Modello stocastico automatico 3D della frazione di argilla dal rilievo tTEM e dai dati del pozzo

Scientific Reports volume 12, numero articolo: 17112 (2022) Citare questo articolo

752 accessi

1 Citazioni

Dettagli sulle metriche

Nella maggior parte delle aree urbanizzate e agricole dell'Europa centrale, il sottosuolo superficiale è costituito da depositi quaternari che spesso costituiscono gli strati più ampiamente utilizzati (pompaggio delle acque, geotermia superficiale, scavo di materiali). Tutti questi depositi sono spesso intrecciati in modo complesso, portando ad un'elevata variabilità spaziale e ad un'elevata complessità. I dati geofisici possono essere una fonte veloce e affidabile di informazioni sul sottosuolo. Tuttavia, l’integrazione di questi dati può richiedere molto tempo, manca un’interpolazione realistica in uno spazio 3D completo e l’incertezza finale spesso non è rappresentata. In questo studio, proponiamo una nuova metodologia per combinare sondaggi e dati geofisici con incertezza in un quadro automatico. Una funzione di traduttore spazialmente variabile che prevede la frazione di argilla dalla resistività viene invertita utilizzando la descrizione dei fori di trivellazione come punti di controllo. È combinato con un quadro di interpolazione stocastica 3D basato su un algoritmo di statistica a punti multipli e una funzione casuale gaussiana. Questo nuovo flusso di lavoro consente di incorporare in modo affidabile i dati e la loro incertezza e richiede un minore intervento da parte dell'utente rispetto ai flussi di lavoro già esistenti. La metodologia è illustrata per dati elettromagnetici transitori trainati a terra (tTEM) e dati di trivellazione dell'alta valle dell'Aare, Svizzera. In questa località è stato ottenuto un modello 3D realistico ad alta risoluzione spaziale della frazione argillosa dell'intera valle. Il set di dati molto denso ha permesso di dimostrare la qualità dei valori previsti e le loro corrispondenti incertezze utilizzando la convalida incrociata.

Gli acquiferi quaternari alluvionali superficiali sono spesso utilizzati per l'approvvigionamento idrico o per lo sfruttamento dell'energia geotermica superficiale. In questo contesto, spesso è necessario affrontare un’ampia gamma di questioni correlate, come la valutazione delle risorse idriche sotterranee, lo studio della migrazione dei contaminanti, la valutazione delle interazioni con le acque superficiali o l’evitare una sovrapposizione di zone di influenza tra pozzi geotermici vicini. A tutte queste domande è possibile rispondere adeguatamente solo dopo aver modellato la struttura e le eterogeneità interne di tali falde acquifere.

Questi modelli sono spesso costruiti in più fasi1,2. Per i modelli su piccola scala, è comune l’uso dei pozzi come unica fonte di dati. Tuttavia, un tale approccio è spesso cieco rispetto alla maggior parte dell’eterogeneità spaziale e quindi può portare a modelli inadeguati e conclusioni errate. I fori rappresentano solo una delle fonti di informazione per dedurre la distribuzione locale e verticale della facies. Spesso sono di aiuto limitato per stimare strutture 3D complesse. Quando l’area di interesse è ampia, aumentare il numero di sondaggi per ridurre l’incertezza a un livello accettabile è spesso difficile, dispendioso in termini di tempo e costoso. Una soluzione è combinare dati geofisici meno costosi e dati di trivellazione. I dati geofisici vengono spesso interpretati e combinati manualmente in un modello strutturale, che viene poi riempito con simulazioni litologiche o di facies e infine con le proprietà fisiche. Un simile flusso di lavoro si è dimostrato efficiente, ad esempio, nella generazione di modelli geologici da dati aerei elettromagnetici o sismici3,4. Ma queste fasi di modellazione sono complesse e spesso richiedono software diversi. Inoltre, anche se vengono spesso utilizzati alcuni metodi stocastici4,5, le incertezze non sempre si propagano attraverso l’intero flusso di lavoro. Spesso alcuni passaggi sono considerati deterministici e il modello geologico risultante è quello che si adatta alla maggior parte delle conoscenze globali disponibili6,7,8,9. Infine, quando si lavora con un set di dati di grandi dimensioni, la costruzione manuale del modello strutturale utilizzando sia sondaggi che dati geofisici può richiedere molto tempo.

Pertanto, è necessario un approccio automatico in grado di integrare più tipi di dati e produrre modelli strutturali o parametrici. Ad esempio, la generazione rapida di modelli 3D in argilla con un algoritmo automatico potrebbe essere di grande vantaggio per le autorità locali che spesso non hanno la capacità di eseguire l’integrazione manuale dei dati.