基于自适应DNN替代模型的多目标海水入侵管理模型

摘要

本发明属于水文学及水资源领域，公开了一种基于自适应深度神经网络替代模型的海水入侵管理模型和计算方法(Adaptive Deep Neural Networks surrogate model based multi‑objective coastal aquifer management model,ADNN&CAM)。该技术采用海水入侵模拟程序SEAWAT来模拟抽水条件下海水入侵的动态过程，采用深度神经网络方法DNN训练海水入侵替代模型。优化模型采用了一种基于ε‑dominance排序的多目标进化算法(epsilon Multi‑Objective Memetic Algorithm,ε‑MOMA)。为了提高近似最优解的数值预测的精度，在优化过程中，采用多阶段动态采样方法对海水入侵模型进行自适应训练。ADNN&CAM&ε‑MOMA为第一个考虑海水入侵模型大规模计算瓶颈的问题，而提出将自适应海水入侵替代模型与基于进化算法的优化求解模型相耦合，可为解决海水入侵区地下水资源合理开发利用和海水入侵防控问题提供一个固定的技术方法体系。