Neues CNN-Modell liefert schnelle, genaue Upscaling von 3D-Frakturen

Wissenschaftler haben ein innovatives Convolutional Neural Network entwickelt, das die hydraulische Leitfähigkeit von drei­dimensionalen, stark heterogenen, frakturierten Gesteins­systemen in Rekordzeit berechnet. Durch die Kombination von 3‑D‑Convolution‑Schichten mit klassischen Feed‑Forward‑Netzen kann das Modell sowohl lokale Fraktureigenschaften als auch globale Interaktionen erfassen.

Das Verfahren nutzt ein Multilevel‑Monte‑Carlo‑Framework, in dem numerische Homogenisierung eingesetzt wird, um sub‑Auflösungseffekte von Frakturen zwischen verschiedenen Genauigkeitsstufen zu skalieren. Anstatt die aufwändige klassische 3‑D‑Homogenisierung durchzuführen, wird die äquivalente Leitfähigkeitstensor‑Matrix Keq direkt aus einem voxelisierten 3‑D‑Domänen­modell vorhergesagt, das zufällige Felder für Matrix‑ und Frakturleitfähigkeiten enthält.

Für die Trainingsdaten wurden drei separate Surrogates erstellt, die jeweils unterschiedliche Kontraste zwischen Fraktur‑ und Matrixleitfähigkeit abbilden. Die Modelle wurden mit Simulationen aus dem diskreten Fraktur‑Matrix‑Ansatz (DFM) trainiert und anschließend auf einer breiten Palette von Frakturnetzwerk‑Parametern sowie Matrix‑Feld‑Korrelationen getestet. Die Ergebnisse zeigen, dass die Vorhersagen eine normalisierte Wurzel‑Mittel‑Quadrat‑Fehler‑Rate von unter 0,22 erreichen – ein deutlich höherer Genauigkeitsgrad als bisherige Ansätze.

Die praktische Anwendbarkeit wurde demonstriert, indem die numerisch homogenisierten Leitfähigkeiten mit den Surrogatvorhersagen verglichen wurden. Die Übereinstimmung ist beeindruckend, was das Modell zu einem leistungsfähigen Werkzeug für die schnelle Bewertung von Grundwasser‑Durchfluss‑Simulationen in frakturierten, kristallinen Medien macht.