Abstract Groundwater flow and transport models are routinely applied for contamination risk assessments and remediation plan design. The computational burden of such models has limited their application when a large number of model runs are required to conduct history-matching, sensitivity analysis, uncertainty analysis and optimisation. Deep learning has shown great potential in relaxing this limitation by emulating the process-based models for computational-intensive application. The current study investigates the feasibility of implementing deep learning emulators for a generalised flow and contaminant transport model based on the hydrogeology of an aquifer located in South Australia where contamination risk from on-shore gas development needs to be assessed. Three types of representative predictions are emulated: (i) contaminant concentration at a specific location and time (point variable), (ii) objective functions used for model calibration and uncertainty analysis (lumped variable), and (iii) contaminant breakthrough curves (sequence variable). Our study demonstrates that accurate, efficient and scalable deep learning emulators can be achieved with only a few thousand training samples for a simple transport model. Equipped with the fast-running DNN emulators, contaminant transport models can be applied in more sophisticated environmental modelling to support risk-based decision making. The study sheds light on hybrid modelling that combines the strength of process-based environmental models and data-driven machine learning models.

中文翻译：

---

用于地下水污染物迁移建模的深度学习模拟器

摘要 地下水流和运输模型通常用于污染风险评估和修复计划设计。当需要大量模型运行来进行历史匹配、敏感性分析、不确定性分析和优化时，此类模型的计算负担限制了它们的应用。深度学习通过模拟计算密集型应用的基于过程的模型，在放松这一限制方面显示出巨大的潜力。当前的研究调查了基于位于南澳大利亚的含水层的水文地质学的广义流动和污染物传输模型实施深度学习模拟器的可行性，该含水层需要评估陆上天然气开发的污染风险。模拟了三种类型的代表性预测：(i) 特定位置和时间的污染物浓度（点变量），（ii）用于模型校准和不确定性分析的目标函数（集总变量），以及（iii）污染物穿透曲线（序列变量）。我们的研究表明，对于一个简单的传输模型，只需几千个训练样本就可以实现准确、高效和可扩展的深度学习模拟器。配备快速运行的 DNN 模拟器，污染物传输模型可以应用于更复杂的环境建模，以支持基于风险的决策。该研究揭示了混合建模，它结合了基于过程的环境模型和数据驱动的机器学习模型的优势。(ii) 用于模型校准和不确定性分析的目标函数（集总变量），以及 (iii) 污染物穿透曲线（序列变量）。我们的研究表明，对于一个简单的传输模型，只需几千个训练样本就可以实现准确、高效和可扩展的深度学习模拟器。配备快速运行的 DNN 模拟器，污染物传输模型可以应用于更复杂的环境建模，以支持基于风险的决策。该研究揭示了混合建模，它结合了基于过程的环境模型和数据驱动的机器学习模型的优势。(ii) 用于模型校准和不确定性分析的目标函数（集总变量），以及 (iii) 污染物穿透曲线（序列变量）。我们的研究表明，对于一个简单的传输模型，只需几千个训练样本就可以实现准确、高效和可扩展的深度学习模拟器。配备快速运行的 DNN 模拟器，污染物传输模型可以应用于更复杂的环境建模，以支持基于风险的决策。该研究揭示了混合建模，它结合了基于过程的环境模型和数据驱动的机器学习模型的优势。对于一个简单的传输模型，只需几千个训练样本就可以实现高效且可扩展的深度学习模拟器。配备快速运行的 DNN 模拟器，污染物传输模型可以应用于更复杂的环境建模，以支持基于风险的决策。该研究揭示了混合建模，它结合了基于过程的环境模型和数据驱动的机器学习模型的优势。对于一个简单的传输模型，只需几千个训练样本就可以实现高效且可扩展的深度学习模拟器。配备快速运行的 DNN 模拟器，污染物传输模型可以应用于更复杂的环境建模，以支持基于风险的决策。该研究揭示了混合建模，它结合了基于过程的环境模型和数据驱动的机器学习模型的优势。