La Red de Conocimientos Pedagógicos - Conocimientos matemáticos - Progresos de la investigación sobre métodos de solución de modelos de gestión de aguas subterráneas

Progresos de la investigación sobre métodos de solución de modelos de gestión de aguas subterráneas

En general, ya sea la ecuación de estado del sistema de agua subterránea o la función objetivo o las condiciones de restricción del modelo de gestión, a menudo son no lineales, de múltiples picos y discontinuas, lo que dificulta la solución del modelo de gestión. Sin embargo, los métodos de optimización tradicionales deben realizar primero una aproximación lineal del problema no lineal, haciendo que su solución dependa en gran medida del valor inicial y el gradiente de la función objetivo que gobierna el modelo [52]. Cuando la función objetivo es discontinua o no diferenciable, especialmente cuando factores económicos o ambientales están involucrados en los modelos de gestión de aguas subterráneas con parámetros distribuidos, el modelo será más grande y más complejo, de modo que los métodos de optimización tradicionales no pueden resolverse [53].

En los últimos años, la tecnología de optimización ha logrado grandes avances. Se han aplicado algunos métodos de solución heurística con características de optimización global a la gestión de aguas subterráneas, como algoritmos genéticos, algoritmos de recocido simulados, algoritmos de redes neuronales artificiales y búsqueda tabú. algoritmos y algunos algoritmos inteligentes híbridos.

1.2.3.1 Algoritmo genético

El algoritmo genético es un nuevo método de optimización fundado por Holland et al. a principios de la década de 1970 y desarrollado por Goldberg [54]. Al resolver el modelo de gestión de aguas subterráneas, el algoritmo genético no requiere que el sistema de aguas subterráneas sea lineal, por lo que es más adecuado para resolver problemas de gestión de sistemas complejos de aguas subterráneas. En la actualidad, los algoritmos genéticos se han aplicado a diversos campos de la gestión de aguas subterráneas en el país y en el extranjero.

McKinney et al. [55] utilizaron algoritmos genéticos para resolver tres problemas de gestión del agua subterránea: la capacidad máxima de bombeo del acuífero, el coste mínimo de bombeo y el coste mínimo de restauración del acuífero; 56, 57] Combine el método de elementos límite y el algoritmo genético para encontrar soluciones óptimas a tres tipos de problemas de flujo de agua subterránea y transporte de solutos, a saber, determinar la conductividad hidráulica, minimizar los costos de bombeo y el control hidrodinámico de las columnas de contaminación. Morshed et al. aplicación de algoritmos genéticos en la gestión de aguas subterráneas y propuso algunos métodos de mejora; Cai et al. [59] combinaron algoritmos genéticos con programación lineal para resolver modelos de gestión de recursos hídricos no lineales a gran escala. Primero, se utiliza un algoritmo genético para identificar variables complejas. Cuando estas variables permanecen sin cambios, el problema tiende a ser lineal, y luego se utiliza la programación lineal para resolver el modelo de gestión de recursos hídricos por partes. Zheng et al. [60] utilizaron algoritmos genéticos para resolver el modelo de diseño de optimización del sistema de remediación de aguas subterráneas establecido por el método de matriz de respuesta; Ines et al. [61] combinaron sensores remotos y algoritmos genéticos para optimizar la gestión del agua del distrito de riego. En los últimos años, los académicos nacionales Shao et al. [62] tomaron como ejemplo el modelo de gestión de aguas subterráneas no lineal de la cuenca de Yangzhuang en la provincia de Shandong e introdujeron los pasos específicos de la aplicación de algoritmos genéticos para resolver tales problemas. Cui Yali et al. [63] establecieron un modelo de gestión de aguas subterráneas con el objetivo de maximizar el volumen total de bombeo de las tres fuentes de agua en la cuenca de Yangzhuang, provincia de Shandong, y utilizaron un algoritmo genético para resolverlo.

Cabe señalar que el algoritmo genético es un algoritmo aproximado y un algoritmo de optimización global. Su velocidad de convergencia y precisión de la solución están controladas por la selección de ciertos parámetros del algoritmo para múltiples escalas; -Los problemas de gestión de aguas subterráneas variables tienen una velocidad de convergencia lenta y un tiempo de cálculo prolongado, que son las deficiencias de los algoritmos genéticos para resolver modelos complejos de gestión de aguas subterráneas.

1.2.3.2 Algoritmo de recocido simulado (SAA)

El algoritmo de recocido simulado es una extensión del algoritmo de búsqueda local. A diferencia del algoritmo de búsqueda local, selecciona dentro de la vecindad con un. cierta probabilidad Un estado en el que el valor de la función objetivo es bueno. Teóricamente, es un algoritmo de optimización global que abre una nueva forma de resolver problemas de optimización simulando la similitud entre el proceso de recocido de sustancias metálicas y el proceso de resolución de problemas de optimización [64]. El algoritmo de recocido simulado se ha aplicado en el campo de la gestión de aguas subterráneas.

Wang et al. [65] utilizaron un algoritmo genético y un algoritmo de recocido simulado para resolver el modelo de gestión de aguas subterráneas respectivamente, y los compararon con los resultados de los cálculos de programación lineal, programación no lineal y programación dinámica diferencial, y evaluaron los resultados. ventajas de los dos algoritmos. Dougherty et al. [66] introdujeron la aplicación del algoritmo de recocido simulado en la gestión de aguas subterráneas. Rizzo et al. [67] utilizaron un algoritmo de recocido simulado para resolver el problema de gestión de la remediación de aguas subterráneas en múltiples etapas y aplicaron una función de valor para acelerar la velocidad de búsqueda del algoritmo. Cunha [68] utilizó un algoritmo de recocido simulado para resolver el problema de la gestión de aguas subterráneas, de modo que se puedan seleccionar equipos de suministro de agua en las condiciones que satisfagan las necesidades y se puedan minimizar el costo total de instalación y el costo operativo. Kuo et al. [69] propusieron un modelo de gestión de recursos hídricos agrícolas basado en un sistema de riego de campo y un algoritmo de recocido simulado.

Rao et al. [70, 765, 438+0] utilizaron SEAWAT para establecer un modelo de flujo de agua subterránea y transporte de solutos, y utilizaron un algoritmo de recocido simulado para resolver problemas de gestión de aguas subterráneas.

El rendimiento experimental del algoritmo de recocido simulado tiene las ventajas de alta calidad, gran robustez del valor inicial, gran versatilidad y fácil implementación. Sin embargo, para encontrar la solución óptima, el algoritmo de recocido simulado a menudo requiere. un largo tiempo de optimización, que es también la mayor deficiencia de este algoritmo [72].

Red neuronal artificial

El algoritmo de red neuronal artificial es una disciplina emergente que se ha desarrollado rápidamente desde que se propuso el concepto básico en la década de 1940. El método de la red neuronal artificial pertenece al modelo de parámetros agrupados, que es un modelo biónico inteligente que simula el modo de funcionamiento del cerebro humano y puede procesar información en paralelismo a gran escala. Tiene la capacidad de autoorganización, autoadaptación y autoaprendizaje, y tiene las características de no linealidad y no localidad. Además, es bueno en asociación, generalización, analogía y razonamiento, y puede analizar y extraer reglas estadísticas prácticas a partir de grandes cantidades de datos estadísticos [73].

En la gestión de aguas subterráneas, debido a la incompletitud de los datos hidrogeológicos causada por la variabilidad de los datos, la incertidumbre de los parámetros y la variabilidad espacial de las propiedades de los acuíferos, algunos métodos de análisis precisos tienen dificultades para expresar los recursos de aguas subterráneas. con relaciones no lineales entre varias partes del sistema. La introducción de la tecnología de redes neuronales artificiales ha promovido en gran medida la investigación de aplicaciones de modelos de gestión de aguas subterráneas. En 1992, Rogers propuso por primera vez el uso de tecnología de redes neuronales artificiales para optimizar la gestión de las aguas subterráneas en su tesis doctoral y utilizó algoritmos genéticos para el entrenamiento y la identificación de modelos. Desde entonces, algunos académicos han realizado muchas investigaciones en esta área. Ranjithan et al. [74] utilizaron modelos de redes neuronales artificiales para optimizar los planes de recarga de aguas subterráneas cuando el coeficiente de permeabilidad era incierto; Coppola et al. [75] aplicaron con éxito redes neuronales artificiales a tres tipos de problemas de predicción de aguas subterráneas, resolviendo problemas complejos de gestión de aguas subterráneas; Parida et al. [76] utilizaron redes neuronales artificiales para predecir los coeficientes de escorrentía en la gestión de los recursos hídricos.

Es necesario enfatizar que el modelo ANN no es una descripción verdadera del proceso no lineal y no puede reflejar la estructura real del sistema, por lo que no puede reemplazar completamente el modelo del mecanismo del sistema. Al establecer varios modelos de gestión de sistemas no lineales de aguas subterráneas, primero se debe considerar esta naturaleza del modelo de red neuronal artificial. En la actualidad, hay relativamente pocas aplicaciones y estudios de la tecnología de redes neuronales artificiales en la investigación de la gestión de recursos de aguas subterráneas en mi país, especialmente la aplicación integral de la tecnología de redes neuronales artificiales en la gestión de recursos de aguas subterráneas, que todavía está muy por detrás de los países extranjeros.

1.2.3.4 Algoritmo de búsqueda tabú (TSA)

La idea de optimizar gradualmente el algoritmo de búsqueda tabú fue propuesta por primera vez por Glover [77]. Es una extensión de la búsqueda de vecindarios locales, un algoritmo global y una simulación del proceso de inteligencia humana. El algoritmo de búsqueda tabú evita búsquedas indirectas al introducir estructuras de almacenamiento flexibles y criterios tabú correspondientes, y perdona algunos buenos estados tabú al ignorar los criterios, asegurando así una exploración diversificada y efectiva y, en última instancia, logrando una optimización global.

Zheng et al. [78] combinaron el algoritmo de búsqueda tabú y los métodos de programación lineal para resolver el problema de diseño de la remediación de la contaminación del agua subterránea, aplicando principalmente la búsqueda tabú (más efectiva para optimizar ubicaciones de pozos discretos) y la programación lineal ( para optimizar la capacidad de bombeo continuo de manera más efectiva); Zheng et al. [79] utilizaron un algoritmo de búsqueda tabú y un algoritmo de recocido simulado para determinar la estructura de parámetros óptima, respectivamente, y evaluaron y compararon la efectividad y flexibilidad de los dos métodos. Lee et al. [80] realizaron una comparación empírica de ocho algoritmos heurísticos para resolver problemas de programación entera no lineal. Los resultados de la aplicación en el diseño de redes de monitoreo muestran que el algoritmo de recocido simulado y el algoritmo de búsqueda tabú funcionan de manera sobresaliente. Yang Yun y Wu Jianfeng [81] aplicaron el algoritmo de búsqueda tabú y el algoritmo genético para resolver el modelo de gestión de aguas subterráneas, respectivamente, y los resultados lo mostraron; que la búsqueda tabú es más efectiva que el algoritmo genético.

El algoritmo de búsqueda tabú tiene una fuerte dependencia de la solución inicial. Una buena solución inicial puede permitir que la búsqueda tabú encuentre una buena solución en el espacio de soluciones, mientras que una mala solución inicial ralentizará la velocidad de convergencia de la búsqueda tabú. Si la búsqueda tabú se puede aplicar bien a problemas prácticos requiere una consideración completa del impacto de la solución inicial en los resultados de optimización, lo que requiere más investigación. Además, el proceso de búsqueda iterativo es en serie y solo se mueve en un único estado, en lugar de la búsqueda en paralelo, lo que hace que el tiempo de optimización del algoritmo sea a menudo más largo. Para mejorar la eficiencia de la optimización, la tendencia actual es combinar la búsqueda tabú con otros métodos heurísticos, como la combinación de algoritmos de búsqueda tabú con algoritmos genéticos [82, 83].

1.2.3.5 Algoritmo inteligente híbrido

El algoritmo genético de recocido simulado es un algoritmo de optimización que combina el algoritmo genético y el algoritmo de recocido simulado. Sidropoulos et al. [84] utilizaron un algoritmo de recocido simulado y un algoritmo genético para estudiar el problema de gestión de aguas subterráneas con el objetivo de minimizar los costos de bombeo, y finalmente propusieron un método de solución más eficaz para el modelo de gestión de aguas subterráneas: el algoritmo genético de recocido simulado; [85] aplicaron un algoritmo genético de recocido simulado para optimizar el diseño del sistema de biorremediación in situ; Han et al. [86] utilizaron un algoritmo genético de recocido simulado para estudiar la asignación óptima de los recursos hídricos en la cuenca del río Shiyang. Pan Lin [87] y otros aplicaron un algoritmo genético de recocido simulado para optimizar la asignación de agua de riego en áreas de riego; Wu Jianfeng et al [88] utilizaron un algoritmo genético y un método de función de penalización de recocido simulado para resolver el modelo de gestión de aguas subterráneas, y lo aplicaron con éxito. este método a la ciudad de Xuzhou El modelo de evaluación y gestión de recursos de aguas subterráneas ha logrado resultados satisfactorios. El algoritmo genético de recocido simulado no solo supera las deficiencias del algoritmo de optimización basado en gradientes, sino que también garantiza que la solución óptima (o aproximadamente óptima) del problema se pueda obtener de manera efectiva a través del proceso de recocido simulado. Sin embargo, al resolver problemas de gestión de optimización de aguas subterráneas de múltiples decisiones a gran escala, aún queda por estudiar más a fondo cómo reducir el tamaño de la población y mejorar efectivamente la velocidad de optimización de los algoritmos genéticos.

También existen numerosos estudios sobre la combinación de algoritmos de redes neuronales artificiales y algoritmos genéticos para resolver modelos de gestión de aguas subterráneas. Rogers et al. [89] utilizaron algoritmos de redes neuronales artificiales y algoritmos genéticos para diseñar planes de optimización de remediación de aguas subterráneas, y utilizaron redes neuronales artificiales para predecir los resultados de la simulación del flujo de agua y los solutos; sistemas de purificación en condiciones inciertas: algoritmo de red neuronal artificial y algoritmo genético; Brian [91] y otros combinaron el algoritmo genético con el algoritmo de red neuronal artificial para resolver el problema de gestión de la calidad del agua del sistema acuífero con una función objetivo lineal. y se compara este método combinado con los algoritmos tradicionales basados ​​en funciones de gradiente.

Además, a menudo se aplican otros algoritmos híbridos en la gestión de aguas subterráneas. Tung et al. [92] estudiaron la gestión de la extracción de aguas subterráneas combinando la clasificación de patrones con un algoritmo de búsqueda tabú. Hsiao et al. [93] aplicaron un algoritmo híbrido de algoritmo genético y programación dinámica diferencial restringida para resolver el problema de optimización de la recuperación de acuíferos freáticos; Mantawy et al. [94] combinaron algoritmo genético, algoritmo de búsqueda tabú y algoritmo de recocido simulado para resolver el problema. problema de transporte unitario. El núcleo del algoritmo es un algoritmo genético, que genera nuevas poblaciones mediante búsqueda tabú y acelera la convergencia mediante recocido simulado.

Existen muchas formas de resolver los modelos de gestión de aguas subterráneas. Además de los algoritmos de optimización mencionados en este artículo, los métodos inteligentes que se han desarrollado rápidamente en los últimos años, como los algoritmos de optimización del caos, los algoritmos de colonias de hormigas, etc., proporcionan nuevas ideas para resolver este problema. El sistema de recursos de aguas subterráneas en sí es un sistema no lineal muy complejo, y sus funciones y efectos son multifacéticos y multinivel. Las entradas al modelo son deterministas y estocásticas. Por lo tanto, para lograr una gestión más científica y eficaz de las aguas subterráneas, el método de solución del modelo de gestión de las aguas subterráneas también debe ser más preciso y práctico.