TraceRIFT: Reference-preserving ensemble selection for discrete fracture networks from incomplete traces

Onder het aardoppervlak is gesteente zelden een massief, ononderbroken blok. In plaats daarvan is het vaak een gefragmenteerde mozaïek, doorkruist door talloze scheuren en barsten die een complex, driedimensionaal web vormen dat bekend staat als een discrete breuknetwerk. Deze verborgen paden zijn cruciaal voor het begrijpen van hoe water, olie of zelfs warmte zich door de grond beweegt. Geologen kunnen zien waar deze scheuren het oppervlak van een klif of een weginsnijding kruisen, wat zichtbare lijnen achterlaat die sporen worden genoemd. Deze oppervlaktesporen zijn echter slechts een gedeeltelijk beeld van een veel grotere, onzichtbare structuur. Net zoals een enkele schaduw niet de volledige vorm van een complex object kan onthullen, kunnen een paar oppervlaktesporen corresponderen met vele verschillende mogende ondergrondse netwerken. Sommige van deze verborgen netwerken kunnen nauw met elkaar verbonden zijn, waardoor vloeistoffen vrij kunnen stromen, terwijl andere geïsoleerde eilanden van gesteente zijn die beweging volledig blokkeren. De uitdaging voor wetenschappers is om de beperkte, vaak gefragmenteerde oppervlaktedata die zij hebben te nemen en een klein, beheersbaar pakket van de meest waarschijnlijke ondergrondse mogelijkheden te reconstrueren zonder per ongeluk degene weg te gooien die daadwerkelijk correct is.

Jarenlang hebben onderzoekers vertrouwd op computersimulaties om duizenden van deze mogelijke ondergrondse netwerken te genereren op basis van oppervlakte-observaties. Het probleem ontstaat wanneer zij moeten kiezen welke tien zij behouden voor verder onderzoek. Traditionele methoden kiezen vaak de tien die het meest lijken op de initiële beste gok, maar deze aanpak kan gevaarlijk zijn. Door zich alleen te concentreren op de meest voor de hand liggende overeenkomsten, kunnen deze methoden een iets ander netwerk over het hoofd zien dat, hoewel minder vergelijkbaar aan de oppervlakte, in werkelijkheid de verborgen structuur onder de grond is. Het is een beetje als proberen een specifieke sleutel te vinden in een grote bos sleutels; als je alleen de sleutels kiest die er exact uitzien als de sleutel die je vasthoudt, kun je degene missen die wel past in het slot maar er iets anders uitziet. Het doel is om een kern groep van de meest waarschijnlijke kandidaten te behouden, terwijl men er ook voor zorgt dat de uiteindelijke selectie het volledige bereik van plausibele ondergrondse vormen dekt, zelfs die die er wat ongewoon uitzien.

In een nieuwe studie heeft een team onderzoekers van de Chang'an Universiteit in China een methode gen Introduceerd genaamd TraceRIFT om dit selectiepuzzel op te lossen. Hun werk richt zich op een specifiek scenario waarbij de oppervlaktedata incompleet is, bijvoorbeeld omdat sommige delen van het gesteenteoppervlak verborgen zijn of de scheuren te gefragmenteerd zijn om duidelijk te zien. De onderzoekers begonnen met het genereren van een verzameling van zesentwintig verschillende driedimensionale breuknetwerken voor elk testgeval, die allemaal consistent waren met de beschikbare beperkte oppervlaktesporen. Vanuit deze verzameling moesten zij een definitieve lijst van tien netwerken selecteren. In plaats van simpelweg de top tien te kiezen op basis van hoe goed ze met een enkele voorspelling overeenkwamen, behandelt TraceRIFT het selectieproces als een dekkingsprobleem. Het vraagt: "Welke tien netwerken beschrijven, wanneer ze samen worden bekeken, de breedste variëteit aan mogelijke ondergrondse realiteiten?"

De methode werkt door een kern groep van zes netwerken te beschermen die al als de meest waarschijnlijke kandidaten worden beschouwd op basis van bestaande geologische kennis. Deze zes blijven vaststaan in de definitieve lijst om ervoor te zorgen dat de meest waarschijnlijke scenario's nooit verloren gaan. De onderzoekers gebruiken vervolgens een geavanceerde wiskundige strategie om de resterende vier netwerken uit de rest van de verzameling te kiezen. Deze vier worden specifelijk gekozen omdat ze nieuwe informatie toevoegen, door gaten op te vullen die de kern groep zou kunnen missen. Het systeem evalueert elke potentiële toevoeging door te controleren hoe goed het verschillende aspecten van het breuknetwerk dekt, zoals hoe veel scheuren verbonden zijn, hoe groot de scheuren zijn en hoe ze in de ruimte zijn georiënteerd. Het doel is om ervoor te zorgen dat de uiteindelijke groep van tien een diverse set van mogelijkheden vertegenwoordigt, wat het risico verkleint dat de ware ondergrondse structuur wordt overgeslagen.

De onderzoekers testten deze aanpak met behulp van duizenden gesimuleerde ondergrondse netwerken waarbij het ware antwoord bekend was. Ze vergeleken TraceRIFT met andere methoden die simpelweg de meest gelijkaardige netwerken kozen of probeerden de balans tussen gelijkenis en diversiteit op verschillende manieren te vinden. De resultaten toonden aan dat TraceRIFT aanzienlijk beter was in het verkleinen van de kloof tussen de geselecteerde lijst en de best mogelijke kandidaat die in de verzameling beschikbaar was. Wanneer de oppervlaktedata gefragmenteerd was of delen ontbraken, verminderde de nieuwe methode de "retrieval regret" — de afstand tussen de geselecteerde set en de beste kandidaat in de verzameling — met bijna drieentwintig procent vergeleken met de standaard aanpak. Dit betekent dat de lijst van tien netwerken die door TraceRIFT werd geproduceerd, veel waarschijnlijker een netwerk bevatte dat zeer dicht bij de beste beschikbare optie lag dan de lijsten die door oudere methoden werden geproduceerd. Bovendien slaagde de methode erin de oorspronkelijke top kandidaten te behouden, waardoor werd gewaarborgd dat de meest betrouwbare geologische interpretaties niet werden weggegooid in het proces van het zoeken naar diversiteit.

Om te bewijzen dat de methode werkt in de echte wereld, paste het team het toe op een publieke database van breukkaarten van een locatie genaamd Wadi Birk. Ze creëerden virtuele testgevallen met echte wereld data om te zien of het systeem de complexiteit van werkelijke geologische formaties kon aan kunnen. De methode genereerde succesvol kandidaat netwerken en behield de kern groep van hypothesen, wat aantoonde dat de aanpak robuust genoeg is om verder te gaan dan computer simulaties. De studie benadrukt dat de grootste bron van fouten in deze reconstructies vaak niet komt van de initiële generatie van mogelijkheden, maar van de laatste stap van het kiezen welke men behoudt. Door de taak van het genereren van kandidaten te scheiden van de taak van het selecteren van hen, en door een strategie te gebruiken die de waarde hecht aan dekking boven eenvoudige gelijkenis, biedt TraceRIFT een betrouwbaardere manier om de verborgen architectuur van de aardkorst te begrijpen. Deze vooruitgang stelt geologen in staat om betere beslissingen te nemen over grondwaterbronnen, olie-extractie en de stabiliteit van gesteentevormaties, alles door ervoor te zorgen dat hun shortlist van mogelijkheden zowel accuraat als uitgebreid is.