地下水是一个复杂、开放的巨系统，受到地表、地下以及人类活动等众多因素的影响。在实际情况下，研究者无法洞悉地下水系统的全部细节，建立模型时需对地下水系统进行概化，以及有限的观测（识别）数据，从而导致地下水模型不能准确、可靠的描述地下水流及污染物运移过程的现象，称之为地下水模拟不确定性。众多不确定性因素通过地下水模型的建立与识别等过程，影响了模型输出及预测结果的可靠性，损害了相关地下水管理决策的科学性，而模型结构偏差是导致模型预测不确定性的重要因素之一。高斯过程回归(Gaussian process regression, GPR)作为一种高效的数据驱动机器学习算法，其优点是能够在贝叶斯框架下进行模型不确定性定量分析与控制。本次研究基于一个地下水DNAPL（重非水相液体）运移室内砂箱试验，通过三维、变饱和、多相流数值模拟模型-TMVOC刻画地下水中DNAPL的运移过程，并利用GPR刻画地下水运移模型的结构偏差。结果表明，不考虑模型结构误差，直接进行模型参数识别，可能导致参数补偿效应，引起模型预测偏差。同时，GPR能够很好地描述地下水DNAPL运移模型的结构偏差，通过构建模型结构误差模型，能够提高地下水DNAPL运移模型的预测性能。
 

数据驱动,地下水,污染,数值模拟