Stochastic identification of pollutant sources in aquifers by the ensemble kalman filter
- Autores: Zi Chen
- Directores de la Tesis: José Jaime Gómez Hernández (dir. tes.), Teng Xu (dir. tes.)
- Lectura: En la Universitat Politècnica de València ( España ) en 2020
- Idioma: español
- Tribunal Calificador de la Tesis: Eduardo F. Cassiraga (presid.), Juan Luis Fernández Martínez (secret.), Carlos Molano Cajigas (voc.)
- Programa de doctorado: Programa de Doctorado en Ingeniería del Agua y Medioambiental por la Universitat Politècnica de València
- Materias:
- Enlaces
- Tesis en acceso abierto en: RiuNet
- Resumen
Como parte de los métodos de asimilación de datos, los métodos basados en conjuntos han ganado popularidad en hidrogeología dada su capacidad para manejar grandes cantidades de datos observados simultáneamente. Recientemente, se ha comenzado a emplear este método para la identificación de fuentes de contaminación en casos sintéticos. Basándonos en estos trabajos anteriores, hemos dado un paso adelante evaluando su rendimiento en experimentos de tanque de laboratorio.
La tesis se puede dividir en cuatro partes. En la primera parte, el filtro de Kalman de conjuntos con reinicio (r-EnKF) se utiliza para la identificación espacio-temporal de una fuente puntual de contaminantes en un experimento en tanque de laboratorio, junto con la identificación de la posición y longitud de una placa vertical insertada en el tanque que modifica la geometría del sistema. Los resultados muestran que el r-EnKF es capaz de identificar tanto la fuente como los parámetros relacionados con la geometría del acuífero.
La segunda parte muestra una aplicación del filtro de Kalman de conjuntos con anamorfosis normal y reinicio (NS-EnKF) y con inflación de la covarianza en un experimento de laboratorio con conductividad heterogénea. El método se prueba primero utilizando un caso sintético que imita el experimento del tanque para establecer el número mínimo de miembros del conjunto y la mejor técnica para evitar el colapso del filtro. Luego, su aplicación a los datos del tanque muestra que el NS-EnKF con reinicio puede beneficiarse de la inflación de Bauser para reducir el tamaño del conjunto y llegar a una buena identificación conjunta tanto de la fuente de contaminantes como de la heterogeneidad espacial de las conductividades.
En la tercera parte, el filtro de Kalman de conjuntos suavizado con asimilación múltiple de datos (ES-MDA) se emplea para la identificación simultánea de una fuente de contaminantes y la distribución espacial de la conductividad hidráulica utilizando el r-EnKF como punto de referencia. El resultado muestra que el ES-MDA puede superar al r-EnKF, marginalmente, para el caso sintético específico analizado con el mismo consumo de CPU, y puede funcionar mucho mejor que el r-EnKF a cambio de un mayor costo de CPU.
La cuarta y última parte investiga el rendimiento del ES-MDA en un problema de identificacíon de una inyeccíon de contaminante que varía en el tiempo. Se analiza la influencia de diferentes intervalos de observacíon y esquemas de inflación de la covarianza en la determinación de la curva de inyección. El resultado muestra que el ES-MDA funciona muy bien en la identificación de la curva de inyección cuando la discretización de la misma no es muy alta, pero encuentra problemas de fluctuación en los casos con discretizaciones altas. La frecuencia con la que se muestrean los datos de observación es un factor influyente, mientras que el número de iteracciones o los métodos de inflación de la covarianza tienen menos efecto.
