含水层渗透系数预测及不确定性分析耦合模型

摘要：

本研究旨在精细计算冲洪积平原地区的渗透系数，并为进一步建立溶质运移模型提供基础数据。通过建立人工神经网络（ANN）与通用似然不确定估计法（GLUE）的耦合模型对含水层渗透系数进行预测，并对模型参数的不确定性进行分析。利用马尔可夫蒙特卡洛采样法（MCMC）取代常见的通用似然不确定性估计方法中的蒙特卡洛法（MC），将其与人工神经网络技术耦合，以150个典型粒度组分样本作为输入数据，构建研究区含水层渗透系数预测及不确定性分析的GLUE-ANN模型。通过对华北平原典型地区实例研究，验证该方法具有较好的采样效率和寻优性能。计算结果表明，与渗透系数的实测值相比较，GLUE-ANN模型的相对误差介于1.55%~23.53%之间，模型的计算精度满足地下水资源评价的要求。通过模型参数的后验分布得出参数全局最优值所在的区域，表明模型能够更合理地反映水文地质参数的不确定性。

关键词：渗透系数、ANN技术、贝叶斯方法、GLUE、MCMC、不确定性

分类号：P641(水文地质学与工程地质学)

资助基金：国家重点基础研究发展计划973计划项目20100CB428800；中国地质科学院水文地质环境地质研究所项目sk201015

在线出版日期：2014-06-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：521-528