中国环境科学

作者：陈骏骏, 戴振学

单位：1. 中国矿业大学矿山互联网应用技术国家地方联合工程实验室, 江苏 徐州 221008;2. 吉林大学建设工程学院, 吉林 长春 130026

关键词：串联式神经网络,多保真度替代模型,参数反演,反应性溶质运移模拟,反演结果自适应更新

基金：国家自然科学基金项目(42402241);中央高校基本业务经费(2024QN11066);江苏省安全应急装备技术创新中心(BM2022013)

串联式神经网络(TNNA)是一种通过逆向建模实现参数反演的算法框架,其可靠性高度依赖于替代模型在参数真实后验分布区域的预测精度.对于反应性溶质运移问题,构建高精度的全局替代模型通常需要大量样本数据,在一定程度上限制了反演计算效率.为此,本研究提出了一种基于多保真度(MF)替代模型自适应更新策略(AUS)的TNNA反演算法(TNNA-AUS-MF).该方法在传统TNNA算法的基础上,通过反演结果引导的局部采样建立多保真度替代模型,并在迭代过程中逐步更新模型参数反演结果.算法验证基于一个假想的阳离子交换实验开展.通过控制初始替代模型样本数目,设计了6种不同初始替代模型精度的反演计算场景.结果表明,TNNA-AUS-MF算法相比于TNNA算法,能够显著减少正演模拟调用次数并改善反演结果.此外,少样本场景的研究结果验证了利用神经网络构建低保真和高保真模型间非线性关系的可行性,并表明结合自适应更新采样策略能够有效提升反演算法性能.

来源：2026年第2期

《中国环境科学》期刊编辑部

查看中国环境科学杂志2026年第2期