⚡ génie électrique

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

Cet article introduit un critère sans modèle basé sur la propriété d'autoconvolution du transport spatialement markovien afin de distinguer le transport non fické piloté par l'hétérogénéité de celui piloté par le transfert de masse, démontrant à travers des simulations que la combinaison de ce test avec une analyse de la queue de débit permet de classifier avec précision les régimes de transport dans les tests de traceurs à distances multiples.

Auteurs originaux : Thi Thanh Hoa Nguyen, Thi My Hong Tran, Song Giang Le

Publié 2026-11-05

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Thi Thanh Hoa Nguyen, Thi My Hong Tran, Song Giang Le

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Lorsque l'eau se déplace à travers le sol, elle ne s'écoule que rarement en une ligne droite et uniforme. Au lieu de cela, elle navigue dans un labyrinthe de terre et de roche, rencontrant des poches de haute résistance et des canaux de passage facile. Ce parcours inégal crée un phénomène que les scientifiques appellent le transport non-fickien. Dans un monde parfaitement uniforme, une goutte de colorant injectée dans un aquifère se propagerait de manière fluide, comme de l'encre dans un verre d'eau immobile. Mais dans le monde réel et désordonné du sous-sol, le colorant arrive selon un schéma chaotique : certaines molécules font la course en tête via des voies rapides, tandis que d'autres restent bloquées dans des zones lentes, émergeant bien plus tard que prévu. Cela crée une « courbe de percée », un graphique montrant quelle quantité de colorant arrive à un puits de surveillance au fil du temps. Le problème est que ce graphique semble identique, que le retard soit causé par le fait que l'eau emprunte un chemin sinueux et rapide à travers un dédale rocheux ou par le fait que le colorant se retrouve piégé dans de minuscules poches d'eau stagnante dont il diffuse lentement pour en sortir. Pendant des décennies, les chercheurs ont lutté pour distinguer ces deux causes physiques très différentes à l'aide d'une seule mesure, ce qui conduit souvent à des modèles qui s'ajustent parfaitement aux données mais échouent à prédire ce qui se passera plus en aval.

Une équipe de chercheurs s'est donné pour mission de résoudre cette énigme en abordant le problème sous un autre angle. Au lieu d'essayer de deviner quel modèle correspond à une courbe unique, ils ont posé une question simple : si l'on mesure le colorant à une certaine distance, peut-on prédire exactement à quoi ressemblera la courbe à deux fois cette distance ? Ils ont découvert que pour de nombreux modèles standards de circulation d'eau souterraine, la réponse est oui. Si le sol est uniforme ou si le piégeage se produit d'une manière qui oublie le passé, la courbe à la seconde distance est simplement une combinaison mathématique de la première courbe avec elle-même. Cependant, ils ont découvert que lorsque le retard est causé par la structure complexe et corrélée de la roche — où les voies rapides mènent à d'autres voies rapides et les voies lentes à d'autres voies lentes — cette prédiction s'effondre. La courbe à la seconde distance ne correspond pas à la prédiction ; elle arrive trop tôt et se propage différemment.

Pour prouver cela, les scientifiques ont lancé des milliers de simulations informatiques de l'eau se déplaçant à travers des champs souterrains virtuels. Ils ont créé des scénarios où le retard provenait purement de la structure de la roche, des scénarios où il provenait purement du piégeage, et des scénarios où les deux se produisaient simultanément. Dans un test frappant, ils ont pris une simulation d'un champ hautement hétérogène, où la roche variait considérablement, et ont ajusté un modèle de « piégeage » standard aux données collectées à une distance spécifique. Ce modèle correspondait parfaitement aux données, ressemblant à une solution sans faille. Mais lorsqu'ils ont utilisé ce même modèle pour prédire l'arrivée du colorant à une distance quatre fois plus éloignée, il a échoué lamentablement, manquant les arrivées précoces et sous-estimant les arrivées tardives. Cela a confirmé qu'une mesure unique ne peut pas distinguer les deux causes, peu importe la perfection de l'ajustement d'un modèle.

Les chercheurs ont ensuite développé un test en deux étapes pour séparer ces causes, en utilisant des données provenant de deux distances et de deux vitesses d'écoulement différentes. Premièrement, ils ont comparé la courbe à une seconde distance par rapport à la prédiction mathématique dérivée de la première. Si la prédiction échouait, cela signalait que le sol était structurellement hétérogène, avec une eau qui se souvenait de son chemin. Si la prédiction tenait bon, le retard était probablement dû à un simple piégeage. Deuxièmement, ils ont ralenti l'écoulement de l'eau dans leurs simulations. Ils ont découvert que si le retard était causé par la diffusion dans des poches stagnantes, la queue de la courbe diminuerait considérablement lorsque l'eau se déplaçait plus lentement. Si le retard était causé par la structure de la roche, la courbe ne changerait pas de la même manière. En combinant ces deux vérifications, l'équipe a pu identifier correctement le mécanisme sous-jacent dans 86 % de leurs cas simulés.

Cette approche offre une nouvelle façon de comprendre le monde caché sous nos pieds sans avoir besoin de deviner le bon modèle mathématique. Elle suggère qu'en mesurant le mouvement des traceurs à plusieurs distances et sous différentes conditions de débit, les scientifiques peuvent enfin déterminer si les retards observés sont dus à l'architecture complexe du sous-sol ou au fait que le soluté reste coincé dans des impasses. L'étude, qui repose entièrement sur des simulations informatiques, fournit une méthode claire et sans modèle pour diagnostiquer ces problèmes de transport. Elle transforme le choix d'un modèle de transport d'un jeu de devinettes en une hypothèse testable, permettant aux chercheurs de concevoir de meilleures expériences et de faire des prédictions plus fiables sur la manière dont les contaminants ou les nutriments se déplaceront dans l'environnement. Bien que les résultats soient actuellement limités aux données simulées, la méthode pose les jalons pour appliquer ces tests rigoureux à des expériences de terrain réelles, transformant potentiellement la gestion de nos ressources en eaux souterraines.

Résumé Technique : Test de la Markovianité Spatiale des Courbes de Rupture

Énoncé du Problème
Les courbes de rupture (BTC - Breakthrough Curves) non-Fickiennes dans les milieux poreux hétérogènes sont fréquemment observées, caractérisées par des arrivées précoces et de longues queues de distribution à temps tardif. Ces caractéristiques découlent généralement de deux mécanismes physiques distincts : (1) l'hétérogénéité spatiale des vitesses corrélées (créant des voies rapides et lentes persistantes) et (2) le transfert de masse entre zones mobiles et immobiles (piégeage). Un défi fondamental en hydrogéologie est qu'une seule BTC ne peut distinguer ces mécanismes. Des modèles macroscopiques tels que l'équation d'advection-dispersion (ADE), le modèle mobile-immobile (MIM), le transfert de masse à taux multiples (MRMT) et la marche aléatoire en temps continu (CTRW) peuvent tous reproduire la même forme de BTC avec des paramètres différents. Par conséquent, un bon ajustement de modèle ne révèle pas le processus physique sous-jacent, et les critères de sélection de modèle (par exemple, l'AIC) échouent souvent à identifier le mécanisme correct, inférant parfois un transfert de masse là où seule une hétérogénéité existe.

Méthodologie
Les auteurs proposent une approche sans modèle pour discriminer le transport piloté par l'hétérogénéité de celui piloté par le transfert de masse en exploitant la propriété de Markov spatiale. L'étude utilise des simulations de suivi de particules en deux dimensions dans des champs de conductivité hydraulique ( $\ln K$ ) présentant des variances ( $\sigma^2_{\ln K}$ ) et des rapports de capacité ( $R$ ) variables.

La méthodologie repose sur deux tests principaux :

Le Test de Markov Spatial (Auto-convolution) : Fondé sur la proposition que si le transport est markovien spatialement et stationnaire à une échelle $d$ , la BTC à la distance $2d$ doit être égale à l'auto-convolution de la BTC à la distance $d$ ( $f_{2d} = f_d * f_d$ ). Cette identité est vérifiée pour les modèles ADE, MIM, MRMT et les modèles CTRW non corrélés. Les violations indiquent un transport spatialement variable (mémoire de vitesse ou non-stationnarité). Le test compare les temps d'arrivée observés à $2d$ par rapport à la distribution générée par la somme des paires de temps d'arrivée à $d$ .
Le Test de Débit (Échange) : Basé sur le comportement d'échelle de l'échange contrôlé par la diffusion. Si la vitesse de flux moyenne ( $U$ ) est réduite, les temps de trajet advectifs suivent une loi en $1/U$ , mais les délais d'échange contrôlés par la diffusion ne suivent pas une mise à l'échelle linéaire. Par conséquent, la queue de la BTC à temps tardif, lorsqu'elle est mise à l'échelle par $U$ , doit se contracter à des débits plus faibles. Cette signature est absente d'une advection pure à travers une géométrie fixe.

L'étude évalue ces tests en utilisant :

Mécanisme A : Hétérogénéité résolue sans échange.
Mécanisme B : Un milieu homogène avec échange sous-maille (calibré pour imiter le Mécanisme A).
Mécanisme C : Hétérogénéité combinée à l'échange sous-maille.
Types de Données : À la fois des temps d'arrivée de particules (sans bruit) et des courbes de concentration emulées avec un bruit de comptage de Poisson, un bruit gaussien multiplicatif et des limites de détection.

Contributions Clés et Résultats

Équifinalité des Courbes Uniques : L'étude confirme qu'une seule BTC ne peut distinguer l'hétérogénéité du transfert de masse. Un modèle MIM calibré sur un champ hautement hétérogène ( $\sigma^2_{\ln K} = 4$ ) a reproduit la BTC sur six ordres de grandeur à la distance de calibration ( $8\lambda$ ). Cependant, ce modèle a échoué à prédire les temps d'arrivée à des distances plus grandes ( $64\lambda$ ), sous-estimant la queue par un facteur de deux, tandis que ses paramètres ajustés (dispersivité et taux d'échange) dérivaient significativement avec la distance.
Validité du Test d'Auto-convolution : Le test d'auto-convolution a identifié avec succès les vitesses spatialement corrélées. Pour les champs hétérogènes, le test a rejeté l'hypothèse nulle (markovianité) avec une puissance élevée (jusqu'à 99 % pour $N=3000$ échantillons) car les temps de trajet sur des segments successifs sont positivement corrélés. En revanche, le test a maintenu un faible taux de fausses alarmes (2 à 7,5 %) pour les milieux homogènes à échange pur (Mécanisme B), où l'identité est respectée.
Signature de Débit : Le test de débit a efficacement isolé les mécanismes d'échange. Lorsque la vitesse de flux était réduite, la queue de la BTC des systèmes dominés par l'échange se contractait en temps réduit, tandis que les systèmes de pure hétérogénéité présentaient une contraction minimale.
Classification Combinée : En appliquant les deux tests, les auteurs ont obtenu un taux de classification correct moyen de 86 % pour distinguer les régimes d'hétérogénéité pure, d'échange pur et mixtes (avec $N=3000$ $N = 3000$ échantillons).
- Limites : Un échange fort ( $R=1$ ) peut masquer l'hétérogénéité, réduisant la puissance du test de Markov. Inversement, une forte hétérogénéité ( $\sigma^2_{\ln K} \ge 2$ ) peut simuler des signatures d'échange en raison de la diffusion dans les inclusions de faible conductivité, entraînant des erreurs de classification dans certains cas.
Robustesse : Les tests sont restés efficaces pour les données de concentration bruitées et censurées, bien que la puissance diminue avec l'augmentation des niveaux de bruit. Le test s'est avéré conservateur concernant les fausses alarmes.

Signification et Revendications
L'article revendique de fournir un critère sans modèle pour identifier les mécanismes physiques derrière le transport non-fickien. Contrairement aux approches précédentes qui reposent sur l'ajustement de modèles spécifiques ou la comparaison de complexités de modèles, cette méthode teste une hypothèse fondamentale sur la structure spatiale du transport :

Elle démontre que les violations de la propriété de Markov spatiale (spécifiquement l'identité d'auto-convolution) sont une signature définitive de transport à vitesse variable (mémoire de vitesse ou non-stationnarité), rejetant toute la classe des modèles non corrélés (ADE, MIM, MRMT, CTRW non corrélé).
Elle établit que la mise à l'échelle du débit de la queue à temps tardif est une signature distincte du transfert de masse contrôlé par la diffusion.
L'approche combinée soutient la conception de tests de traçage à multi-distances et multi-débits pour identifier les mécanismes de transport sans l'ambiguïté de l'ajustement de modèle.

Les auteurs concluent que, bien qu'une seule BTC soit insuffisante pour l'identification des mécanismes, la comparaison des courbes à plusieurs distances et débits permet de discriminer l'hétérogénéité et le transfert de masse dans la plupart des scénarios pratiques, transformant le choix d'un modèle de transport macroscopique en une hypothèse testable sur la physique sous-jacente.

Articles similaires