Προσομοίωση τυχαίων πεδίων υδραυλικής αγωγιμότητας με τη μέθοδο Latin hypercube,και αξιολόγηση της μεθόδου με χρήση προσομοιώσεων ροής και μεταφοράς μάζας

Abstract

Οι προσομοιώσεις Monte Carlo αποτελούν μια φυσική και αποτελεσματική μέθοδο για την αξιολόγηση - εκτίμηση της αβεβαιότητας μίας παραμέτρου όπως εν προκειμένω η υδραυλική αγωγιμότητα. Η αβεβαιότητα αυτή αντιπροσωπεύεται από μια κατανομή πιθανότητας και ένα σύνολο στατιστικών στοιχείων όπως ο μέσος όρος, η διακύμανση και ο συντελεστής συσχέτισης των τιμών αυτών. Στην παρούσα διατριβή στόχος μας είναι η κατανόηση της λειτουργίας υπόγειων υδροφορέων η οποία αποτελεί βασική προϋπόθεση για την εφαρμογή πρακτικών ορθολογικής και αειφόρου διαχείρισής τους. Ένας από τους βασικούς ανασταλτικούς παράγοντες για την επιτυχημένη προσομοίωση της λειτουργίας των υδροφορέων είναι η αβεβαιότητα στην εκτίμηση ορισμένων από τις παραμέτρους που την επηρεάζουν, με χαρακτηριστικότερη περίπτωση, αυτή των υδρογεωλογικών παραμέτρων. Στην εργασία αυτή παρουσιάζονται τεχνικές αναγνώρισης του βαθμού αβεβαιότητας στη εκτίμηση του συντελεστή υδραυλικής αγωγιμότητας ενός υδροφορέα και των επιπτώσεων της στην λειτουργία του συστήματος. Με μια στοχαστική προσέγγιση, αναπτύσσεται ένα μοντέλο που αναπαριστά την καλύτερη εκτίμηση του συστήματος που εξομοιώνει. Αυτό το μοντέλο χρησιμοποιείται για να γίνουν προβλέψεις. Έπειτα, κάθε πρότυπο χρησιμοποιείται για να κάνει πρόβλεψη ή να αναπαραστήσει ένα δεδομένο σενάριο και τα αποτελέσματα θα χρησιμοποιηθούν για να υπολογίσουν την πιθανότητα πραγματοποίησης ενός συγκεκριμένου συμβάντος. Το τελικό συμβάν το οποίο εξετάζουμε στην παρούσα μελέτη είναι οι χρόνοι άφιξης ενός μολυντή, σε ένα από τα 4 πηγάδια άντλησης της περιοχής, που ελευθερώνεται στην περιοχή μελέτης, σε συνάρτηση με τις τιμές των υδραυλικών αγωγιμοτήτων του υπεδάφους . Παρόλο που αυτή η προσέγγιση βασίζεται σε υποθέσεις, που έχουν γίνει στη διαμόρφωση των αρχικών συνθηκών του μοντέλου, απεικονίζει πιο ρεαλιστικά την αβεβαιότητα του σχεδιασμού.

The Monte Carlo simulations provide a natural and effective method for evaluating uncertainties of a parameter as the hydraulic conductivity. The uncertainty is represented by a probability distribution and a set of statistics such as the mean, variance and correlation coefficient of these values. In this thesis we try to understand the function of groundwater aquifer systems as it is a basic requirement for the implementation of rational and sustainable management practices. One of the most common drawbacks for the successful simulation of groundwater systems is the uncertainty in the estimation of some of the dominant parameters, with most characteristic example that of the hydrogeological parameters. In this paper techniques for simulating the uncertainty of the hydraulic conductivity coefficient are introduced, along with their impact on the function of the aquifer system. The proposed methodology is presented through the delineation of well head protection areas. Uncertainty is always a major factor that should be taken in mind when dealing with hydrogeological modeling. This uncertainty can be associated with the conceptual model or with the data and parameters concerning the various components of the model. There is a great deal of parameters such as hydraulic conductivity that are prone to uncertainty. Calibrating a model to a rich set of observation data may cope satisfactory with this kind of problems. In order to deal with this uncertainty, it is possible to deploy stochastic approach. On a deterministic approach, a single model is developed that represents the best estimate of the system being simulated. This model is used to make predictions. With a stochastic approach, a set of models is constructed where each model in the set is thought to be equally probable. Each model is then used to generate simulation of a given scenario or make predictions. The results are used to estimate a probability or risk that a certain outcome will occur. While this approach still relies on model assumptions to generate initial parameter estimates, it reflects more realistically the uncertainty associated with modeling.