误差、干扰和岩性物理参数的不确定性；（2）较深区域的数据敏感度较低；（3）由于在传统地球物理反演中采用了简化的各向同性平滑，刻画的源区结构图像缺少高度不规则的复杂空间特征。

6、为了解决前两个问题，可以将低分辨率但空间广泛的dcip数据与高精度但空间稀疏的钻孔数据整合在联合反演框架内；这样既可以有效地刻画出大尺度特征，又可以识别出影响所收集观测数据的更精细特征，从而最大限度地利用不同数据集中的互补信息。

7、第三个问题是关于传统的反演方法可能导致对dnapl污染源区结构的推估过于平滑。为更好地体现高度不规则sn场的分布，可以应用卷积变分自编码器（convolutionalvariational autoencoder，简称cvae）。cvae是一种卷积神经网络，通过从训练样本中学习，可以有效地捕捉到图像中高度复杂的空间分布模式。kang等人在“ hydrogeophysicalcharacterization of nonstationary dnapl source zones by integrating aconvolutional variational autoencoder and ensemble smoother. water resources  research, 57, e2020wr028538. doi: 10.1029/2020wr028538"中展示了cvae在参数化非均质土壤条件下的不规则dnapl分布特性方面的效果。

8、虽然基于cvae的联合反演框架已被证明能够通过整合水文地质和地球物理数据合理有效地刻画出dnapl污染源区结构，但现有研究仅融入了单独的直流电阻率数据进行源区结构的推估，其岩性物理假设忽略了固相（例如粘土介质）的表面电导率贡献。这个假设仅对无粘土砂质介质有效。对于复杂的粘土-砂环境，单独的直流电阻率法无法区分dnapl污染物与周围土壤对电导率的影响，限制了识别dnapl源区结构的能力。由于极化率测量可以更好地描述岩性，以及区分dnapl和粘土，dcip方法有望改善sn和k场的成像精度。这也将改善利用这些地球物理数据集的联合反演性能，例如在复杂的粘土-砂介质环境中基于cvae的源区结构反演策略。

技术实现思路

1、发明目的：为了克服现有技术在粘土-砂介质环境下无法有效区分dnapl污染物与周围土壤的电信号的缺陷，本发明提供一种粘土-砂介质中dnapl污染源区识别方法及系统，将dcip数据与钻孔观测数据相结合，通过基于深度学习的cvae联合反演策略，实现复杂粘土-砂介质环境下dnapl污染源区结构及其相关不确定性的精细推估。

2、技术方案：为了实现上述发明目的，本发明提出的粘土-砂介质中dnapl污染源区识别方法，包括以下步骤：

3、第一步，基于dcip数据的地质统计反演初步刻画含水层渗透系数 k、dnapl的饱和度 s n，包括以下步骤：

4、（1）利用高密度电阻率调查获得的电势数据 v推估含水层的体电导率 σ，然后利用推估的体电导率 σ图像和激发极化调查获得的视极化率数据 m a来推估标准化后的极化率 m n；

5、（2）利用岩性物理模型将体电导率 σ和标准化后的极化率 m n转换为体积含水率 θ和阳离子交换能力cec；

6、（3）根据cec与钻孔观测的含水层孔隙度φ拟合建立场地的cec-φ关系，并根据cec与钻孔观测的含水层渗透系数 k拟合建立cec- k关系；

7、（4）通过建立的cec-φ与cec- k关系，将cec转化为φ和 k场，进而获得 s n场；

8、第二步，利用地质统计和多相流模拟生成一系列的 k、 s n场训练卷积变分自编码器cvae网络，所述cvae网络包括编码器部分和解码器部分，编码器部分用于将 s n和 k的图像转化为潜变量β，解码器部分用于将潜变量β解码为 s n和 k图像；然后进行多源数据融合的联合反演：将cvae的潜变量β作为未知参数，运行水文地球物理正演模拟模型，对第一步利用dcip直接反演得到的 k、 s n场图像和钻孔观测数据进行数据同化，其中钻孔观测数据包括钻孔 k、 s n和下游水相浓度数据，最后通过cvae，将数据同化最终更新的β解码转化为 k、 s n的最优估计场。

9、本发明还提供一种粘土-砂介质中dnapl污染源区识别系统，包括：

10、粗略推估模块，基于dcip数据的地质统计反演初步刻画含水层渗透系数 k、dnapl的饱和度 s n，所述粗略推估模块包括：

11、第一推估单元，利用高密度电阻率调查获得的电势数据 v推估含水层的体电导率 σ；

12、第二推估单元，利用推估的体电导率 σ图像和激发极化调查获得的视极化率数据 m a来推估标准化后的极化率 m n；

13、第一转换单元，利用岩性物理模型将体电导率 σ和标准化后的极化率 m n转换为体积含水率 θ和阳离子交换能力cec；

14、第一拟合单元，根据cec与钻孔观测的含水层孔隙度φ拟合建立适合场地的cec-φ关系；

15、第二拟合单元，根据cec与钻孔观测的含水层渗透系数 k拟合建立cec- k关系；以及

16、第二转换单元，通过建立的cec-φ与cec- k关系，将cec转化为φ和 k场，进而获得 s n场；

17、精细推估模块，利用深度学习对粗略推估模块获得的 k、 s n进行精细化推估，所述精细推估模块包括：

18、cvae训练单元，利用地质统计和多相流模拟生成一系列的 k、 s n场训练卷积变分自编码器cvae网络，所述cvae网络包括编码器部分和解码器部分，编码器部分用于将 s n和 k的图像转化为潜变量β，解码器部分用于将潜变量β解码为 s n和 k图像；以及

19、联合反演单元，将cvae的潜变量β作为未知参数，运行水文地球物理正演模拟模型，对第一推估模块利用dcip直接反演得到的 k、 s n图像和钻孔观测数据进行数据同化，其中钻孔观测数据包括钻孔 k、 s n和下游水相浓度数据，最后通过cvae，将数据同化最终更新的β解码转化为 k、 s n的最优估计场。

20、本发明还提供一种计算机设备，包括：一个或多个处理器；存储器；以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述程序被处理器执行时实现如上所述的粘土-砂介质中dnapl污染源区识别方法的步骤。

21、本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的粘土-砂介质中dnapl污染源区识别方法的步骤。

22、有益效果：现有技术在仅融入直流电阻率数据的情况下，忽略了固相（例如粘土介质）的表面电导率贡献，因此仅适用于不存在粘土的砂质含水层条件。对于复杂的粘土-砂介质含水层环境，该技术尚无法有效区分dnapl污染物与周围土壤的电信号。本发明引入dcip方法，在两步联合反演框架下，将dcip数据与钻孔观测数据相结合，通过基于深度学习的cvae联合反演策略，实现复杂粘土-砂介质环境下dnapl污染源区结构及其相关不确定性的精细推估。相比直流电阻率方法，dcip方法可以通过测量极化率来提供有关岩性和颗粒表面特性的额外信息，可以区分孔隙水及界面特性，进而区分dnapl污染物与周围土壤。