(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211191867.0 (22)申请日 2022.09.28 (71)申请人 吉林建筑大学 地址 130118 吉林省长 春市新城大街5 088 号 (72)发明人 侯泽宇　林英姿　朱晓艳　张雨婷　 (74)专利代理 机构 北京盛询知识产权代理有限 公司 11901 专利代理师 莫兆忠 (51)Int.Cl. G06K 9/62(2022.01) G06F 30/27(2020.01) G06N 3/12(2006.01) G06N 7/00(2006.01) G06N 20/10(2019.01)G06F 111/10(2020.01) (54)发明名称 一种基于贝叶斯集成学习机的地质统计模 式识别方法 (57)摘要 本发明提供了一种基于贝叶斯集成学习机 的地质统计模式识别方法， 根据观测资料， 建立 地下水有机污染多相流运移数值模 型， 确定模型 中对于污染物时空分布贡献程度较高的污染源 特征、 污染物 运移参数以及各变量的先验分布特 征； 准备数值模型输入 ‑输出训练样本集； 采用不 同单一机器学习方法识别并逼近多相流数值模 型的输入 ‑输出非线性映射关系； 建立各机器学 习模型关键参数及组合权重的贝叶斯多目标非 线性规划优化模 型； 以粒子群优化算法求解优化 模型， 识别最优的模型参数及组合权重， 构建数 值模型的贝叶斯集成学习智能模式识别方法。 本 发明大幅提升 污染物运移模拟预测的计算效率。 权利要求书2页 说明书13页 附图4页 CN 115510977 A 2022.12.23 CN 115510977 A 1.一种基于贝叶斯 集成学习机的地质统计模式识别方法， 其特 征在于， 包括以下步骤： S1： 利用野外现场调查和动态监测方法， 获得污染场地的水文地质条件及污染特 征； S2： 对所述水文地质条件进行概化处理， 根据概化处理后的所述水文地质条件和所述 污染特征， 建立地下水有机污染多相流数值模拟模型； S3： 根据场地资料、 水文地质调查和经验， 确定所述地下水有机污染多相流数值模拟模 型中大于污染物时空分布贡献阈值的污染源特征、 污染物运移 参数以及各变量的先验分布 特征； 基于所述各变量的先验分布特征， 获得所述地下水有机污染多相流数值模拟模型 的 输入‑输出训练样本集和检验样本集； S4： 基于所述输入 ‑输出训练样本集， 采用不同单一机器学习方法， 获得所述地下水有 机污染多相流数值模拟模型的输入 ‑输出非线性映射关系， 基于所述输入 ‑输出非线性映射 关系， 构建所述地下水有机污染多相流数值模拟模型模式识别的若干单一机器学习模型， 将若干单一机器学习模型进行加权线性叠加构成集成学习模型； S5： 基于所述检验样本集、 若干单一机器学习模型和所述集成学习模型， 建立各单一机 器学习模型 预设的关键参数及组合权 重的贝叶斯多目标非线性 规划优化模型； S6： 利用粒子群优化算法， 求解所述贝叶斯多目标非线性规划优化模型， 获得最优的模 型参数及组合权重， 基于所述最优的模型参数及组合权重， 构建所述地下水有机污染多相 流数值模拟模型的贝叶斯集成学习智能模式识别模型， 基于所述贝叶斯集成学习智能模式 识别模型， 完成地质统计模式识别。 2.根据权利要求1所述的基于贝叶斯集成学习机的地质统计模式识别方法， 其特征在 于， 所述S1中， 所述水文地质条件为水文地质单元范围、 含水层岩性结构、 地下水埋藏深度 和流向； 所述污染特 征为污染物和所述污染物分布情况。 3.根据权利要求1所述的基于贝叶斯集成学习机的地质统计模式识别方法， 其特征在 于， 所述S2中， 利用U TCHEM软件构建所述 地下水有机污染多相流数值模拟模型。 4.根据权利要求1所述的基于贝叶斯集成学习机的地质统计模式识别方法， 其特征在 于， 所述S3中， 所述污染源特征为污染源的纵向坐标、 污染源的横向坐标、 污染物迁移转化 时长、 污染物泄漏量； 所述污染物运移参数包括： 孔隙度、 渗透率、 纵向水相弥散度、 横向水 相弥散度、 水力梯度。 5.根据权利要求1所述的基于贝叶斯集成学习机的地质统计模式识别方法， 其特征在 于， 所述S 3中， 基于所述各变量的先验分布特征， 获得所述地下水有机污染多相流数值模拟 模型的输入 ‑输出训练样本集和检验样本集的方法为： 根据所述各变量的先验分布特征， 随机采样若干组样本， 逐一代入所述地下水有机污 染多相流数值模拟模 型， 得到每组样本对应的模型输出响应， 其中， 所述每组样本对应的模 型输出响应对应于监测井位置的含水层底部压力水头及污染物浓度， 所述随机采样通过拉 丁超立方采样方法实现； 基于所述污染源特征、 所述污染物运移参数和所述每组样本对应的模型输出响应， 获 得由“模型输入 ‑模型响应 ”样本对构成的训练样本集和检验样本集。 6.根据权利要求1所述的基于贝叶斯集成学习机的地质统计模式识别方法， 其特征在 于， 所述S4中单一机器学习模型包括三种， 分别为： 通过高斯过程法构建 的GP模型、 通过支 持向量回归法构建的SVR模型和通过小 波核极限学习机法构建的WKELM模型。权　利　要　求　书 1/2 页 2 CN 115510977 A 27.根据权利要求6所述的基于贝叶斯集成学习机的地质统计模式识别方法， 其特征在 于， 所述S4中的集成学习模型的输出表达式为： 式中， 为集成学习模型对监测井位置的含水层底部压力 水头及污染物浓度的估 计值， 分别为GP模型， SVR模型与WKELM模型对监测井位置的含 水层底部 压力水头及污染物浓度的估计值， w1， w2， w3为权重值， 权重之和为1。 8.根据权利要求7所述的基于贝叶斯集成学习机的地质统计模式识别方法， 其特征在 于， 所述S5中贝叶斯多目标非线性 规划优化模型的表达式为： subject to: 式中， p(xk)为第k个检验样本输入xk的先验概率， 为第j个单一机器学习模型 基于参数pj和样本输入xk的计算输出向量中的第i个要素， yi(xk)为对应于样本输入xk的数 值模型输出向量的第i个要素， σ 为 集成学习模型输出相对误差方差的估计值。 9.根据权利要求1所述的基于贝叶斯集成学习机的地质统计模式识别方法， 其特征在 于， 所述S6中利用粒子群优化 算法， 求解所述贝叶斯多目标非线性 规划优化模型的方法为： S61初始化： 设置进化代数计数器t＝0， 最大进化代数T， 随机生成M个体作 为初始种群P (0)， 每一个 个体对应一组单一机器学习模型的关键参数及组合权 重向量； S62个体评价： 将种群P(t)代入所述贝叶斯多目标非线性规划优化模型中的贝叶斯似 然状态评估函数， 计算各个 体的适应度； S63选择运算： 将选择算子作用于种群P(t)， 根据适应度选择个体， 大于预设适应度阈 值的个体被选中， 而 小于预设适应度阈值的个 体被淘汰； S64交叉运算： 将交叉算子作用于被选中的种群， 产生新种群， 即新的单一机器学习模 型关键参数与组合权 重向量； S65变异运算： 将变异算子作用于被选中的种群， 产生新种群,即新的单一机器学习模 型关键参数与组合权 重向量； S66终止条件判定： 经过选择、 交叉、 和变异产生下一代， t＝t+1， 计算新种群中个体的 适应度， 如果t ＝T， 令具有最大适应度的个体为最优解， 即最优的单一智能模型关键参数及 组合权重； 否则返回S6 3。权　利　要　求　书 2/2 页 3 CN 115510977 A 3