10.3969/j.issn.1000-6923.2019.12.028
基于深度卷积神经网络的场地污染非线性反演方法
提出了将Sobel边缘检测算子与深度卷积神经网络(CNN)算法结合的方法(E-ConvNet),用于污染场地的ERT反演过程.通过Sobel算子提取污染区域视电阻率数据的边缘特征作为CNN的先验信息,提高E-ConvNet的计算效率及识别精度.在5种理论模型(单异常体、双异常体及含双异常体的层状结构)和现场实例上测试了E-ConvNet算法的性能,并与最小二乘算法(LS)比较.测试结果表明:E-ConvNet能够准确识别污染处的面积、位置及阻值,其识别精度和计算效率均优于LS.E-ConvNet的单异常识别准确率为81.8%~84.9%,而LS则仅为9.6%~36.2%;多异常识别准确率为68.6%~84.4%,LS仅为2.8%~27.6%;E-ConvNet用时约为112~190ms,LS耗时为6000~7000ms.因此,在污染场地调查工作中,E-ConvNet能够准确高效地反演出污染区域的位置及范围,为开展后续评估/修复工作提供技术支持.
污染场地、电阻率层析成像、深度卷积神经网络、边缘检测
39
X523(水体污染及其防治)
国家重点研发计划2018YFC1800902
2020-01-10(万方平台首次上网日期,不代表论文的发表时间)
共11页
5162-5172