Core Concepts
이산 균열-기질 모델에서 균열과 기질의 수리전도도 특성을 고려하여 등가 수리전도도 텐서를 효율적으로 예측하는 딥러닝 기반 기법을 제안한다.
Abstract
이 연구는 균열 암반에서의 지하수 흐름 모델링을 위해 다중 수준 몬테카를로 방법을 활용하는 것을 목표로 한다. 이를 위해 이산 균열-기질(DFM) 모델을 사용하여 균열 네트워크와 기질 특성을 통합적으로 고려한다.
DFM 모델에서 균열과 기질의 수리전도도 특성을 고려하여 등가 수리전도도 텐서를 계산하는 수치 균질화 과정은 계산 비용이 높다. 이 연구에서는 이를 대체하기 위해 딥러닝 기반 대리 모델(surrogate)을 개발하였다.
제안된 대리 모델은 합성곱 신경망(CNN)과 피드포워드 신경망(FNN)으로 구성된다. 입력으로는 기질의 공간 랜덤 필드(SRF)와 균열의 수리전도도 및 단면적 정보를 사용하며, 출력으로 등가 수리전도도 텐서를 예측한다.
균열과 기질의 수리전도도 비율(Kf/Km)에 따라 서로 다른 대리 모델을 학습하였다. Kf/Km 비율이 증가할수록 등가 수리전도도 텐서의 분포가 복잡해져 예측 정확도가 저하되는 경향을 보였다.
균열 밀도가 감소할수록 예측 정확도가 향상되었으며, 입력 SRF의 상관 길이에 따른 영향도 분석하였다. 대리 모델 활용 시 수치 균질화 대비 4배에서 28배의 계산 시간 단축 효과를 확인하였다.
마지막으로 두 가지 거시 규모 문제에 대해 수치 균질화와 대리 모델을 이용한 결과를 비교하였다. 첫 번째 문제에서는 등가 수리전도도 텐서 예측 정확도가 직접적으로 관련되었지만, 두 번째 문제에서는 그 영향이 크지 않았다.
Stats
균열 밀도 ρ'2D가 증가할수록 등가 수리전도도 텐서 예측 정확도가 감소한다.
Kf/Km 비율이 1 × 103인 경우 R2 > 0.95의 높은 예측 정확도를 보였다.
Kf/Km 비율이 1 × 105, 1 × 107로 증가할수록 예측 정확도가 저하되었다.
Quotes
"균열과 기질의 수리전도도 비율(Kf/Km)이 증가할수록 등가 수리전도도 텐서의 분포가 복잡해져 예측 정확도가 저하되는 경향을 보였다."
"균열 밀도가 감소할수록 예측 정확도가 향상되었다."
"대리 모델 활용 시 수치 균질화 대비 4배에서 28배의 계산 시간 단축 효과를 확인하였다."