一种基于深度学习加速识别多场耦合系统中参数、空间及物理场的敏感性分析方法

本发明公开了一种基于深度学习加速识别多场耦合系统中参数、空间及物理场的敏感性分析方法，包括：构建多场耦合数值模型：基于地质数据建立现场尺度的多物理场耦合模型；基于蒙特卡洛模拟生成训练数据集：通过拉丁超立方采样生成多组参数实例，执行数值模拟存储输出结果；训练深度学习代理模型：采用改进的ResNet‑18架构，以R2和RMSE为指标优化模型参数，建立参数与输出的回归映射；分析三级敏感性：计算全域平均一阶Sobol指数，量化参数敏感性；累加物理场参数贡献值，区分主导物理场并制定解耦策略；绘制空间敏感性分布图，优化监测网络布局。本发明能快速高效识别关键参数、物理场和空间区域。