Page 330 - 《环境工程技术学报》2023年第1期
P. 330

· 326 ·                                 环境工程技术学报                                         第 13 卷

            且我国填埋场设计标准规定填埋场底部渗滤液水位                              1 模型和方法
            应低  于  30 cm。因此,对填埋场渗滤液水位进行探测
                                                                1.1 基本框架和流程
            和管控至关重要。
                                                                   人工神经网络的非线性反演是通过对样本数据
                高密度电法作为中浅层工程勘察的一种勘探方
                                                               的训练,得到一个能正确解释采集数据的网络模
            法,具有无损、快速、时空高分辨率等优点,目前在
                                                               型。传统的神经网络电阻率反演方法,是利用神经
            工程地质、工业场地污染和固废堆场渗漏监测等方
                                                               网络在视电阻率与真实电阻率之间形成非线性映
            面得到广泛研究和应用           [4-6] 。付士根等 利用高密度
                                               ]
                                              [7
                                                               射,但由于川形装置的特殊结构,无法获取到测线下
            电法对填埋场渗滤液进行探测,根据低阻区域分布
                                                               方视电阻率与其位置的一一对应关系。因此笔者采
            特征,识别了渗滤液空间分布和液位高度等信息;张
                                                               用的基于川形装置的电阻率反演方法,是将电势数
                 [8
                  ]
            健智 采用高密度电法并结合钻孔验证,证实了电
                                                               据经过数据预处理后作为神经网络的输入,测线下
            阻率剖面图上的低电阻率区域与渗滤液的堆积有
                                                               方真实的电阻率数据作为输出,即是在采集的电势
                                                  [9
            关。传统的高密度电法装置,如温纳装置 的视电
                                                   ]
                                                               数据和真实电阻率数据间形成非线性的映射关系。
            阻率剖面图呈倒梯形,随着测量深度的加深,剖面图
                                                                   使用神经网络对电势数据进行反演时,首先需
            所能反映的信息越少,分辨率也随之降低。因此当
            渗滤液堆积在填埋场底部时,传统的高密度电法装                             要获得堆体内渗滤液在不同高度的电势数据,其次
                                                                     P
            置获取到的数据中包含渗滤液的信息较少,分辨率                             利 用  B 神经网络学习电势数据与渗滤液信息(渗滤
            也低。基于此,笔者在传统的高密度电法装置上加                             液所处位置与水位高度等)间的关系。利                 用  COMSOL
                                                                         s
                                                                                           )
            以改进,提出了川形探测装置,使得采集的数据中包                            Multiphysic 仿真软  件  (版 本  5.5 模拟获得川形装置
            含更多的渗滤液信息。                                         采集的电势数据样本,以模拟数据为基础训练神经
                                                                             P
                另一方面,填埋场底部往往铺有                  HDPE(High      网络。为验     证  B 神经网络方法应用于垃圾填埋场
            Density Polyethylene, 高密度聚乙烯)膜,当渗滤液堆               渗滤液水位反演问题的可行性和有效性,分别利用
                                                                      L
            积在填埋场底部时,若采用传统的最小二乘(LS)法                           COMSO 模型获得的仿真测试集和现场采集的数
                                                                     P
            进行反演,反演结果会受            到  HDP 膜高阻特性的影              据 对  B 神经网络的渗滤液水位识别结果进行验证。
                                          E
            响,无法准确识别        出  HDP 膜上的渗滤液区域。目                  川形装置数据神经网络的框架和流程如                   图  1  所示。
                                   E
            前人工神经网络        [10 ]  因其在输入与输出间具有优良的                1.2 填埋场数据采集装置与方法
            非线性映射能力,许多学者将其用在电阻率反演问                                 高密度电法装置是通过对创建的地下稳定电流
            题上,并取得了大量的研究成果               [11-15] 。B 神经网络       场进行观察和研究,达到勘探目的。若要采用高密
                                                P
            作为人工神经网络中最具代表性的网络之一,在电                             度电法获得堆体底部的渗滤液的水位信息,测线上
            阻率反演领域也得到了广泛的应用。本研究表明,                             供电电极建立起的电流场必须流经大部分渗滤液堆
            使 用  B 神经网络的方法代          替  L 法进行反演,可以             积的区域。传统的高密度电法装置是在一条测线上
                                         S
                  P
            有效地消     除  HDP 膜边界效应的影响,提高渗滤液                     布有等间距排列的电极,电极间距的设置对探测深
                            E
            水位探测的分辨率。                                          度有很大影响。当极间距过小时,绝大部分电流将
                综上所述,针对填埋场环境下传统高密度电法                           无法流经渗滤液区域,不能获得包含渗滤液水位信
            探测装置及其反演方法存在的不足,本文构建了川                             息的数据;当增大极间距时,虽然探测深度会增加,
            形探测装置,并采        用  B 神经网络模型算法对采集信                  但在深处的分辨率会降低,而且经常受到场地规模
                                P
            息进行反演,实现填埋场堆体内渗滤液不同水位高                             限制,电极间距无法设置得太大。因此传统的高密
            度的电势数据到真实电阻率数据间的非线性反演。                             度电法装置获得的渗滤液信息有限,并且反映的只
            将川形装置采集的电势作            为  B 神经网络的输入,将              是一根测线上的情况,无法获得整个场地的渗滤液
                                       P
            真实电阻率数据作为输出进行训练,由此得到采集                             信息。针对传统高密度电法装置在探测堆体底部渗
            数据和电阻率数据间的非线性映射关系。通过仿真                             滤液问题上存在的不足,笔者提出了基于高密度电

            数据和实例数据,        对  B 神经网络     和  L 法的反演结           法的川形测量装置(        图  2)。
                                P
                                              S
            果进行对比      [16] ,验证了基于川形装置      的  B 神经网络              川形装置主要       由  3  条布有电极的平行测线、工
                                                P
            可以较准确地找出渗滤液的位置与水位高度,而                              控机、信号源、采集单元等构成,因               为  3  条测线等间
            L 法由于受      到  HDP 膜边界效应的影响,无法得出                   距布设,近似为“川”字,因此称为川形装置。川形装
              S
                              E
            渗滤液的位置与水位高度等信息。                                    置利用外侧     的  2  条测 线  (测 线  1  和测 线  3 上的电极
                                                                                                   )
   325   326   327   328   329   330   331   332   333   334   335