公开(公告)号：CN117933103B

公开(公告)日：2024-05-31

申请号：CN202410339656.X

申请日：2024-03-25

Applicant: 南京大学

Inventor： 莫绍星 ,  冯立 ,  施小清 ,  吴吉春

IPC: G06F30/27 ,  G06N3/0464 ,  G06N3/047 ,  G06N3/08 ,  G06N7/01 ,  G06F111/08 ,  G06F111/10 ,  G06F119/14

Abstract: 本发明公开了一种基于贝叶斯深度学习的碳封存模型不确定性分析方法，利用深度神经网络学习多相流数值模型的高维复杂输入‑输出映射关系，形成计算快速的替代模型，取代运算时间长的数值模型计算不确定性分析相应的统计指标，显著降低计算负荷，并利用贝叶斯方法量化基于替代模型计算统计指标结果的置信区间。本发明通过用计算快速的替代模型取代求解计算量大的碳封存数值模型进行快速计算，有效提高不确定性分析的计算效率，从而充分考虑多种可能水文地质情景，量化CO2迁移分布的不确定性，为碳封存工程的优化设计和风险评估提供理论基础和技术支撑。

公开(公告)号：CN114386329A

公开(公告)日：2022-04-22

申请号：CN202210025261.3

申请日：2022-01-11

Applicant: 南京大学

Inventor： 施小清 ,  莫绍星 ,  杜建雯 ,  康学远

IPC: G06F30/27 ,  G06F111/06

Abstract: 本发明公开了一种不确定性条件下DNAPL污染场地修复的多目标优化方法，首先，基于含水层非均质性及DNAPL污染源区的双重不确定性条件下，构建多目标优化模型，以表面活性剂修复井的注入量作为决策变量，以最小化SEAR修复总费用f1和最小化修复后NAPL相的分布范围为优化目标，以修复井的注入量为约束条件；其次，为提高多相流多目标优化的计算效率，构建深度卷积神经网络模型，替代计算量耗时的SEAR修复DNAPL多相流数值模型；最后，采用优化算法调用替代模型对不确定条件下的优化模型进行求解，获得不确定条件下最优的修复方案。本发明能实现不确定条件下DNAPL污染场地最优修复方案的高效获取。

公开(公告)号：CN112149353B

公开(公告)日：2024-03-22

申请号：CN202011014665.X

申请日：2020-09-24

Applicant: 南京大学

Inventor： 施小清 ,  康学远 ,  莫绍星 ,  吴吉春 ,  徐红霞

IPC: G06F30/27 ,  G06N3/0464 ,  G06F18/214 ,  G06F113/08

Abstract: 本发明公开一种基于卷积神经网络识别DNAPL污染物在地下含水层分布的方法，首先，使用CVAE神经网络对非平稳DNAPL饱和度和有效渗透系数场进行参数化；其次，训练CVAE神经网络生成具有物理意义的污染源区结构样本；最好，将CVAE与ESMDA结合，同时考虑多源观测数据，在观测数据有限的前提下，实现DNAPL污染源区的精细识别。本发明在利用同等数据量的情况下，大大提高污染物识别精度，为后期的污染物修复提供有益指导，降低修复成本；并以较低的成本实现较高的污染物识别精度。

公开(公告)号：CN117132023B

公开(公告)日：2024-02-02

申请号：CN202311372396.8

申请日：2023-10-23

Applicant: 南京大学

Inventor： 莫绍星 ,  胡子鸣 ,  施小清 ,  吴吉春 ,  尹鑫 ,  孙媛媛

IPC: G06Q10/063 ,  G06Q50/06 ,  G06N3/048 ,  G06F17/10

Abstract: 本发明公开了基于可解释深度学习的区域陆地水储量变化归因分析方法，首先确定研究区以及研究期范围，确定研究区内潜在的水文气象驱动因子，获取研究区内驱动因子的月时间序列数据和陆地水储量变化的月时间序列数据，并将陆地水储量变化数据和水文气象驱动因子数据按平均法统一重采样至 空间网格进行重组构建数据样本，划分训练集和测试集，进而训练构建深度神经网络模型；最后，利用SHAP解释算法获得每个空间格点中各驱动因子对陆地水储量变化的贡献度，利用贡献度分析方法进行陆地水储量变化归因分析。本发明刻画了陆地水储量变化和驱动因子之间复杂的非线性映射关系，更准确解释驱动因子对区域陆地水储量变化的贡献和影响机制。

公开(公告)号：CN117132023A

公开(公告)日：2023-11-28

申请号：CN202311372396.8

申请日：2023-10-23

Applicant: 南京大学

Inventor： 莫绍星 ,  胡子鸣 ,  施小清 ,  吴吉春 ,  尹鑫 ,  孙媛媛

IPC: G06Q10/063 ,  G06Q50/06 ,  G06N3/048 ,  G06F17/10

Abstract: 本发明公开了基于可解释深度学习的区域陆地水储量变化归因分析方法，首先确定研究区以及研究期范围，确定研究区内潜在的水文气象驱动因子，获取研究区内驱动因子的月时间序列数据和陆地水储量变化的月时间序列数据，并将陆地水储量变化数据和水文气象驱动因子数据按平均法统一重采样至空间网格进行重组构建数据样本，划分训练集和测试集，进而训练构建深度神经网络模型；最后，利用SHAP解释算法获得每个空间格点中各驱动因子对陆地水储量变化的贡献度，利用贡献度分析方法进行陆地水储量变化归因分析。本发明刻画了陆地水储量变化和驱动因子之间复杂的非线性映射关系，更准确解释驱动因子对区域陆地水储量变化的贡献和影响机制。

公开(公告)号：CN112347155A

公开(公告)日：2021-02-09

申请号：CN202011182291.2

申请日：2020-10-29

Applicant: 南京大学

Inventor： 施小清 ,  马春龙 ,  莫绍星 ,  徐红霞 ,  吴吉春

IPC: G06F16/2458 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06Q10/04 ,  G06Q10/06 ,  G06Q50/26

Abstract: 本发明公开了一种基于数据挖掘的场地污染特征因子识别和监测指标优化方法，首先，对预先获取的污染场地的地下水污染数据进行预处理操作；其次，构建自组织映射神经网络模型，完成模型训练后开展数据降维、相关性解析、可视化分析等一系列数据挖掘任务；然后，对自组织映射分类结果进一步采用K均值算法进行无监督聚类学习，实现特征因子的识别；最后，对污染指标采取先分类后分级的策略，优化指标的后期监测过程。本发明可为污染场地数据监测、数据分析和决策管理提供技术支持，通过对污染场地的数据挖掘，识别场地污染特征因子，同时进行监测指标的优化，最终达到降低场地监测成本的目的。