Comparison of geostatistical and deep-learning inversion methods for DNAPL source zone architecture characterization

Abstract

High-resolution site characterization of hydraulic properties and source zone architecture (SZA) are essential for performing risk assessment and designing remediation strategies for dense nonaqueous phase liquid (DNAPL) contamination. DNAPL SZA characterization is challenging because of the highly correlated unknown states and parameters, namely the spatial distribution of DNAPL saturation (S_N) and hydraulic conductivity (K). Two methods can be used for the inversion of highly correlated parameters, i.e., geostatistical inversion with and without parameter-state cross-correlation. In this study, numerical experiments considering weak and strong heterogeneity for S_N and K are used to compare the performance of the two geostatistical inversion methods and the deep-learning-based correlation method. Results show that the inversion with combined parameter-state cross-correlation successfully estimated both the K and DNAPL SZA for a weakly heterogeneous K field, but fails to reproduce the overall morphology of the DNAPL SZA for a strongly heterogeneous K field. In comparison, the inversion without parameter-state cross-correlation can robustly capture but over-smooth the detailed features of the K and DNAPL SZA, due to the deviation of the highly correlated K–S_N fields from the simplified prior cross-covariance. The deep-learning-based method consistently outperformed the inversion strategies with and without the parameter-state cross-correlation, in terms of computational efficiency and estimation accuracy for both the simple and the complex DNAPL SZA, since it can implicitly capture the K–S_N interdependence and the physical patterns of the DNAPL SZA without explicitly coupling the multiphase model to account for the K–S_N correlation.

Résumé

La caractérisation à haute résolution des propriétés hydrauliques et de l’architecture de la zone source (SZA) d’un site est essentielle pour effectuer une évaluation des risques et concevoir des stratégies de remédiation pour la contamination par des liquides denses en phase non aqueuse (DNAPL). La caractérisation de la SZA des DNAPL est difficile en raison des états et paramètres inconnus fortement corrélés, à savoir la distribution spatiale de la saturation (S_N) en DNAPL et de la conductivité hydraulique (K). Deux méthodes peuvent être utilisées pour l’inversion de paramètres fortement corrélés, c’est-à-dire l’inversion géostatistique avec et sans corrélation croisée paramètre-état. Dans cette étude, des expériences numériques considérant une hétérogénéité faible et forte pour S_N et K sont utilisées pour comparer les performances des deux méthodes d’inversion géostatistique, et la méthode de corrélation basée sur l’apprentissage profond. Les résultats montrent que l’inversion avec la corrélation croisée paramètre-état combinée a permis d’estimer avec succès les K et la SZA du DNAPL pour un champ K faiblement hétérogène, mais ne parvient pas à reproduire la morphologie globale de la SZA du DNAPL pour un champ K fortement hétérogène. En comparaison, l’inversion sans corrélation croisée entre paramètre-état peut capturer de manière robuste mais trop lisse les caractéristiques détaillées de K et de la SZA du DNAPL, en raison de la déviation des champs K–S_N très corrélés par rapport à la covariance croisée simplifiée à priori. La méthode basée sur l’apprentissage profond a constamment surpassé les stratégies d’inversion avec et sans corrélation croisée entre les paramètres-états, en termes d’efficacité de calcul et de précision d’estimation pour la SZA du DNAPL simple et complexe, car elle peut capturer implicitement l’interdépendance K–S_N et les schémas physiques de la SZA du DNAPL sans coupler explicitement le modèle multi-phase pour tenir compte de la corrélation K–S_N.

Resumen

La caracterización de alta resolución de las propiedades hidráulicas del emplazamiento y de la arquitectura de una zona fuente (SZA) es esencial para llevar a cabo la evaluación de riesgos y diseñar estrategias de remediación de la contaminación por fase líquida densa no acuosa (DNAPL). La caracterización de la SZA para DNAPL es un desafío debido a los estados y parámetros desconocidos altamente correlacionados, concretamente la distribución espacial de la saturación de DNAPL (S_N) y la conductividad hidráulica (K). Se pueden utilizar dos métodos para la inversión de parámetros altamente correlacionados, es decir, la inversión geoestadística con y sin correlación cruzada parámetro-estado. En este estudio, se utilizan experimentos numéricos considerando heterogeneidad débil y fuerte para S_N y K para comparar el rendimiento de los dos métodos de inversión geoestadística, y el método de correlación basado en aprendizaje profundo. Los resultados muestran que la inversión con correlación cruzada parámetro-estado combinada estimó con éxito tanto la K como la SZA de la DNAPL para un campo K débilmente heterogéneo, pero no consigue reproducir la morfología global de la SZA de la DNAPL para un campo K fuertemente heterogéneo. En comparación, la inversión sin correlación cruzada parámetro-estado puede capturar de forma robusta, pero sobre-suavizar las características detalladas de la K y de la SZA de la DNAPL, debido a la desviación de los campos K-S_N altamente correlacionados de la covarianza cruzada simplificada a priori. El método basado en aprendizaje profundo superó consistentemente a las estrategias de inversión con y sin correlación cruzada parámetro-estado, en términos de eficiencia computacional y precisión de estimación tanto para la SZA de DNAPL simple como para la compleja, ya que puede capturar implícitamente la interdependencia K-S_N y los patrones físicos de la SZA de DNAPL sin acoplar explícitamente el modelo multifásico para dar cuenta de la correlación K– S_N.

摘要

含水层非均质性和污染源区结构(SZA)的高分辨率表征对于重质非水相液体(DNAPL)污染的修复方案设计及风险评估至关重要。由于高度相关的未知状态和参数，即DNAPL饱和度(S_N)和导水率(K)的空间分布，因此DNAPL的SZA表征具有挑战性。有两种方法可用于反演高度相关的参数，即有和无参数状态交叉相关的地统计反演。在这项研究中，考虑到S_N和K的弱异质性和强异质性的数值实验被用来比较两种地质统计反演方法和基于深度学习的相关方法的性能。结果表明，对于弱异质性的K场，采用参数-状态交叉相关的反演方法成功地估计了K和DNAPL SZA，但对于强异质性的K场，未能再现DNAPL SZA的整体形态。相比之下，由于高度相关的K–S_N场与简化的先验交叉协方差的偏差，没有参数状态交叉协方差的反演可以稳健地捕获和过度平滑K和DNAPL SZA的细节特征。基于深度学习的方法在计算效率和对简单和复杂的DNAPL SZA的估计精度方面一直优于有和没有参数状态交叉相关的反演策略，因为它可以隐含地捕捉K–S_N的相互依赖性和DNAPL SZA的物理模式，而不需要明确地耦合多相模型来说明K–S_N的相关性。

Resumo

A caracterização das propriedades hidráulicas e da arquitetura de zona de origem (AZO) em alta resolução é essencial para realizar a avaliação de risco e projetar estratégias de remediação de contaminação por fase liquida densa não aquosa (DNAPL). A caracterização da AZO do DNAPL é um desafio devido aos estados e parâmetros desconhecidos altamente correlacionados, a saber, a distribuição espacial da saturação DNAPL (S_N) e a condutividade hidráulica (K). Dois métodos podem ser usados para inversão de parâmetros altamente correlacionados, ou seja, a inversão geoestatística com e sem correlação cruzada de parâmetros. Neste estudo, experimentos numéricos considerando uma heterogeneidade fraca e forte para S_N e K são usados para comparar o desempenho dos dois métodos de inversão geoestatística, e o método de correlação baseada em aprendizagem profunda. Os resultados mostram que a inversão com a correlação cruzada de parâmetros combinados estimou com sucesso tanto a K quanto a AZO do DNAPL para um campo de K pouco heterogêneo, mas não reproduziu a morfologia geral da AZO do DNAPL para um campo de K fortemente heterogêneo. Em comparação, a inversão sem correlação cruzada de parâmetros pode capturar com robustez, mas suaviza excessivamente as características detalhadas da K e da AZO do DNAPL, devido ao desvio dos campos K–S_N altamente correlacionados em relação à covariação cruzada anterior simplificada. O método baseado no aprendizado profundo superou consistentemente as estratégias de inversão com e sem a correlação entre os parâmetros de estado, em termos de eficiência computacional e precisão de estimativa tanto para a AZO do DNAPL simples como para o DNAPL complexo, uma vez que pode implicitamente capturar a interdependência K–S_N e os padrões físicos da AZO do DNAPL sem acoplar explicitamente o modelo multifásico para contabilizar a correlação K–S_N.