Comparación de Dos Métodos Basados en el Ensemblaje de Kalman para Estimar Parámetros de Acuíferos a Partir de Pruebas Tomográficas Hidráulicas y de Trazadores Virtuales en 2-D
Autores: Sánchez-León, Emilio; Erdal, Daniel; Leven, Carsten; Cirpka, Olaf A.
Idioma: Inglés
Editor: MDPI
Año: 2020
Acceso abierto
Artículo científico
2020
Comparación de Dos Métodos Basados en el Ensemblaje de Kalman para Estimar Parámetros de Acuíferos a Partir de Pruebas Tomográficas Hidráulicas y de Trazadores Virtuales en 2-D
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Ciencias de la Tierra y Geología
Palabras clave
Filtro de Kalman en conjunto
Generador de conjunto de Kalman
Campo de conductividad hidráulica
Pruebas de bombeo
Pruebas de trazadores
Estimación de parámetros
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 20
Citaciones: Sin citaciones
Comparamos dos métodos basados en Kalman en conjunto para estimar el campo de conductividad hidráulica de un acuífero a partir de datos de experimentos tomográficos hidráulicos y de trazadores: (i) el Filtro de Kalman en Conjunto (EnKF) y (ii) el Generador de Conjunto de Kalman (KEG). Generamos datos sintéticos de descenso y trazadores simulando dos pruebas de bombeo, cada una seguida de una prueba de trazador. La actualización de parámetros con el EnKF se realiza utilizando la señal transitoria completa. Para los datos hidráulicos, utilizamos el esquema de actualización estándar del EnKF con amortiguamiento, mientras que para los datos de concentración, aplicamos un esquema de reinicio, en el que el transporte de solutos se vuelve a simular desde el tiempo cero hasta el siguiente tiempo de medición después de cada actualización de parámetros. En el KEG, asimilamos iterativamente todas las observaciones simultáneamente, invirtiendo aquí los niveles en estado estacionario y los tiempos medios de llegada de los trazadores. La inversión con el EnKF amortiguado funcionó bien para las pruebas de bombeo transitorias, pero menos para las pruebas de trazadores. El KEG produjo estimaciones similares de conductividad hidráulica pero a costos significativamente más bajos. Concluimos que la estimación de parámetros en pruebas hidráulicas bien definidas se puede realizar de manera muy eficiente mediante métodos iterativos de Kalman en conjunto, y la ambigüedad entre actualizaciones de estado y de parámetros se puede evitar completamente asimilando momentos temporales de datos de concentración en lugar de las series temporales en sí.
Descripción
Comparamos dos métodos basados en Kalman en conjunto para estimar el campo de conductividad hidráulica de un acuífero a partir de datos de experimentos tomográficos hidráulicos y de trazadores: (i) el Filtro de Kalman en Conjunto (EnKF) y (ii) el Generador de Conjunto de Kalman (KEG). Generamos datos sintéticos de descenso y trazadores simulando dos pruebas de bombeo, cada una seguida de una prueba de trazador. La actualización de parámetros con el EnKF se realiza utilizando la señal transitoria completa. Para los datos hidráulicos, utilizamos el esquema de actualización estándar del EnKF con amortiguamiento, mientras que para los datos de concentración, aplicamos un esquema de reinicio, en el que el transporte de solutos se vuelve a simular desde el tiempo cero hasta el siguiente tiempo de medición después de cada actualización de parámetros. En el KEG, asimilamos iterativamente todas las observaciones simultáneamente, invirtiendo aquí los niveles en estado estacionario y los tiempos medios de llegada de los trazadores. La inversión con el EnKF amortiguado funcionó bien para las pruebas de bombeo transitorias, pero menos para las pruebas de trazadores. El KEG produjo estimaciones similares de conductividad hidráulica pero a costos significativamente más bajos. Concluimos que la estimación de parámetros en pruebas hidráulicas bien definidas se puede realizar de manera muy eficiente mediante métodos iterativos de Kalman en conjunto, y la ambigüedad entre actualizaciones de estado y de parámetros se puede evitar completamente asimilando momentos temporales de datos de concentración en lugar de las series temporales en sí.