Simplification error analysis for groundwater predictions with reduced order models
Simplification error analysis for groundwater predictions with reduced order models
复制标题
降阶模型地下水预测的简化误差分析
DOI：
10.1016/j.advwatres.2019.01.006
复制
发表时间：
2019
影响因子：
4.7
通讯作者：
Wöhling
中科院分区：
文献类型：
--
作者：
Gosses;Wöhling
地下水资源管理通常需要详细的数值模型，这使得校准和预测不确定性分析在计算上具有挑战性。降阶模型（ROM）减轻了计算负担，但可能导致预测偏差和低估不确定性。先前已经提出了一种配对模型方法来估计模型与高度复杂的合成现实相比的预测不确定性。这种方法被修改，以分析和比较简化误差的真实世界的数值MODFLOW模型的怀劳平原含水层在马尔伯勒地区的新西兰地下水预测。在这项研究中，两种不同的ROM类型应用于预测地下水位，泉水流量和河流-地下水交换通量：（1）一个大大简化的MODFLOW模型，（2）人工神经网络（ANN）。不同的ROM表现出非常不同的模式的偏见和规模的模型简化误差。该方法准确地捕获了MODFLOW模型的大多数预测的简化误差，但低估了高度依赖于复杂模型的可变性的预测误差。简化的MODFLOW模型显示出显著的参数替代性和简化的非最优性，从而质疑对基于专家知识的参数限制的坚持。对于历史数据集可用的预测，ANN提供了上级预测能力。但是，它们不能应用于校准数据集中不包含的数据类型和位置的预测。对于这些预测，简化的数值模型可以以不同的准确度应用。
Groundwater resource management often requires detailed numerical models that make calibration and predictive uncertainty analysis computationally challenging. Reduced order models (ROMs) alleviate the computational burden but can potentially lead to predictive bias and underestimation of uncertainty. A paired model approach has previously been proposed to estimate the predictive uncertainty of models compared to highly complex, synthetic realities. This approach is modified to analyze and compare the simplification error for groundwater predictions of a real-world numerical MODFLOW model of the Wairau Plains Aquifer in the Marlborough Region of New Zealand. Two different ROM types were applied in this study to predict groundwater heads, spring discharge and river–groundwater exchange fluxes: (1) a drastically simplified MODFLOW model, and (2) artificial neural networks (ANNs). The different ROMs exhibit very different patterns of bias and magnitude of model simplification error. The method accurately captures the simplification error for most predictions by the MODFLOW model, but underestimates the error for predictions highly dependent on the variability of the complex model. The simplified MODFLOW model shows significant parameter surrogacy and non-optimality of simplification, thus questioning the adherence to expert-knowledge based parameter limits. For predictions where historic data sets are available, ANNs provide superior predictive power. However, they cannot be applied to predictions of data types and locations not contained in the calibration data set. For those predictions, simplified numerical models can be applied with varying degree of accuracy.
登录
查看更多内容
使用先前规范中的近似储层模拟器对碳氢化合物储层模型进行贝叶斯校准
影响因子：
1
作者：
O. Lødøen;H. Tjelmeland
通讯作者：
H. Tjelmeland
影响因子：
5.4
作者：
Doherty, John;Christensen, Steen
通讯作者：
Christensen, Steen
基于 POD 的地下水还原模型中 Dirichlet、Neumann 和 Cauchy 边界条件的显式处理
影响因子：
4.7
作者：
Gosses;Wöhling
通讯作者：
Wöhling
影响因子：
4.7
作者：
Boyce, Scott E.;Nishikawa, Tracy;Yeh, William W-G.
通讯作者：
Yeh, William W-G.
影响因子：
4.7
作者：
B. Wood
通讯作者：
B. Wood