中国环境科学

作者：刘殿广, 杨蕴, 章勇, 邱文杰, 吴剑锋, 王锦国, 吴吉春

单位：1. 河海大学地球科学与工程学院, 江苏 南京 211100;2. 南京大学地球科学与工程学院, 江苏 南京 210023

关键词：CO2+O2地浸采铀,深度学习,图像预测,不确定性分析

基金：国家自然科学基金资助项目(U2167212);江苏省自然科学基金资助项目(BK20211208);河海大学优秀硕士论文培育计划项目(422003484)

基于物理过程的CO2+O2地浸采铀反应性溶质运移模型需要采用高分辨率网格来捕获介质物理-化学参数空间变异性和对流-弥散-化学反应多过程耦合特征,往往面临巨大的模型计算挑战.传统的替代模型处理高维数据空间分布预测时面临精度和维数诅咒问题,基于条件深度卷积生成对抗网络(conditional Deep Convolutional Generative Adversarial Network,cDC-GAN),本文提出了一种多重输入图像到输出图像回归的cDC-GAN替代建模组件,建立了高维物理-化学非均质场(渗透率场和铀矿物品位场)和铀浸出浓度分布场之间的映射关系,训练集和测试集样品中结构相似性指数的中值达0.98以上,可以作为砂岩型铀矿CO2+O2溶浸过程数值模型的替代方案.cDC-GAN替代建模不受底层物理模型的限制,进而可为复杂反应性溶质运移模型的参数识别、不确定性分析、全局敏感性分析和模拟优化方案设计等提供通用框架.

来源：2024年第8期

《中国环境科学》期刊编辑部

查看中国环境科学杂志2024年第8期