Modelación inversa estocástica no multigaussiana condicionada a datos de flujo, transporte e información secundaria.
- Autores: Carlos Llopis Albert
- Directores de la Tesis: José Esteban Capilla Romá (dir. tes.)
- Lectura: En la Universitat Politècnica de València ( España ) en 2008
- Idioma: español
- Tribunal Calificador de la Tesis: Andrés Sahuquillo Herraiz (presid.), José Jaime Gómez Hernández (secret.), Francisco Javier Elorza Tenreiro (voc.), Javier Rodríguez Arévalo (voc.), Carl Louis Axness (voc.)
- Materias:
- Texto completo no disponible (Saber más ...)
- Resumen
La tesis presenta una nueva técnica de modelación inversa estocástica que puede ser usada como herramienta de apoyo a la decisión en problemas tales como la planificación y gestión de recursos hídricos, el estudio de la evolución y la recuperación de suelos y aguas subterráneas contaminadas, la caracterización de los parámetros que controlan el proceso a ser modelado, o la evaluación de la incertidumbre inherente a las predicciones del modelo, La metodología simula campos de transmisividad (T) en el marco del método de deformación gradual y ha sido desarrollada para superar ciertas limitaciones encontradas en las técnicas existentes. Los campos de T generados están condicionados a una gran cantidad de información: datos piezométricos, de concentración y de tiempos de viaje procedentes de ensayos de trazadores; además, puede hacer uso tanto de información dura (medidas de conductividad hidráulica o transmisividad), como de información blanda (proveniente del juicio experto o exploraciones geofísicas). Adicionalmente, la metodología es capaz de adoptar cualquier modelo de función aleatoria (no requiere asumir la clásica hipótesis de multigaussianeidad), mediante las funciones de densidad acumuladas condicionadas (ccdf's) en cada punto o bloque de la discretización. De este modo, la estructura de correlación espacial de la T se introduce a través de los variogramas adoptados para los campos de probabilidad de la variable, lo que permite la reproducción de cadenas de valores extremos de este parámetro, que a menudo tienen lugar en la naturaleza y que suponen una característica crucial para obtener predicciones realistas en el transporte de masa.
El proceso iterativo de optimización se lleva a cabo realizando combinaciones lineales de campos de T, al tiempo que se preserva la variabilidad espacial inferida de las medidas. En cada iteración, dos nuevos campos semilla son combinados con la realización óptima de la iteración anteri
