Deep learning förbättrar strömutsläppsbaserade uppskattningar av permeabilitet under ytan, vilket gör det möjligt för forskare att skapa mer exakta vattendelaremodeller. Kredit:Alan Cressler, United States Geological Survey.
Permeabilitet under ytan är en nyckelparameter som styr bidraget från flödet under ytan till strömflöden i vattendelaremodeller. Att direkt mäta permeabiliteten vid den rumsliga utsträckning och upplösning som krävs av vattendelaremodeller är svårt och dyrt. Forskare uppskattar därför vanligtvis permeabiliteten genom omvänd modellering. Den breda tillgängligheten av data om strömningsytflöde jämfört med övervakningsdata för grundvatten ger en ny datakälla för integrerade yt- och underjordiska hydrologiska modeller för att sluta sig till jordmån och geologiska egenskaper.
I en studie publicerad i Frontiers in Earth Science , forskare från Pacific Northwest National Laboratory, Oak Ridge National Laboratory och Los Alamos National Laboratory utbildade djupa neurala nätverk (DNN) för att uppskatta subsurface permeabilitet från strömutsläppshydrografer.
Först utbildade de DNN:erna för att kartlägga sambanden mellan permeabiliteterna i marken och det geologiska skiktet och det simulerade strömutsläppet som erhållits från en integrerad yt-underjordisk hydrologisk modell av den studerade vattendelaren. DNN:erna gav mer exakta permeabilitetsuppskattningar än den traditionella inversmodelleringsmetoden. DNN:erna uppskattade sedan permeabiliteten för en verklig vattendelare (Rock Creek Catchment i Coloradoflodens huvudvatten) med hjälp av observerade bäckutsläpp från studieplatsen. Vattendelaremodellen med permeabilitet uppskattad av DNN:er förutspådde exakt strömmarna. Denna forskning kastar nytt ljus över värdet av nya metoder för djupinlärning för att underlätta integrerad modellering av vattendelare genom att förbättra parameteruppskattningen, vilket så småningom kommer att minska osäkerheten i prediktiva vattendelaremodeller.
Permeabilitet under ytan är ett mått på hur väl vätskor strömmar genom underjordiska bergarter och jordar. Det är en nyckelparameter som avgör underjordiska flöden och transportprocesser i vattendelar. Emellertid är permeabiliteten svår och dyr att mäta direkt i den skala och upplösning som krävs av vattendelaremodeller. Däremot är strömflödesövervakningsdata allmänt tillgängliga. Länkarna mellan permeabilitet och strömflöde ger en ny väg för att uppskatta permeabilitet under ytan. I denna studie vände sig forskare till djupinlärning, en typ av artificiell intelligens. Deep learning uppskattar den underjordiska permeabiliteten för en vattendelare från data om vattenflöden mer exakt än vad som är möjligt med traditionella metoder. Denna förbättring kommer att hjälpa till att kalibrera modeller av vattendelare och minska osäkerheten i förutsägbarheten av strömutsläpp.
Metoden för djupinlärning gav realistiska uppskattningar av permeabiliteten hos ett verkligt vattendelaressystem. Resultaten hade en bättre överensstämmelse mellan de förutsagda och observerade strömutsläppen. Detta arbete visar att djupinlärning kan vara ett kraftfullt verktyg för att uppskatta vattendelareparametrar från indirekta men relevanta observationer som strömflöde. Genom att framgångsrikt använda djupinlärning för att kartlägga förhållandet mellan permeabilitet och strömavlopp, presenterar detta arbete nya möjligheter för att förbättra karakteriseringen under ytan av stora vattendelar. Det banar väg för att hjälpa till att utveckla mer generaliserade strategier för att kalibrera vattendelaremodeller med flera parametrar och typer av data. + Utforska vidare
