多孔介质典型单元体(REV)表征及颗粒排列方式对地下水污染修复的影响研究

发布者:表生地球发布时间:2019-03-20浏览次数:116


多孔介质典型单元体(REV)表征及颗粒排列方式对地下水污染修复的影响研究

水和污染物在多孔介质中迁移的模拟都是基于典型单元体representative elementary volume, REV的连续介质假设,因此REV对于多孔介质性质的测定和介质内的物质迁移模拟具有重要意义。为此,推导了一种基于规则四面体(regular tetrahedron modelRTM)三维微观结构的迂曲度数学模型,用于定量分析颗粒多孔介质的迂曲度(τ)及相应多孔介质的REV。并将包括基于RTM模型等多种模型计算的弯曲度与基于可见光微观成像技术(light transmission micro-tomographyLTM)的二维实验测量结果进行了对比。

研究表明,在污染物(PCE)运移和修复过程中,介质的微观特征会发生变化,最小迂曲度τ-REV尺寸在0.0-5.0 mm范围内分布最多,80%以上的累积频率范围大于3.00 mm。与二维弯曲度模型相比,基于正四面体(RTM)的三维弯曲度模型与实验测量结果吻合较好,更适合精确描述颗粒多孔介质的弯曲度,具有自身的合理性和优越性(1),有助于理解颗粒多孔介质中流动路径的弯曲度和相应的弯曲度估算。

同时,颗粒材料的微观结构对含水层的渗透性有重要影响,而含水层中污染物的迁移和修复也受多孔介质特性的影响。为此,利用分形理论,基于渗透率与进入压力数学表达式,对微尺度下具有规则三角形排列(RTA)和正方形排列(SPA)的颗粒材料进行了推导。采用序贯高斯模拟(SGS)方法,,研究比较了这两种不同微观尺度颗粒排列(2)的污染物迁移与修复过程。有机污染物PCE从地下油罐泄漏释放到含水层中,表面活性剂用于清除地下污染。结果表明,RTA排列不仅易引起地下水污染,而且使修复变得更加困难。基于RTASPA200个非均质性实现的PCE修复效率分别为60.01-99.78%,平均92.52%65.53-99.74%,平均95.83%,表明SPA含水层中PCE的清理明显更容易(3)。

通过对多孔介质的微观结构的系统研究,本研究可为地下水和污染物迁移的数学模型提供网格离散的尺度参考,对探索地下水中反应性污染物运移机理及具有重要作用,可为宏观尺度上建立反应性迁移模型提供了微观尺度上的模型基础。同时通过对微观结构的新的认识,揭示了颗粒微观尺度的排列方式如何控制含水层中污染物的迁移,有助于设计成功的地下水污染修复方案,从而为反应性污染物运移模型的离散尺度与修复技术选择提供了理论依据。

1a) 球形颗粒多孔介质的不同弯曲度模型与实验测量结果对比;(b)弯曲度模型AVRTASPA与实验测量结果对比;(c)弯曲度模型SRTA与实验测量结果对比;(d)弯曲模型RTM与实验测量结果对比。其中,RTMSRTAAVRTASPA分别表示正四面体排列、简单三角形排列、以及三角形与正方形平均排列等不同模型.

2含水层介质颗粒的不同排列方式:(a)规则三角形排列(RTA);(b)和正方形排列(SPA

3a)含水层中的PCE体积与时间的关系;(bGTP随时间的变化;(c)累积PCE随时间的变化;(dGTP值随累积PCE去除百分比的变化


相关研究成果已发表于水资源领域的专业SCI期刊,包括Journal of HydrologyHydrology and Earth System SciencesScience of the Total Environment等(参见2018年代表性研究成果:Wu et al., J Hydrol 2018; Wu et al., Hydrol Earth Syst Sci 2018; Wu et al., Sci Total Environ 2018)。

该研究获得国家重点研发计划项目(2016YFE0101900)和国家自然科学基金项目(41772254, 41372235)的联合资助。




基于替代模型的地下水模拟优化研究

针对地下水反应性污染物修复模拟优化管理模型需要重复调用模拟模型计算目标函数与判断约束条件而致计算成本巨大的缺点,利用超限学习机(Kernel Extreme Learning Machine, KELM)学习效率高并能提升训练效率的优点,提出基于KELM训练替代模型的多目标智能算法(Surrogate-assisted Multi-Objective Memetic Algorithm integrated with KELM, SMOMA-KELM)用于求解复杂地下水系统的模拟优化管理模型。SMOMA-KELM算法的核心包括三个模块:(1)基于多目标遗传算法的智能搜索能处理多个不同目标函数的优化问题;(2)基于进化个体超体积改善程度与拥挤度距离的选择策略可保证输出模拟模型的Pareto最优解;(3)基于适应性训练KELM模型和高斯干扰的局部搜索算子能有效降低ELM模型的预测误差,从而可提升进化算法的寻优能力。

以考虑密度变化的海水入侵问题为例,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。KELM模型以抽水井流量为输入变量,监测井浓度与溶质质量比为输出变量。4为两种样本集的训练与预测结果,其中KELM预测结果的相关度均可以达到0.999以上,表明KELM方法可以近似替代海水入侵模型并具有较高仿真水平。但是,受限于初始采样方法与替代模型本身的局限性,直接替代模拟模型的优化过程并不能确定得到最优的Pareto解集。因此,SMOMA-KELM是一种适应性训练的KELM模型方法,能有效降低优化过程中替代模型的预测误差,并与基于高斯干扰的局部搜索算子耦合,提高进化搜索的速度与Pareto解的精度。5显示了SMOMA-KELM算法与目前应用广泛且稳定有效的优化算法NSGAII (Nondominated Sorting Genetic Algorithm II)的对比结果:SMOMA-KELM与直接调用一次训练的KELM模型的NSGAII-KELM算法相比,可以提高Pareto解的精度;与直接耦合模拟模型SEAWATNSGAII-SEAWAT算法相比,达到相应的精度同时极大地提高优化过程的计算效率,从原来的332hr降低到替代模型的20hr,由此证实了SMOMA-KELM算法是一种快速有效的多目标优化方法。

相关研究成果已发表于水资源领域的专业SCI期刊Journal of Hydrology(参见2018年代表性研究成果:Song et al., J Hydrol 2018)。

本研究获得国家重点研发计划项目(2016YFE0101900)和国家自然科学基金项目(41772254)的联合资助。


4  KELM模型对地下水监测井浓度与溶质质量的训练与预测结果


(a)                                    (b)

5  (a) 不同优化算法的Pareto解集; (b) 不同优化算法的Hypervolume 指标





2018年代表性研究成果(*表示通讯作者):

Ming Wu, Jianfeng Wu(*), Jichun Wu(*), Bill X. Hu, A three-dimensional model for quantification of the representative elementary volume of tortuosity in granular porous media, Journal of Hydrology, 557: 128-136, 2018.

Ming Wu, Jianfeng Wu(*), Jichun Wu(*), Bill X. Hu, Effects of microarrangement of solid particles on PCE migration and its remediation in porous media, Hydrology and Earth System Sciences, 22: 1001-1015, 2018.

Ming Wu, Zhou Cheng, Guangxiong Qin, Ming Lei, Jianfeng Wu(*), Jichun Wu, Bill X. Hu(*), Lin Jin, The change of representative elementary volume of DNAPL influenced by surface active agents during long-term remediation period in heterogeneous porous media, Science of the Total Environment, 625: 1175-1190, 2018.

Jian Song, Yun Yang, Jianfeng Wu(*), Jichun Wu, Xiaomin Sun, Jin Lin, Adaptive surrogate model based multiobjective optimization for coastal aquifer management, Journal of Hydrology, 561: 98-111, 2018.