Options
Kerrou, Jaouhar
Nom
Kerrou, Jaouhar
Affiliation principale
Email
jaouhar.kerrou@unine.ch
Identifiants
Résultat de la recherche
Voici les éléments 1 - 2 sur 2
- PublicationAccès libreConditioning groundwater flow parameters with iterative ensemble smoothers: analysis and approaches in the continuous and the discrete cases(2020)
; ; L’assimilation de données consiste à combiner de façon optimale les observations (données) et les prévisions produites par un modèle numérique d’un système dynamique étudié. Au cours de la dernière décennie, les méthodes basées sur le filtre de Kalman d’ensemble (EnKF) pour l’assimilation de données ont été particulièrement explorées dans diverses disciplines des géosciences pour résoudre des problèmes inverses. Bien que ces méthodes d’ensemble aient été développées afin de pouvoir traiter efficacement des problèmes de grandes dimensions, elles supposent que les erreurs qui affectent les observations et le modèle suivent une loi de distribution Gaussienne multivariée. Pour traiter de potentielles nonlinéarités entre les données et les variables paramètres ou d’état que l’on souhaite conditionner, des variantes itératives de méthodes existantes ont été proposées. Dans cette thèse, nous nous intéressons dans un premier temps à la performance de deux principales méthodes de lisseur d’ensemble itératif pour le calage d’un modèle synthétique d’écoulement souterrain 2D. A partir du même jeu de données ponctuelles (locales) et transitoires (dynamiques), nous analysons la performance de chaque méthode pour le conditionnement d’un ensemble de champs multi-Gaussiens de valeurs de conductivité hydraulique. Nous explorons ensuite plus particulièrement l’application d’une des méthodes, ES-MDA, dans des situations plus ou moins complexes suivant la méthode de simulation géostatistique employée pour représenter l’information géologique a priori. Nous évaluons tout d’abord la pertinence d’une paramétrisation basée sur une transformation normal-score dans un cas non-multi-Gaussien. La robustesse de la méthode d’ensemble face aux nonlinéarités est ensuite plus particulièrement testée dans le cas de réalisations de variables discrètes de facies géologique obtenues par la technique des gaussiennes tronquées et mises à jour via leurs variables continues sous-jacentes. En nous basant sur les limitations et avantages observées expérimentalement pour les paramétrisations précédemment évoquées, nous proposons finalement une nouvelle méthodologie d’assimilation de données dynamiques. Bien qu’elle implique une méthode classique de Kalman d’ensemble, la méthodologie proposée permet spécifiquement le conditionnement de champs de facies géologiques, soit de variables discrètes, qui sont initialement simulés par statistiques à points multiples (MPS). Cette méthodologie s’appuie sur une paramétrisation multi-résolutions nouvelle de la simulation MPS catégorique où, l’ensemble de paramètres latents est défini initialement à partir des simulations à l’échelle la plus grossière d’un ensemble de simulations MPS multi-résolutions. Comme cet ensemble n’est pas multi-Gaussien, des étapes additionnelles précédant le calcul de la première correction sont proposées. Notamment, les paramètres sont corrigés à des points prédéfinis à l’échelle la plus grossière, puis intégrés en tant que données de conditionnement pour générer une nouvelle simulation MPS multi-résolutions. Les résultats obtenus sur le problème synthétique montrent que la méthode converge vers un ensemble de réalisations catégoriques finales cohérent avec l’ensemble catégorique initial. La convergence est fiable en ce sens qu’elle est contrôlée entièrement par l’intégration de la correction de ES-MDA dans les nouvelles simulations MPS multi-résolutions conditionnelles. De plus, grâce à la paramétrisation proposée, l’identification des structures géologiques durant l’assimilation des données est particulièrement efficace pour cet exemple. La comparaison entre l’incertitude estimée et une estimation de référence obtenue avec une méthode de Monte-Carlo révèle que l’incertitude n’est pas sévèrement réduite durant l’assimilation comme cela est souvent observé. La connectivité des structures est bien reproduite durant la procédure itérative malgré la distance plutôt élevée entre les points d’observation., Data assimilation (DA) consists in combining observations and predictions of a numerical model to produce an optimal estimate of the evolving state of a system. Over the last decade, DA methods based on the Ensemble Kalman Filter (EnKF) have been particularly explored in various geoscience fields for inverse modelling. Although this type of ensemble methods can handle high-dimensional systems, they assume that the errors coming from whether the observations or the numerical model are multi-Gaussian. To handle potential nonlinearities between the observations and the state or parameter variables to estimate, iterative variants have been proposed. In this thesis, we first focus on two main iterative ensemble smoother methods for the calibration of a synthetic 2D groundwater model. Using the same set of sparse and transient flow data, we analyse each method when employing them to condition an ensemble of multi-Gaussian hydraulic conductivity fields. We then further explore the application of one iterative ensemble smoother algorithm (ES-MDA) in situations of variable complexity, depending on the geostatistical simulation method used to simulate the prior geological information. The applicability of a parameterization based on the normal-score transform is first investigated. The robustness of the method against nonlinearities is then further explored in the case of discrete facies realizations obtained with a truncated Gaussian technique and updated via their underlying continuous variables. Based on the observed limitations and benefits of the forementioned parameterizations, we finally propose a new methodology for the conditioning of categorical multiple-point statistics (MPS) simulations to dynamic data with a state-of-the-art ensemble Kalman method by taking the example of the Ensemble Smoother with Multiple Data Assimilation (ES-MDA). Our methodology relies on a novel multi-resolution parameterization of the categorical MPS simulation. The ensemble of latent parameters is initially defined on the basis of the coarsest-resolution simulations of an ensemble of multi-resolution MPS simulations. Because this ensemble is non-multi-Gaussian, additional steps prior to the computation of the first update are proposed. In particular, the parameters are updated at predefined locations at the coarsest scale and integrated as hard data to generate a new multi-resolution MPS simulation. The results on the synthetic problem illustrate that the method converges towards a set of final categorical realizations that are consistent with the initial categorical ensemble. The convergence is reliable in the sense that it is fully controlled by the integration of the ES-MDA update into the new conditional multi-resolution MPS simulations. Moreover, thanks to the proposed parameterization, the identification of the geological structures during the data assimilation is particularly efficient for this example. The comparison between the estimated uncertainty and a reference estimate obtained with a Monte Carlo method shows that the uncertainty is not severely reduced during the assimilation as is often the case. The connectivity is successfully reproduced during the iterative procedure despite the rather large distance between the observation points. - PublicationAccès libreDeterministic and probabilistic numerical modelling towards sustainable groundwater management: application to seawater intrusion in the Korba aquifer (Tunisia)(2008)
; This PhD endeavours numerical groundwater modelling considering heterogeneous and uncertain hydraulic parameters. It is made of three parts. First, we investigated the effects of dimensionality and heterogeneity of the hydraulic conductivity on dispersive seawater intrusion (SWI) processes. Multiple 2D and 3D unconditional simulations of hydraulic conductivity fields sharing the same statistics were generated then used to solve density-dependent flow and solute transport equations with a finite element code. Monte Carlo simulations were analysed in terms of dimensionless criteria including the penetration length and width of the saltwater wedge. Results showed that the 2D heterogeneity is affecting more strongly the SWI processes than the 3D heterogeneity. The saltwater wedge length in the 2D models is smaller than in the 3D ones while there is more mixing in 2D models. Most important, results showed that there is a critical ratio between advection and dispersion processes which is controlling the behaviour of SWI in heterogeneous porous medium. The second part of the thesis dealt with deterministic and probabilistic modelling and long term forecasts of SWI in the Korba aquifer (Tunisia). The study started by the development of a 3D density-dependent flow and solute transport model of the regional Korba aquifer. Then, two geostatistical models of the exploitation rates and of the hydraulic conductivities within the aquifer were built by combining incomplete direct data and secondary information including aquifer physical parameters. The effects of the uncertainty on the spatial distribution of the pumping rates and the uncertainty on the hydraulic conductivity field on the 3D density-dependent model were analysed separately and then jointly. To circumvent the large computing time required to run hundreds of 44-years transient models, the simulations were made in a parallel fashion on the EGEE Grid infrastructure as well as on a local Linux cluster. The deterministic numerical model allowed to estimate the current over-exploitation of the Korba aquifer to 135%. It also allowed to estimate the time lapse needed to turn back the initial head and slat distributions (before exploitation start) to about 150 years. The results of the stochastic simulations showed that both uncertainties led to a zone representing 12% of the aquifer area, where the groundwater heads and salt concentrations are not known with accuracy. Most important, results showed that reducing the pumping rates progressively by 50% until 2048 will not result in a recession of the saltwater wedge ; instead an additional 9.5% of the surface of the aquifer will be contaminated in 2048. In the third part of the thesis, the performances of kriging, stochastic simulations and sequential self-calibration inversion are assessed when characterizing a non-multi-Gaussian synthetic 2D braided channel aquifer. In a first step, the performance of the three methods was compared in terms of reproducing the original reference transmissivity or head fields. In a second step, the methods were compared in terms of accuracy of flow and transport (capture zone) forecasts. Results showed that the errors remain large even for a dense data network. In addition, some unexpected behaviours are observed when large transmissivity datasets are used. We also observed an increase of the bias with the number of transmissivity data and an increasing uncertainty with the number of head data. This was interpreted as a consequence of the use of an inadequate multi-Gaussian stochastic model.