PDF, English Download (13MB) | Lizenz: Flow Field Estimation of Active Solute Transport – Information Transfer from Synthetic Data to Hele-Shaw Cell Experiments Using Convolutional Neural Networks by Kreyenberg, Philipp Johannes underlies the terms of Creative Commons Attribution-NoDerivatives 4.0

Abstract

Variable density groundwater flow associated with active solute transport is understood reasonably well. Nevertheless, predictions are operationally still difficult due to joint effects of nonlinear processes and uncertain boundary conditions. Gaining deeper insight into the dynamics of these groundwater systems therefore relies on the availability of accurate and dense measurements of the complete system state and parameters. Often, such measurements are hard to come by, hence our information is incomplete. Recent deep learning methods in conjunction with numerical simulation of the physical processes to create large training datasets enable the information transfer to real world problems. To demonstrate this, I chose a laboratory experiment on density-driven active solute transport observed in a Hele-Shaw cell, where high resolution measurements of the solute concentration distribution are available. With the use of deep convolutional neural networks I was able to estimate the otherwise inaccessible flow fields and to identify the influence of background flow for this experiment without explicit knowledge of the boundary conditions. The situation of missing data, as encountered here, is typical also for other hydrological systems, from soil-vegetation-atmosphere interactions to catchment dynamics and groundwater recharge. Hence, I believe that the approach has wide applicability.

Translation of abstract (German)

Die Strömung von Grundwasser mit variabler Dichte im Zusammenhang mit aktivem Stofftransport ist hinreichend gut verstanden. Dennoch sind Vorhersagen aufgrund von kombinierten Auswirkungen nichtlinearer Prozesse und ungewisser Randbedingungen in der Praxis nach wie vor schwierig. Um einen tieferen Einblick in die Dynamik dieser Grundwassersysteme zu erhalten, müssen genaue und gut aufgelöste Messungen des gesamten Systemzustands und der Parameter verfügbar sein. Oft ist es schwierig solche Messungen zu erhalten, weshalb unsere Informationen über die Systeme unvollständig sind. Aktuelle Deep-Learning-Methoden in Verbindung mit numerischer Simulation der physikalischen Prozesse zur Generierung großer Trainingsdatensätze ermöglichen den Informationstransfer hin zu realen Problemen. Um dies zu demonstrieren, habe ich ein Laborexperiment zu dichtegetriebenem aktiven Stofftransport in einer Hele-Shaw-Zelle gewählt, in dem hochaufgelöste Messungen der Konzentrationsverteilung des gelösten Stoffes verfügbar sind. Unter Verwendung von Deep-Convolutional-Neural-Networks konnte ich, ohne die genaue Kenntnis der Randbedingungen, die sonst unzugänglichen Strömungsfelder schätzen und den Einfluss der Hintergrundströmung für dieses Experiment identifizieren. Die Situation fehlender Daten, wie sie in diesem Beispiel auftritt, ist auch für andere hydrologische Systeme typisch, von Wechselwirkungen zwischen Boden, Vegetation und Atmosphäre über die Dynamik von Wassereinzugsgebieten bis hin zur Grundwasserneubildung. Deshalb glaube ich, dass der Ansatz eine breite Anwendbarkeit hat.