Convolutional Surrogate for 3D Discrete Fracture-Matrix Tensor Upscaling

Dit artikel introduceert een 3D-convolutioneel neuronaal netwerk als een snelle en nauwkeurige surrogate voor het upscalen van hydraulische geleidbaarheidsvectoren in gebroken kristallijne media, waarmee de rekenkosten van gedetailleerde discrete breuk-matrix-simulaties met meer dan 100 keer worden gereduceerd zonder in te leveren op precisie.

De kern

Hoe een slimme computer het gedrag van ondergrondse waterstromen voorspelt: Een verhaal over breuken, rotsen en een digitale "tussenpersoon"

Stel je voor dat je probeert te begrijpen hoe water stroomt door een enorm, complex blok graniet. Dit gesteente zit vol met spleten en barsten (fractures), net als een oude muur met barstjes. Water stroomt heel snel door deze barsten, maar heel langzaam door het stevige gesteente ertussen.

Om dit precies te berekenen, moeten wetenschappers een heel gedetailleerd 3D-model maken van elke barst en elk stukje steen. Dit is als het proberen te tekenen van elke individuele steen in een kasteel, inclusief de kleine kieren ertussen. Het probleem? Dit kost zo'n enorme hoeveelheid rekenkracht en tijd dat het bijna onmogelijk is om dit vaak te doen, bijvoorbeeld om te testen wat er gebeurt als het klimaat verandert of als we radioactief afval veilig willen opslaan.

De oplossing: Een digitale "tussenpersoon" (Surrogate)

De auteurs van dit papier, Martin en Jan, hebben een slimme oplossing bedacht. In plaats van elke keer het hele complexe model te bouwen, hebben ze een kunstmatige intelligentie (AI) getraind om het werk voor ze te doen.

Je kunt dit vergelijken met een ervaren kok en een snelle robot:

• De kok (de traditionele berekening): Deze maakt een perfecte, gedetailleerde soep. Hij neemt de tijd, gebruikt de beste ingrediënten en controleert elke stap. Maar het duurt uren.
• De robot (de AI-surrogaat): Deze robot heeft duizenden keren gekeken hoe de kok de soep maakt. Hij heeft de patronen geleerd. Als je hem nu vraagt "hoe smaakt deze soep?", kan hij het antwoord in een fractie van een seconde geven. Hij is niet 100% perfect, maar hij is zo nauwkeurig dat het verschil nauwelijks merkbaar is, en hij is 100 keer sneller.

Hoe hebben ze de robot getraind?

1. Het trainingsmateriaal: De wetenschappers hebben eerst duizenden keren het dure, langzame model (de kok) laten draaien met verschillende soorten rotsen en barsten. Ze hebben gekeken: "Als de barsten zo groot zijn en het gesteente zo hard, wat is dan de totale doorlaatbaarheid?"
2. Het leren: Ze hebben deze data (inbeelden van 3D-ruimtes met barsten) gevoerd aan een 3D Convolutional Neural Network. Dit is een soort AI die heel goed is in het herkennen van patronen in beelden, net zoals je hersenen een gezicht herkennen in een foto. De AI leerde: "Oh, als ik dit patroon van barsten zie, dan stroomt het water meestal in die richting."
3. De test: Vervolgens gaven ze de AI nieuwe situaties die ze nog nooit hadden gezien. De AI moest de uitkomst voorspellen. Het resultaat? De AI had het bijna perfect voor elkaar (met een foutmarge van minder dan 22%, wat in deze wereld heel goed is).

Waarom is dit zo belangrijk?

Stel je voor dat je een grote stad wilt bouwen en je moet weten hoe het water zich verplaatst onder de grond.

• Zonder AI: Je moet elke steen in de stad meten en berekenen. Dit duurt maanden.
• Met AI: Je geeft de AI een foto van de ondergrond, en zij zegt binnen een seconde: "Hier stroomt het water snel, hier langzaam."

Dit maakt het mogelijk om duizenden scenario's te testen in plaats van maar één. Dit is cruciaal voor het veilig opslaan van radioactief afval, waar we zeker moeten zijn dat het water nooit naar boven komt.

De "magische" snelheid

Het meest indrukwekkende is de snelheid. Als je de AI laat werken op een krachtige grafische kaart (zoals in een gaming-computer), is ze meer dan 100 keer sneller dan de traditionele supercomputers die normaal worden gebruikt. Het is alsof je van een paard en wagen overstapt op een raket.

Samenvatting in één zin:
Deze wetenschappers hebben een slimme computer getraind om het gedrag van water in rotsen met barsten te voorspellen, zodat we complexe berekeningen die normaal dagen duren, in seconden kunnen doen, zonder aan nauwkeurigheid in te boeten. Het is een digitale tussenpersoon die het zware rekenwerk overneemt, zodat we ons kunnen focussen op de echte problemen.

Technische samenvatting

Titel

Convolutioneel Surrogaat voor 3D Discrete Fractuur-Matrix Tensor Upscaling

1. Probleemstelling

Het modelleren van grondwaterstroming in driedimensionale, gebroken kristallijne media is essentieel voor toepassingen zoals de veiligheid van diepe geologische opslagplaatsen voor radioactief afval. De aanwezigheid van fracturen introduceert aanzienlijke ruimtelijke heterogeniteit.

• Uitdaging: Directe numerieke simulaties (DNS) met fijne schaal discrete fractuur-matrix (DFM) modellen zijn computationeel zeer intensief, vooral wanneer herhaalde evaluaties nodig zijn (bijvoorbeeld voor onzekerheidskwantificering).
• Beperking van bestaande methoden: Het gebruik van Multilevel Monte Carlo (MLMC) methoden vereist een hiërarchie van modellen met verschillende resoluties. Het probleem is dat grofmazige modellen de kleine fracturen niet kunnen oplossen. Om deze effecten toch mee te nemen, moet de hydraulische geleidbaarheid van sub-resolutie fracturen worden "gehomogeniseerd" naar de matrixeigenschappen.
• Noodzaak: Traditionele numerieke homogenisatie is te traag voor MLMC-toepassingen. Er is behoefte aan een snelle, maar nauwkeurige vervanger (surrogaatmodel) om de equivalente hydraulische geleidbaarheidstensor ($K_{eq}$) te voorspellen op basis van een voxelized 3D domein.

2. Methodologie

A. Data Generatie en DFM Model

• DFM Framework: Het model koppelt een expliciet Discrete Fracture Network (DFN) aan een omringend continuüm (ECM) met een heterogene hydraulische geleidbaarheid.
• Fractuurkenmerken: Fracturen worden gegenereerd met een Poisson-proces. Eigenschappen zoals grootte (kracht-wet verdeling), oriëntatie (Fisher-verdeling) en opening (aperture) worden gesampled op basis van natuurlijke observaties.
• Matrix: De hydraulische geleidbaarheid van de matrix wordt gemodelleerd als een ruimtelijk gecorreleerd willekeurig veld (SRF) met een Gaussische correlatiestructuur.
• Datasets: Er zijn drie datasets gegenereerd (A, B, C), elk corresponderend met een specifiek verhouding tussen fractuur- en matrixgeleidbaarheid ($K_f/K_m$): $10^3$, $10^5$ en $10^7$. Elke dataset bevat 75.000 samples.
• Voxelisatie: De complexe 3D geometrie (fracturen en matrix) wordt omgezet naar een regelmatige voxelgrid (64x64x64) om invoer te maken voor het neurale netwerk.

B. Architectuur van het Surrogaatmodel

• Type: Een hybride architectuur bestaande uit een 3D Convolutional Neural Network (CNN) gekoppeld aan Feed-Forward Netwerken (FNN).
• CNN-deel: Bestaat uit vier lagen van Conv3D (met kernelgrootte 3x3x3), gevolgd door max-pooling en batchnormalisatie. Dit reduceert de invoer tot een feature map van 4x4x4x1296.
• FNN-deel: De geflatteerde features worden verwerkt door volledig verbonden lagen (2048, 2048, 1024 neuronen) met ReLU-activatie.
• Output: Een laag met 6 neuronen (identiteitsfunctie) die de componenten van de equivalente tensor $K_{eq}$ voorspellen (in Voigt-notatie: $k_{xx}, k_{yy}, k_{zz}, k_{yz}, k_{xz}, k_{xy}$).
• Training: De modellen worden getraind met de Adam-optimizer en Mean Squared Error (MSE) als verliesfunctie. De invoer en output worden genormaliseerd en gestandaardiseerd (log-transformatie voor diagonale componenten).

C. Evaluatiestrategie

• De prestaties worden getest op verschillende parameters: fractuurdichtheid ($P_{30}$), correlatielengte van het matrixveld ($\lambda$), en verschillende DFN-configuraties (gebaseerd op echte locaties zoals Forsmark en Laxemar).
• Twee macro-schaal problemen worden gebruikt om de praktische bruikbaarheid te testen:
  1. Constraint-probleem: Berekening van de uitstroom uit een beperkt 3D gebied.
  2. Anisotropie-probleem: Berekening van de volledige equivalente geleidbaarheidstensor.

3. Belangrijkste Bijdragen

1. Extensie naar 3D: Het artikel breidt eerder werk uit van 2D naar 3D DFM-modellen, wat aanzienlijk complexer is vanwege de geometrie en de dimensie van de invoer/uitvoer.
2. Snelle Homogenisatie: Ontwikkeling van een diep-leer surrogaat dat de equivalente hydraulische geleidbaarheidstensor direct voorspelt uit een voxelized representatie van het medium, zonder dure numerieke simulaties.
3. Robuustheid: Het model is getraind en getest op diverse fractuurverdelingen en correlatielengtes, wat de generalisatiekracht aantoont.
4. Integratie in MLMC: Het biedt een haalbare oplossing om de computationele kosten van Multilevel Monte Carlo methoden voor onzekerheidsanalyse in gebroken rotsen drastisch te verlagen.

4. Resultaten

• Voorspellende Nauwkeurigheid:

  • De getrainde surrogaten bereiken een hoge nauwkeurigheid met een genormaliseerde wortel-middelkwadratenfout (NRMSE) kleiner dan 0,22 voor alle tensorcomponenten over een breed scala aan testsituaties.
  • De nauwkeurigheid varieert per dataset: Surrogaat A (lage $K_f/K_m$) is het meest nauwkeurig voor diagonale componenten, terwijl Surrogaat C (hoge $K_f/K_m$) beter presteert voor niet-diagonale componenten.
  • Het model generaliseert goed naar onbekende fractuurconfiguraties (DFN 1-4) en correlatielengtes binnen het trainingsbereik.

• Computationele Kostenreductie:

  • De surrogaatmethode is aanzienlijk sneller dan traditionele numerieke homogenisatie.
  • Bij inferentie op een GPU (NVIDIA Tesla T4) wordt een snelheidswinst van meer dan 100x bereikt ten opzichte van CPU-gebaseerde numerieke homogenisatie. Zelfs op een CPU is er nog steeds een winst van >16x.
  • De meeste tijd wordt verbruikt in de voxelisatie, niet in de neurale netwerk-inferentie.

• Praktische Toepassing:

  • Wanneer de voorspelde tensors worden gebruikt in macro-schaal simulaties (Constraint en Anisotropie problemen), zijn de resultaten (uitstroom en equivalente tensor) zeer dicht bij die van de referentie (numerieke homogenisatie).
  • De NRMSE voor de uitstroom in het Constraint-probleem blijft onder de 0,07, zelfs in scenario's waar de invloed van de geupscalde geleidbaarheid groot is.

5. Betekenis en Conclusie

Dit onderzoek demonstreert dat diep leeren een krachtige tool is voor het overbruggen van schalen in hydrogeologische modellering van gebroken media. De voorgestelde 3D convolutionele surrogaatmodellen bieden een schaalbare en efficiënte oplossing voor het upscalen van hydraulische geleidbaarheidstensors.

De belangrijkste implicatie is dat deze methode het mogelijk maakt om Multilevel Monte Carlo (MLMC) methoden toe te passen op complexe DFM-modellen, wat eerder onmogelijk was vanwege de rekenkosten. Hierdoor kan onzekerheidskwantificering en gevoeligheidsanalyse veel robuuster en sneller worden uitgevoerd, wat cruciaal is voor het beoordelen van de veiligheid van ondergrondse opslagplaatsen. De auteurs kondigen aan dat toekomstig werk zich zal richten op de volledige integratie van deze surrogaten in MLMC-frameworks.