⚡ ingeniería eléctrica

Testing spatial Markovianity of breakthrough curves: a model-free criterion to discriminate heterogeneity-driven from mass-transfer- driven non-Fickian transport

Este artículo introduce un criterio libre de modelos basado en la propiedad de autoconvolución del transporte espacialmente markoviano para distinguir entre el transporte no fickiano impulsado por la heterogeneidad y el impulsado por la transferencia de masa, demostrando mediante simulaciones que la combinación de esta prueba con un análisis de la cola de la tasa de flujo puede clasificar con precisión los regímenes de transporte en pruebas de trazadores de distancias múltiples.

Autores originales: Thi Thanh Hoa Nguyen, Thi My Hong Tran, Song Giang Le

Publicado 2026-11-05

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Thi Thanh Hoa Nguyen, Thi My Hong Tran, Song Giang Le

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Cuando el agua se mueve a través del suelo, rara vez fluye en una línea recta y uniforme. En su lugar, navega por un laberinto de suelo y roca, encontrando bolsas de alta resistencia y canales de paso fácil. Este trayecto desigual crea un fenómeno que los científicos llaman transporte no fickeano. En un mundo perfectamente uniforme, una gota de colorante inyectada en un acuífero se extendería suavemente, como la tinta en un vaso de agua estancada. Pero en el mundo real y desordenado del subsuelo, el colorante llega en un patrón caótico: algunas moléculas avanzan rápidamente a través de carriles rápidos, mientras que otras se quedan atrapadas en zonas lentas, emergiendo mucho más tarde de lo esperado. Esto crea una "curva de ruptura", un gráfico que muestra cuánto colorante llega a un pozo de monitoreo a lo largo del tiempo. El problema es que este gráfico se ve igual ya sea que el retraso sea causado por el hecho de que el agua tome un camino sinuoso y rápido a través de un laberinto rocoso o por el hecho de que el colorante se quede atrapado en diminutas bolsas de agua estancada de las que difunde lentamente. Durante décadas, los investigadores han luchado por distinguir estas dos causas físicas muy diferentes utilizando solo una única medición, lo que a menudo conduce a modelos que se ajustan perfectamente a los datos pero fallan al predecir qué sucederá más adelante en la corriente.

Un equipo de investigadores se propuso resolver este rompecabezas mirando el problema desde un ángulo diferente. En lugar de intentar adivinar qué modelo se ajusta a una sola curva, se hicieron una pregunta sencilla: si mides el colorante a una distancia, ¿puedes predecir exactamente cómo se verá la curva a el doble de esa distancia? Descubrieron que para muchos modelos estándar de flujo de agua subterránea, la respuesta es sí. Si el terreno es uniforme o si el atrapamiento ocurre de una manera que olvida el pasado, la curva en la segunda distancia es simplemente una combinación matemática de la primera curva consigo misma. Sin embargo, descubrieron que cuando el retraso es causado por la estructura compleja y correlacionada de la roca —donde los caminos rápidos conducen a otros caminos rápidos y los caminos lentos conducen a otros lentos— esta predicción falla. La curva en la segunda distancia no coincide con la predicción; llega demasiado pronto y se dispersa de manera diferente.

Para probar esto, los científicos realizaron miles de simulaciones por computadora de agua moviéndose a través de campos subterráneos virtuales. Crearon escenarios donde el retraso provenía puramente de la estructura de la roca, escenarios donde provenía puramente del atrapamiento, y escenarios donde ambos ocurrían al mismo tiempo. En una prueba impactante, tomaron una simulación de un campo altamente heterogéneo, donde la roca variaba drásticamente, y ajustaron un modelo estándar de "atrapamiento" a los datos recolectados en una distancia específica. Este modelo coincidía perfectamente con los datos, pareciendo una solución impecable. Pero cuando usaron ese mismo modelo para predecir la llegada del colorante a una distancia cuatro veces mayor, falló estrepitosamente, pasando por alto las llegadas tempranas y subestimando las tardías. Esto confirmó que una sola medición no puede distinguir entre las dos causas, sin importar qué tan bien se ajuste un modelo.

Los investigadores desarrollaron entonces una prueba de dos pasos para separar estas causas, utilizando datos de dos distancias diferentes y dos velocidades de flujo diferentes. Primero, compararon la curva en una segunda distancia contra la predicción matemática derivada de la primera. Si la predicción fallaba, señalaba que el terreno era estructuralmente heterogéneo, con el agua recordando su camino. Si la predicción se mantenía, el retraso se debía probablemente a un atrapamiento simple. Segundo, redujeron la velocidad del flujo de agua en sus simulaciones. Descubrieron que si el retraso era causado por la difusión en bolsas estancadas, la cola de la curva se reduciría significativamente cuando el agua se movía más lento. Si el retraso era causado por la estructura de la roca, la curva no cambiaría de la misma manera. Al combinar estos dos controles, el equipo pudo identificar correctamente el mecanismo subyacente en el 86% de sus casos simulados.

Este enfoque ofrece una nueva forma de entender el mundo oculto bajo nuestros pies sin necesidad de adivinar el modelo matemático correcto. Sugiere que, al medir el movimiento de un trazador a múltiples distancias y bajo diferentes condiciones de flujo, los científicos pueden finalmente determinar si los retrasos que observan se deben a la compleja arquitectura del subsuelo o a que el soluto se queda atrapado en callejones sin salida. El estudio, que se basó enteramente en simulaciones por computadora, proporciona un método claro y libre de modelos para diagnosticar estos problemas de transporte. Convierte la elección de un modelo de transporte de un juego de adivinanzas en una hipótesis contrastable, permitiendo a los investigadores diseñar mejores experimentos y realizar predicciones más fiables sobre cómo se moverán los contaminantes o los nutrientes en el medio ambiente. Si bien los resultados están actualmente limitados a datos simulados, el método sienta las bases para aplicar estas pruebas rigurosas a experimentos de campo reales, transformando potencialmente la forma en que gestionamos los recursos de agua subterránea.

Resumen Técnico: Pruebas de la Markovianidad Espacial de las Curvas de Ruptura

Planteamiento del Problema
Las curvas de ruptura (BTC, por sus siglas en inglés) no fickeanas en medios porosos heterogéneos son comúnmente observadas, caracterizadas por llegadas tempranas y colas prolongadas en tiempos tardíos. Estas características surgen típicamente de dos mecanismos físicos distintos: (1) heterogeneidad de velocidad correlacionada espacialmente (creando trayectorias rápidas y lentas persistentes) y (2) transferencia de masa entre regiones móviles e inmóviles (atrapamiento). Un desafío fundamental en la hidrogeología es que una sola BTC no puede distinguir entre estos mecanismos. Los modelos macroscópicos como la Ecuación de Advección-Dispersión (ADE), el Modelo de Móvil-Inmóvil (MIM), la Transferencia de Masa de Multitasa (MRMT) y el Caminata Aleatoria de Tiempo Continuo (CTRW) pueden reproducir la misma forma de BTC con diferentes parámetros. En consecuencia, un buen ajuste de un modelo no revela el proceso físico subyacente, y los criterios de selección de modelos (por ejemplo, AIC) a menudo fallan al identificar el mecanismo correcto, infiriendo en ocasiones transferencia de masa donde solo existe heterogeneidad.

Metodología
Los autores proponen un enfoque libre de modelos para discriminar entre el transporte impulsado por la heterogeneidad y el impulsado por la transferencia de masa, explotando la propiedad de Markov espacial. El estudio utiliza simulaciones de seguimiento de partículas en dos dimensiones en campos de conductividad hidráulica ( $\ln K$ ) con varianza ( $\sigma^2_{\ln K}$ ) y razones de capacidad ( $R$ ) variables.

La metodología se basa en dos pruebas primarias:

La Prueba de Markov Espacial (Autoconvolución): Basada en la proposición de que si el transporte es de Markov espacial y estacionario a una escala $d$ , la BTC a la distancia $2d$ debe ser igual a la autoconvolución de la BTC a la distancia $d$ ( $f_{2d} = f_d * f_d$ ). Esta identidad se cumple para los modelos ADE, MIM, MRMT y CTRW no correlacionados. Las violaciones indican transporte espacialmente variable (memoria de velocidad o no estacionariedad). La prueba compara los tiempos de llegada observados a $2d$ contra la distribución generada por la suma de pares de tiempos de llegada a $d$ .
La Prueba de Tasa de Flujo (Intercambio): Basada en el comportamiento de escala del intercambio controlado por difusión. Si se reduce la velocidad media del flujo ( $U$ ), los tiempos de viaje advectivos escalan como $1/U$ , pero los retrasos por intercambio controlado por difusión no escalan linealmente. Por consiguiente, la cola de tiempo tardío de la BTC, cuando se escala por $U$ , debe contraerse a tasas de flujo más bajas. Esta firma está ausente en la advección pura a través de una geometría fija.

El estudio evalúa estas pruebas utilizando:

Mecanismo A: Heterogeneidad resuelta sin intercambio.
Mecanismo B: Un medio homogéneo con intercambio sub-grilla (calibrado para imitar el Mecanismo A).
Mecanismo C: Heterogeneidad combinada con intercambio sub-grilla.
Tipos de Datos: Tanto tiempos de llegada de partículas (sin ruido) como curvas de concentración emuladas con ruido de conteo de Poisson, ruido gaussiano multiplicativo y límites de detección.

Contribuciones Clave y Resultados

Equifinalidad de Curvas Únicas: El estudio confirma que una sola BTC no puede distinguir entre heterogeneidad y transferencia de masa. Un modelo MIM calibrado en un campo altamente heterogéneo ( $\sigma^2_{\ln K} = 4$ ) reprodujo la BTC a lo largo de seis órdenes de magnitud en la distancia de calibración ( $8\lambda$ ). Sin embargo, este modelo falló al predecir los tiempos de llegada a distancias mayores ( $64\lambda$ ), subestimando la cola por un factor de dos, mientras que sus parámetros ajustados (dispersividad y tasa de intercambio) derivaron significativamente con la distancia.
Validez de la Prueba de Autoconvolución: La prueba de autoconvolución identificó con éxito velocidades espacialmente correlacionadas. Para campos heterogéneos, la prueba rechazó la hipótesis nula (markovianidad) con un alto poder (hasta 99% para $N=3000$ muestras) debido a que los tiempos de viaje sobre segmentos sucesivos están positivamente correlacionados. En contraste, la prueba mantuvo una baja tasa de falsas alarmas (2–7.5%) para medios homogéneos de solo intercambio (Mecanismo B), donde la identidad se cumplía.
Firma de la Tasa de Flujo: La prueba de tasa de flujo aisló eficazmente los mecanismos de intercambio. Cuando se redujo la velocidad del flujo, la cola de tiempo tardío de los sistemas dominados por intercambio se contrajo en el tiempo escalado, mientras que los sistemas de pura heterogeneidad mostraron una contracción mínima.
Clasificación Combinada: Al aplicar ambas pruebas, los autores lograron una tasa de clasificación correcta promedio del 86% para distinguir entre regímenes de solo heterogeneidad, solo intercambio y mixtos (con $N=3000$ $N = 3000$ muestras).
- Limitaciones: Un intercambio fuerte ( $R=1$ ) puede enmascarar la heterogeneidad, reduciendo el poder de la prueba de Markov. Inversamente, una fuerte heterogeneidad ( $\sigma^2_{\ln K} \ge 2$ ) puede imitar las firmas de intercambio debido a la difusión en inclusiones de baja conductividad, lo que lleva a una clasificación errónea en algunos casos.
Robustez: Las pruebas siguieron siendo efectivas para datos de concentración con ruido y censurados, aunque el poder disminuyó con niveles de ruido más altos. La prueba resultó ser conservadora respecto a las falsas alarmas.

Significancia y Reivindicaciones
El artículo sostiene que proporciona un criterio libre de modelos para identificar los mecanismos físicos detrás del transporte no fickeano. A diferencia de enfoques previos que dependen del ajuste de modelos específicos o de la comparación de la complejidad de los modelos, este método prueba una hipótesis fundamental sobre la estructura espacial del transporte:

Demuestra que las violaciones de la propiedad de Markov espacial (específicamente la identidad de autoconvolución) son una firma definitiva de transporte espacialmente variable (memoria de velocidad o no estacionariedad), rechazando toda la clase de modelos no correlacionados (ADE, MIM, MRMT, CTRW no correlacionados).
Establece que la escala de la tasa de flujo de la cola de tiempo tardío es una firma distinta de la transferencia de masa controlada por difusión.
El enfoque combinado respalda el diseño de pruebas de trazadores de múltiples distancias y múltiples tasas para identificar mecanismos de transporte sin la ambigüedad de la calibración de modelos.

Los autores concluyen que, si bien una sola BTC es insuficiente para la identificación de mecanismos, la comparación de curvas a múltiples distancias y tasas de flujo permite la discriminación de la heterogeneidad y la transferencia de masa en la mayoría de los escenarios prácticos, convirtiendo la elección de un modelo de transporte macroscópico en una hipótesis testable sobre la física subyacente.

Más como este