使用PEDL有效表征断裂介质：一种基于深度学习的数据同化方法

摘要 断裂的地质构造在各个研究领域中经常遇到。准确表征这些断裂介质在需要精确预测液体流动和溶质运输的任务中至关重要。由于直接测量断裂介质存在固有的挑战，通常采用数据同化（DA）技术，通过可观测的状态变量推导介质性质的反演估计。然而，由于断裂介质强异质性和非高斯特性的重大困难，现有的DA方法的有效性受到限制。本研究提出了一种新颖的DA方法，称为带深度学习的参数估计器（PEDL），利用深度学习（DL）的能力捕获非线性关系和提取非高斯特征。为了评估PEDL的性能，我们进行了三项案例研究，包括两个数值案例和一个现实案例。在这些案例中，我们系统地将PEDL与三种广泛使用的DA方法进行比较：多重DA的集成平滑器（ESMDA）、迭代本地更新ES（ILUES）和基于DL更新的ES（ESDL）。值得注意的是，在具有高度非高斯特征的问题中，ESMDA和ILUES的结果显著不同。相反，采用基于DL的更新，ESDL显示出改进的性能。然而，它的估计不确定性仍然较高，这可能与ESDL的更新机制有关。综合分析确认了PEDL在不同集成大小和深度学习模型架构中的有效性和适应性。此外，即使在精确参考模型与简化预测模型存在结构差异的情况下，PEDL也能有效识别裂缝网络的主要特征。