将噪声井数据和专家知识在贝叶斯校准中结合：不确定性下的流模型——以提香科盆地溶质输送为例。
摘要：地下水流模型常用于计算地下水位、估计地下水流路径和旅行时间，并提供对含水层中溶质运输过程的洞察。然而，驱动地下水流模型的输入参数的值通常由于地下介质的异质性和地质复杂性以及缺乏测量数据/不可靠的测量数据而存在高度不确定性。这种不确定性影响了模型输出的准确性和可靠性。因此，在将模型作为工程工具之前，必须对参数的不确定性进行量化。在本研究中，我们将不确定参数建模为随机变量，并使用贝叶斯反演方法获得后验数据信息的概率密度函数（pdf）：特别是，我们考虑到的似然函数既包括井测量数据，又包括我们对研究领域内泉洞范围的先验知识。为了控制模型和计算的复杂性，我们假设参数的后验pdf服从高斯分布。为了证实这一假设，我们对模型进行了识别性分析：我们将反演过程应用于一系列合成数据集，这些数据集受到逐渐增加的噪声污染，并确定在哪个噪声水平下可以有效地恢复参数的“真值”。然后，我们转向真实的井测量数据（来自意大利北部的提奇诺河流域，在2014年夏季的一个月内），并使用参数的后验pdf作为起点，在地下水旅行时间分布上执行不确定性量化分析。
作者：Emily A. Baker, Sauro Manenti, Alessandro Reali, Giancarlo Sangalli, Lorenzo Tamellini, Sara Todeschini
论文ID：2210.17388
分类：Computational Engineering, Finance, and Science
分类简称：cs.CE
提交时间：2023-03-15