城市化进程的加快导致了土壤和地下水污染日益严重。据不完全统计,中国化工/农药企业关闭和搬迁遗留近千处有机类污染场地。这些污染场地中存在多种有机污染物,其中多数污染物密度较大且难溶于水,常以非水相(油相)形式存在,常被称为重质非水相污染物(Dense Non-Aqueous Phase Liquids, DNAPLs)。由于DNAPL污染物毒性较大且难以自然降解,一旦其渗漏到地下水环境,将形成稳定的污染源,持续释放污染羽并长期危害环境及周边水体健康。
DNAPL污染精细三维刻画对修复治理方案制定有重要指导意义:场地污染刻画精度提高或减少几米,实际工程量可能产生成百上千立方的差距,修复成本可能相差几千万甚至超过亿元。此外,污染场址刻画精度还将影响其环境风险评估结果。DNAPL污染物的环境风险(即下游污染羽对受体的危害程度)通常由下游截面溶出的污染通量来表征(见图1)。低精度刻画易导致DNAPL的漏估,进而低估环境风险(污染通量),从而难以有效管控污染物。
图1. DNAPL污染源区与下游污染通量示意图
目前,针对DNAPL污染刻画及污染通量预测仍面临巨大挑战:(1)复杂场地条件下,DNAPL污染源区常呈现复杂的空间结构,传统Kriging插值/反演方法易产生过度平滑的结果,从而导致DNAPL的漏估/高估,据此难以准确估计污染通量。(2)在DNAPL污染源区衰减过程中,其溶出的污染通量常呈多阶段非线性变化,传统方法难以准确预测这一复杂的非线性溶解过程。
为解决上述问题,太阳官网吴吉春教授团队与美国斯坦福大学、美国桑迪亚国家实验室、夏威夷大学、旧金山大学等国外单位学者合作,基于深度学习技术建立了一套精细刻画DNAPL污染源区结构&精准预测DNAPL污染通量的方法框架。该框架包含两个主要步骤:(1)基于卷积变分自编码器(Convolutional Variational Autoencoder, CVAE)来学习DNAPL的复杂三维空间模式,并给出符合多相流渗流机制的先验模型(物理性先验信息):仅凭少量观测数据即可较好刻画污染源区结构;(2)根据推估所得污染源区结构,采用基于物理过程的升尺度模型方法来描述DNAPL的非线性溶解过程,从而精准预测污染通量的复杂多阶段变化。
基于二维理想算例与三维砂箱实例,论文对比了传统Kriging方法(基于平滑先验模型)与所提出方法的污染源区推估结果及污染通量预测结果,见图2与图3。结果表明:(1)深度学习方法(CVAE)可有效习得DNAPL复杂的空间结构特征,进而作为物理性先验约束反演过程从而更精细地刻画污染源区结构(针对三维砂箱实例,污染源区的估计误差比传统Kriging方法下降47%);(2)结合CVAE与升尺度模型,可更准确地预测DNAPL的复杂多阶段溶解过程并精准评估污染通量。
图2. 不同方法推估渗透系数及污染物饱和度场结果对比(二维理想算例及三维砂箱实验)
图3. 不同方法的污染通量预测结果对比(三维砂箱实验)
主编Kamini Singha教授(美国科罗拉多矿业大学)与Chaopeng Shen教授(美国宾州州立大学)认为,该工作提出的深度学习-升尺度模型方法,仅需少量观测数据,即可精细刻画污染源区结构并准确预测DNAPL污染修复/管控中所涉及的环境风险变化,可为DNAPL污染控制及风险评估提供有力的技术支撑。
上述成果分别以“Hydrogeophysical Characterization of Nonstationary DNAPL Source Zones by Integrating a Convolutional Variational Autoencoder and Ensemble Smoother”和“Integration of deep learning-based inversion and upscaled mass-transfer model for DNAPL mass-discharge estimation and uncertainty assessment”为题,发表于水文水资源领域权威期刊Water Resources Research。其中前者提出了基于深度学习的DNAPL污染源区刻画方法(CVAE-ES),后者在前者基础上将其与升尺度模型结合以预测污染通量,并基于三维砂箱实验验证了方法的预测效果。
博士后康学远为论文第一作者,施小清教授和吴吉春教授为共同通讯作者,太阳集团tyc539为第一署名单位。合作者包括美国斯坦福大学Peter K. Kitanidis教授、旧金山大学Amalia Kokkinaki教授、夏威夷大学Jonghyun Lee教授、美国桑迪亚国家实验室Hongkyu Yoon研究员、太阳集团tyc539莫绍星博士。该研究得到国家重点研发计划、国家自然科学基金、中国和江苏省博士后基金的联合资助。
论文信息:
Kang, X., Kokkinaki, A., Kitanidis, P. K., Shi, X.*, Lee, J., Mo, S., Wu, J.* (2021). Hydrogeophysical Characterization of Nonstationary DNAPL Source Zones by Integrating a Convolutional Variational Autoencoder and Ensemble Smoother. Water Resources Research, 57, e2020WR028538. https://doi.org/10.1029/2020WR028538
Kang, X., Kokkinaki, A., Shi, X.*, Yoon, H., Lee, J., Kitanidis, P. K., & Wu, J.* (2022). Integration of deep learning-based inversion and upscaled mass-transfer model for DNAPL mass-discharge estimation and uncertainty assessment. Water Resources Research, 58, e2022WR033277. https://doi.org/10.1029/2022WR033277