近日,我院水工程建设与安全运行团队在水工程渗流研究领域取得新成果。
1.研究简介:
渗透率作为水利工程的重要参数,它直接影响地下水流动、土壤水分迁移及防渗工程的设计与实施。孔隙结构的复杂性与非均质性对准确预测渗透率提出了重大的挑战。传统经验公式通常忽略了孔隙微观结构与拓扑特性,存在准确性与适用性方面的限制。虽然机器学习(ML)与深度学习(DL)模型在预测性能方面表现卓越,但它们在数据可用性、计算资源消耗及模型解释方面面临挑战。本研究旨在通过机器学习模型中的知识指导过程,建立一个更加稳定与准确的渗透率预测模型。
![](/__local/0/75/D0/F3C5CEE827B1EBE0B352A4C53D2_0F6D96D7_167D3.png)
图1 整体研究流程
2.主要创新:
该研究提出了一种基于数据驱动的知识提取框架,旨在利用可解释机器学习模型识别孔隙结构重要特征,探究多尺度特征之间的部分依赖关系,最终揭示了孔隙结构重要特征与渗透率之间的未知函数关系。其主要创新总结如下:
(1)建立了基于数据驱动的知识提取框架,有助于识别重要特征及未知函数关系;
(2)利用可解释机器学习模型揭示了重要特征对渗透率的影响机制;
(3)建立的渗透率预测模型融合了拓扑结构特征,显著提高了预测精度并具有普适性。
![](/__local/6/1C/FA/C7B8C7AD2DFB8BF8EE35401DDDB_5019C36E_DF7B.png)
图2 图像处理及孔隙特征计算过程
![](/__local/D/14/79/E6B7F1FE189B30E43FA49C7FAD4_9F19CBAD_10D84.png)
图3 重要特征的偏依赖分析
3.结论与应用价值:
在机器学习模型分析解释的指导下,发现了与渗透率强相关的特征,并揭示了其与渗透率的潜在相互作用。选取这些特征作为自变量,综合考虑多孔介质的结构特征,建立了新的渗透率预测模型。与其他的传统经验公式相比,该模型融合了复杂网络中的联通特性参数,预测准确度具有较大提升;同时避免了在机器学习和深度学习过程中需要准备和训练大量数据集的过程。该模型提供了一种全新的预测渗透率的思路,能够很好的在精度和效率之间进行平衡,同时该研究框架也适用于其他领域的研究。
![](/__local/3/0A/42/81E58EC165C679BAB8FB483DEEF_C95EA63A_688E.png)
图4 渗透率不同计算方法在性能与复杂度方面的对比
该成果已在水文学与水资源领域国际权威期刊《Water Resources Research》发表,指导老师为我院马刚教授和周伟教授。