基于贝叶斯卷积神经网络的渗透系数反演与不确定性分析.pdfVIP

中国农村水利水电

50irrigate.whu.edu.cnChinaRuralWaterandHydropower

文章编号：1007-2284（2024）04-0050-08水文水资源

基于贝叶斯卷积神经网络的

渗透系数反演与不确定性分析

季俣哲，查元源

（武汉大学水资源工程与调度全国重点实验室，湖北武汉430072）

摘要：地下水资源的科学管理及决策高度依赖于精确的地下水模型，其中渗透系数这一水文地质参数发挥着至关

重要的作用。为了全面理解和有效利用地下水，不仅需要准确估计渗透系数空间分布，还需对参数的不确定性进行量

化，以评价其可信度。研究利用贝叶斯卷积神经网络（BCNN）探讨了渗透系数的参数反演和不确定性分析问题。为了检

验该方法的有效性，进行了二维稳态水力层析抽水试验的虚拟数值实验。基准模型是具有编码-解码器结构的卷积神经

网络，通过建立一个逆向映射模型，能够直接从空间插值得到的水头场中估计出参数场。在这个确定性模型的基础上，

训练了贝叶斯卷积神经网络。结果表明，BCNN在不同训练数据规模下，都比确定性模型精度更高，特别是在数据量较少

时，优势更加突出。通过对测试集样本进行分析，发现模型对不同区域的估计值有不同的可信度。训练良好的BCNN能

够可靠地捕捉渗透系数分布的大致模式。此外，与生成式模型相比，BCNN在估计更加具挑战性的多峰非高斯对数渗透

系数场时也有良好表现，这证明了BCNN在不同地质介质条件下的广泛适用性。贝叶斯卷积神经网络的使用能准确反

演渗透系数并评估不确定性，为后续的地下水流模拟等物理过程提供了坚实的基础。

关键词：渗透系数；参数反演；不确定分析；贝叶斯卷积神经网络

中图分类号：TV11文献标识码：ADOI：10.12396/znsd.240027

季俣哲，查元源.基于贝叶斯卷积神经网络的渗透系数反演与不确定性分析［J］.中国农村水利水电，2024（4）：50-57+66.DOI：10.12396/

znsd.240027.

JIYZ，ZHAYY.Inversionanduncertaintyanalysisofhydraulicconductivitybasedonbayesianconvolutionalneuralnetwork［J］.China

RuralWaterandHydropower，2024（4）：50-57+66.DOI：10.12396/znsd.240027.

InversionandUncertaintyAnalysisofHydraulicConductivityBasedon

BayesianConvolutionalNeuralNetwork

JIYu-zhe，ZHAYuan-yuan

（StateKeyLaboratoryofWaterResourcesEngineeringandManagement，WuhanUniversity，Wuhan430072，HubeiProvince，China）

Abstract：Accurategroundwatermodelingisessentialforthescientificmanagementanddecision-makingofgroundwaterresources，asitin‐

volves