Probabilistic Upscaling of Hydrodynamics in Geological Fractures Under Uncertainty
結合物理推論與 U-Net 模型，精準且低成本地量化地下岩石裂縫滲透率的幾何不確定性。
- 傳統立方定律難以處理岩石裂縫的粗糙度，預測時極易產生系統性偏差。
- U-Net 學習物理推論數據，只需一次運算便能有效預測局部滲透率機率分佈。
- 達西流動放大技術能將微觀不確定性，精準轉換為宏觀結構的滲透率信心區間。
預測地下流體如何在岩石裂縫中流動，長久以來仰賴極度簡化的經驗法則。Heriot-Watt University 的研究團隊針對高達 2.75 微米（μm） 解析度的 3D 微電腦斷層掃描資料進行運算，證明傳統法則會產生系統性偏差。透過導入貝氏推論與 Residual U-Net，此方法能在不重複進行高耗能物理模擬的前提下，將微觀幾何的不確定性精確放大到宏觀的滲透率預測中。
跳脫傳統立方定律：解析岩層裂縫的幾何不確定性
流體在破裂地質介質中的流動狀態，直接影響地下水循環、地熱能源開採以及地質碳封存的安全性。在多數實際應用場景中，工程師極度依賴簡化的建構關係（Constitutive Relationships），通常是將機械孔隙度（Mechanical Aperture）透過「立方定律（Cubic Law）」直接轉換為滲透率。這項假設將裂縫視為光滑的平行板，但自然界的真實裂縫卻充滿粗糙面、接觸區與錯綜複雜的通道。
這些複雜的地質特徵，會導致流體行為大幅偏離確定性的經驗法則。當研究人員將 3D 空間的複雜空隙投影到 2D 平面時，單一位置可能會同時存在多個斷開或重疊的開口（例如卡住的岩石碎片或部分膠結區域），形成所謂的「多值孔隙結構（Multivalued Aperture Structure）」。這使得代表性孔隙的定義變得極度模糊，傳統一對一的數值映射關係不再適用。
因此，直接仰賴確定性的孔隙與滲透率對應關係，不僅會扭曲局部的流體預測，更會在空間尺度放大的過程中產生嚴重的系統性偏差。為了解決這項痛點，研究團隊提出一種能感知不確定性的機率工作流程，將機械孔隙度視為帶有不確定性的幾何描述特徵，而非唯一的流體力學代理指標。
結合斯托克斯流：以貝氏推論校正微觀滲透率
要理解粗糙裂縫的真實水力行為，必須正視實際流體動態與簡化經驗模型之間的巨大落差。在微觀尺度上，流體嚴格受穩態不可壓縮的斯托克斯方程式（Stokes Equation）支配。團隊將簡化模型與真實物理之間的差異定義為「模型設定誤差（Model Misspecification）」，並建立一套基於物理機制的貝氏推論框架。
在這個框架中，來自微電腦斷層掃描的機械孔隙度觀測值僅作為外部資料輸入。系統不會直接拿它來計算滲透率，而是反向推論出符合斯托克斯流動特性的「水力孔隙度（Hydraulic Aperture）」。這個反演過程會自動平衡觀測資料的量測誤差以及經驗公式帶來的模型誤差，確保推導結果依然受制於嚴謹的流體物理定律。
推論的結果會產出一組局部滲透率的後驗分佈，包含期望值（預測均值）與變異數（局部不確定性）。這些數據完全源自水力孔隙度而非經驗公式，從根本上修正了立方定律所帶來的偏誤，為後續的大規模預測提供了具備物理意義的訓練基礎。
採用 Residual U-Net 建構空間滲透率預測替身
為了將局部的物理推論擴展到真實尺寸的整片裂縫系統，團隊設計了一套由資料驅動的深度學習模型。他們將 140 組具備不同粗糙度與空間相關性的裂縫幾何資料，切割為 128 × 128 像素的局部切片，並透過貝氏推論預先產出包含 560 組配對影像的高品質訓練資料集。
模型採用了 Residual U-Net 架構，結合用於階層式特徵萃取的編碼器與還原高解析度特徵的解碼器。這種架構特別適合處理自然裂縫中的多尺度異質性，例如細微的粗糙突起與大範圍的連通孔道。模型深度的特徵通道從 32 遞增至 256，並以步幅卷積（Strided Convolutions）取代傳統的最大池化層，藉由殘差連接來穩定神經網絡的梯度流動並加速收斂。
該神經網路的輸入為單通道的孔隙影像，輸出則是對數常態分佈的平均值與變異數參數。為了讓預測結果在空間分佈上更符合物理現象，損失函數不僅包含均方誤差，還加入了基於索貝爾梯度（Sobel Gradients）的邊緣感知正則化項。搭配 GradNorm 演算法動態平衡不同預測任務的權重，這套 U-Net 模型成為一個極為高效的「預測替身」，只需一次前向傳播即可推算整片幾何區域的滲透率。
達西流動放大技術：將像素級不確定性推展至宏觀
取得由神經網路預測的局部滲透率機率分佈後，核心步驟在於如何將這些微觀的不確定性傳遞到整體裂縫系統的宏觀表現。團隊擷取了四種關鍵的機率特徵圖：期望值、眾數（最可能發生的結果），以及代表 95% 信心水準的上下界分位數。每一張特徵圖都完整保留了原始幾何結構的空間連通路徑。
接著，團隊在這些特徵圖上執行穩態的達西流動（Darcy Flow）數值模擬。透過計算進出系統邊界之間的壓力降與平均流速，即可求出整體的有效滲透率（Effective Permeability）。
這套「放大技術」產生了四個宏觀滲透率數值，構成一個涵蓋不確定性範圍的分析級機率分佈模型。為驗證此方法的準確度，團隊也同步進行蒙地卡羅模擬，引入符合高斯分佈的潛在變數來產生大量驗證樣本。結果證實，這種基於四項特徵圖的快速放大方法，不僅大幅節省了高昂的物理運算資源，更能精準反映微觀幾何對應關係在宏觀層面的不確定性界線。
應用於猶他州斷層核心樣本與微電腦斷層資料
為了檢驗整套工作流程的落地實用性，研究團隊選用了來自美國猶他州 Little Grand Wash Fault 破壞帶的自然剪切裂縫岩心樣本。這些採自侏羅紀沉積岩層的樣本，具備明顯的剪切位移與局部互鎖的粗糙面，完全重現了真實斷層活動所遺留的複雜 3D 幾何特徵。
透過像素大小僅 2.75 微米的同步輻射高解析度 X 光微電腦斷層掃描，團隊獲取了尺寸高達 1480 × 1873 × 457 體素的巨量掃描資料。面對自然岩心多個分支、重疊的 3D 孔隙結構，團隊特別採用了「厚度加權孔隙縮減」演算法。
此策略能將三維的複雜幾何特徵降維成具備一致性的二維孔隙參數，同時完美保留高傳導區域的實體空間配置。實測結果證明，這套混合物理與深度學習的機率預測系統，成功捕捉了流道效應、連通性與 3D 幾何空間對滲透率的劇烈影響，未來將能無縫整合至更大規模的離散裂縫網路（DFN）中，為地質工程的風險評估提供全新的運算指引。
物理推論結合 U-Net，擺脫高耗能運算限制，精準劃定岩石裂縫滲透率的不確定性邊界。