用于三维离散断裂-矩阵张量上采样的卷积替代方法

《Computers & Geosciences》:Convolutional surrogate for 3D discrete fracture–matrix tensor upscaling

【字体: 大 中 小 】 时间:2026年03月09日 来源:Computers & Geosciences 4.4

编辑推荐:

  马丁·施佩特利克(Martin ?petlík)| 扬·布雷齐纳(Jan B?ezina) 利贝雷茨技术大学(Technical University of Liberec)机械电子学、信息学与跨学科研究学院(Faculty of Mechatronics, Informat

  马丁·施佩特利克(Martin ?petlík)| 扬·布雷齐纳(Jan B?ezina)
利贝雷茨技术大学(Technical University of Liberec)机械电子学、信息学与跨学科研究学院(Faculty of Mechatronics, Informatics and Interdisciplinary Studies)新科技与应用信息学研究所(Institute of New Technologies and Applied Informatics)
地址:Studentská 1402/2, 461 17 Liberec, 捷克共和国

**摘要**
在三维裂隙结晶介质中对地下水流动进行建模需要捕捉由裂隙引入的空间异质性。使用精细尺度的离散裂隙-基质(DFM)模型进行直接数值模拟在计算上要求较高,尤其是在需要重复评估时。我们计划未来采用多层蒙特卡洛(MLMC)方法来降低计算成本同时保持精度。在精度级别之间转换时,会使用数值均质化方法来放大亚分辨率裂隙的水力传导率的影响。为了降低传统3D数值均质化的计算成本,我们开发了一个替代模型,该模型能够从表示基质和裂隙水力传导率张量场的体素化3D域中预测等效水力传导率张量(Keq)。裂隙特性(包括尺寸、方向和开口度)是根据自然观测结果得出的分布进行采样的。替代模型架构结合了3D卷积神经网络和前馈层,以捕捉局部空间模式和全局相互作用。我们在由离散裂隙-基质(DFM)模拟生成的数据上训练了三个替代模型,每个模型对应不同的裂隙与基质传导率比。它们的性能在不同的裂隙网络参数和基质场的相关长度下都得到了评估。训练有素的替代模型在广泛的测试场景中实现了高预测精度(NRMSE<0.22)。为了证明其实际应用性,我们在两个宏观尺度问题上比较了通过数值均质化和我们的替代模型得到的传导率:计算等效水力传导率张量和预测受限3D区域的出流量。在这两种情况下,基于替代模型的方法在保持精度的同时显著降低了计算成本。当在GPU上进行推理时,基于替代模型的放大倍率超过了100倍。

**引言**
理解裂隙岩石中的地下水流动(Banks and Robins, 2002)对于评估放射性废物深地质储存库的长期安全性至关重要,正如国际原子能机构(IAEA, 2011)所指出的。然而,对于这种高度异质介质的直接数值模拟(DNS)通常在计算上是不可行的,特别是当流动与热过程、化学过程或机械过程耦合时。一种常见的解决方法是将众多的小尺度裂隙放大为等效的水力传导率张量。Wen和Gómez-Hernández(1996)提供了一份关于水力传导率放大技术的全面综述。然而,裂隙网络的分形性质(Sahimi, 2011详细讨论)并没有一个明确的尺度分离阈值来指导这种放大。
离散裂隙-基质(DFM)框架通过将显式的离散裂隙网络(DFN)与周围的连续体表示相结合来应对这一挑战(参见Berre等人(2019)关于裂隙岩石的各种概念模型)。这种混合描述允许从完整的DNS平滑过渡到只使用连续体的较粗糙模型。当与快速且稳健的数值均质化方法(Auriault等人,2009)结合使用时,所得到的粗糙模型提供了一种低成本、低保真度的近似方法——这是通过逆分析和严格的不确定性量化来克服地下数据缺口的重要工具。
我们的主要动机是多层蒙特卡洛(MLMC)方法,这是一种计算效率高的不确定性传播和敏感性分析策略。MLMC依赖于构建一系列相关的细网格和粗网格解对,更多细节见Giles(2015)。然而,直接将MLMC应用于DFM模型是一个重大挑战:粗网格模型缺乏表示小尺度裂隙所需的分辨率。为了捕捉它们的影响,需要高效且准确地将其水力传导率贡献均质化到粗网格DFM模型的基质属性中。
在我们之前的工作(?petlík等人,2024)中,我们引入了基于深度学习的替代模型来加速具有非恒定水力传导率的2D DFM模型的均质化过程。在本文中,我们将2D框架扩展到更现实的3D环境中。这种转变带来了额外的挑战,包括裂隙的几何复杂性增加以及替代模型输入和输出的维度提高。表示微尺度DFM模型中基质水力传导率的张量值空间随机场(SRF)的生成必须扩展到三维。此外,裂隙特性是由自然数据(如裂隙方向分布)确定的,在2D案例研究中这些数据被假设为均匀的。为了适应3D数据增加的复杂性,替代模型架构及其超参数需要进行调整。

**结论**
本研究介绍了一种基于深度学习的替代模型,用于预测来自3D离散裂隙-基质(DFM)模型的等效水力传导率张量(Keq)。我们不仅在之前的研究基础上工作,还参考了Bogdanov等人(2003)的研究。作者们对含有单一特征尺寸平面裂隙的3D立方体岩石基质域进行了均质化处理。他们的模型假设基质和裂隙具有均匀各向同性的属性和不同的渗透率。使用明确解析裂隙的四面体网格,他们通过在每个域中分别求解达西流动来计算有效水力传导率。后来Bogdanov等人(2007)扩展了这项工作,以考虑裂隙尺寸的幂律分布。随后,Lang等人(2014)研究了3D DFM模型,并利用压力梯度结合通量平均在非结构化网格上计算等效水力传导率张量。Azizmohammadi和Matth?i(2017)继续沿着这一研究方向,研究了等效渗透率张量的各向异性和尺度依赖性。

**并行研究**
深度学习技术,特别是卷积神经网络(CNN),已被越来越多地用于从几何或统计描述中推断岩石介质的属性。CNN能够高效处理体积数据并捕捉3D空间依赖性。Hong和Liu(2020)训练3D CNN从表示孔隙尺度几何形状的二值图像中预测方向性和平均渗透率。最近,Meng等人(2023)将CNN与变换器架构结合,以增强从3D多孔结构中提取特征的能力。深度学习在3D DFM模型中的应用仍然相对较少。一些研究,如Rao和Liu(2020)、Vasilyeva和Tyrylgin(2021)、Wang等人(2023),探讨了现实3D场景中的渗透率预测,但主要关注孔隙尺度成像而不是DFM表示。其他研究,如Stepanov等人(2023)、Pal等人(2023),使用前馈神经网络从微尺度模拟中预测等效渗透率,而Cai等人(2023)、Ferreira等人(2022)则采用基于图和生成建模策略来实现相同的目标,尽管问题表述略有不同。尽管He等人(2021)、Andrianov(2022)探讨了使用深度学习放大DFM模型的方法,但这些工作假设水力传导率是恒定的。相比之下,我们的方法针对的是从完全解析的具有随机参数的3D DFM模拟中导出的等效传导率张量的替代建模,使其与MLMC框架兼容。

**文章结构**
本文的其余部分组织如下:第2节介绍了离散裂隙-基质(DFM)模型,并概述了用于定义离散裂隙网络的参数。然后描述了微尺度基质的随机场(SRF)的生成,接着概述了宏观尺度测试问题。第3节介绍了用于训练替代模型的数据集和应用的预处理方法。第4节详细介绍了替代模型的架构。第5节展示了结果并进行了讨论,第6节总结了全文。

**注释**
- **多尺度模型**
本节首先使用(i)离散裂隙网络(DFN)模型和(ii)具有空间相关水力传导率张量场的等效连续介质(ECM)表示来提供裂隙岩石的随机描述。接下来,我们介绍了它们通过DFM公式化的耦合方式。最后,我们制定了两个稳态宏观尺度测试问题,并详细介绍了数值均质化过程。
- **数据集**
设D={(Xj,Kjeq)}j=1D为一个独立同分布样本的数据集。这里Xj∈R^6×F是输入特征向量(体素化的基质和裂隙的水力传导率张量,F为体素数量),Kjeq∈R^6是通过对第2.4节描述的数值均质化得到的相应Keq的分量向量:kxx、kyy、kzz、kyz、kxz和kxy。各个均质化样本在固定域Ωo=(0,1)^3上独立生成。
- **替代模型架构**
替代模型的架构紧密依赖于数据集样本的结构。鉴于输入数据的特性,替代模型结合了卷积神经网络(CNN,作为特征提取器(参见Goodfellow等人,2016年第9章)和前馈神经网络(FNN)用于回归任务(参见Goodfellow等人,2016年,第328页)。为了确定最终架构,我们探索了不同的卷积层组合、核大小等参数。
- **测试数据集上的预测精度**
本节评估了训练有素的替代模型在测试数据集TA、TB和TC上的预测精度。图5显示了每个替代模型及其预测的Keq每个分量的目标值与预测值之间的图表和NRMSE值。对于对角分量(左列),替代模型A表现出最高的精度(NRMSE<0.04),这归因于这些分量的分布较窄。在数据集大小相等的情况下,分布较窄的模型往往具有更好的预测性能。

**结论**
本研究介绍了一种深度学习替代模型,用于预测来自3D离散裂隙-基质(DFM)模型的等效水力传导率张量(Keq)。我们评估了该替代模型的预测性能及其在宏观尺度(粗糙模型)水文地质模拟中的应用价值。形成了三个对应于裂隙与基质水力传导率比值Kf/Km∈{1×10^3,1×10^5,1×10^7}的数据集。在这些数据集上训练的替代模型实现了高预测精度。

**作者贡献声明**
马丁·施佩特利克(Martin ?petlík):撰写——原始草稿、可视化、软件开发、数据分析;扬·布雷齐纳(Jan B?ezina):撰写——审阅与编辑、监督、软件开发、资金获取。

**代码可用性**
源代码可在以下链接下载:
https://github.com/martinspetlik/MLMC-DFM/tree/MS_3d

**利益冲突声明**
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系:扬·布雷齐纳(Jan Brezina)和马丁·施佩特利克(Martin Spetlik)报告称,他们从欧洲放射性废物管理伙伴关系2(EURAD-2)获得了财务支持;马丁·施佩特利克报告称,他们使用了LUMI超级计算机的设备、药品或供应品。如果还有其他作者,他们声明没有已知的财务利益或个人关系可能影响研究结果。

**致谢**
本研究得到了欧洲放射性废物管理伙伴关系2(EURAD-2)的支持。EURAD-2由欧盟根据授权协议N°101166718共同资助。这项工作部分得到了捷克利贝雷茨技术大学的学生资助计划(项目编号SGS-2025-3560)的支持。计算资源由e-INFRA CZ项目(ID:90254)提供,该项目得到了捷克教育、青年和体育部的支持。我们感谢VSB……
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号