破砕媒質シミュレーションにおける不均質性問題

破砕媒質シミュレーションにおける不均質性問題

破砕結晶質岩における地下水流動は、根本的な緊張関係を示します。亀裂は無視できない極端な空間不均質性を生み出しますが、それを完全に捉えるには法外な計算コストが必要です。三次元離散亀裂マトリックス（DFM）システムでは、透水係数がスケール全体で桁違いに変化します。亀裂は通常、周囲の岩石よりも10～100倍透水性が高く、不規則でまばらな幾何学を持ちます。微細スケールシミュレーションはこの複雑性を正確に解析しますが、大規模な方程式系を繰り返し解く必要があります。不確実性定量化、パラメータ推定、設計最適化のために、実務者は数百から数千の順問題評価を必要としますが、標準的なアプローチでは運用期間内にこの要件を満たせません。

この制約は現実的です。粗い近似では亀裂効果を完全に見逃します。完全な微細スケール解析では、実行あたり数時間の計算時間が必要です。このギャップは、汚染評価、地熱資源開発、核廃棄物貯蔵における意思決定を阻害します。これらの領域では、誤差範囲が安全性と経済性に直接影響します。

この問題を駆動する3つの要因があります。

  1. 空間解像度: 亀裂近傍の細かいグリッドとマトリックス岩石内の粗いグリッドが、メモリと時間のボトルネックを生み出します。
  2. パラメータ不確実性: 亀裂の位置、開口幅、接続性は正確に把握されることが稀であり、アンサンブルベースのサンプリングを強制します。
  3. アップスケーリング精度: 従来の均質化手法は不均質性を平均化し、流動方向と大きさを支配するテンソル構造を失います。

実務者は現在、低精度を受け入れるか、遅いターンアラウンドを受け入れるかの選択を迫られています。どちらもリアルタイム意思決定支援や大規模逆問題には満足できません。

畳み込み代理モデルアプローチは、このトレードオフを解決します。完全な微細スケールシミュレーションを実行したり、粗い平均化を受け入れたりするのではなく、この手法はローカル亀裂幾何学から粗いスケールでの有効透水係数テンソルへのマッピングを学習します。畳み込みニューラルネットワークは、このマッピングの空間的局所性を自然に捉えます。ある領域の亀裂は、主にその近傍での流動挙動に影響を与え、グローバルには影響しません。微細スケールシミュレーションの代表的なサンプルで訓練することで、代理モデルはミリ秒でアップスケールされたテンソルを予測し、迅速な不確実性定量化と最適化を可能にします。重要な洞察は、亀裂効果が本質的に局所的かつ幾何学的であるということです。学習されたオペレータは、物理ソルバーを繰り返し実行するよりも効率的にこの構造を捉えます。

割れた岩盤シミュレーションにおける異質性問題の構造を示す図。左側に3つの駆動要因（空間解像度、パラメータ不確実性、アップスケーリング精度）を配置し、これらが中央の計算コストと精度のトレードオフというボトルネックに収束し、右側で従来のアップスケーリング手法の3つの限界（高解像度化による計算爆発、不確実性の伝播、スケール間の情報損失）として顕在化することを示している。

  • 図2：割れた岩盤シミュレーションの異質性問題における3つの駆動要因と計算トレードオフの構造*

計算ボトルネックとマルチレベルフレームワーク

マルチレベルフレームワークの階層構造を示す図。上から下へ、微細スケール（赤色、高解像度グリッド、高計算コスト、計算時間と メモリが高）からレベル1、段階的粗粒化を経て中間スケール（オレンジ色、中解像度、中程度コスト）のレベル2、さらに粗粒化を経て粗スケール（緑色、低解像度、低コスト、計算時間とメモリが低）のレベルNへと遷移する構造を表現。各レベルでの計算時間とメモリ要件の変化を可視化。

  • 図4：マルチレベルフレームワーク—微細スケールから粗スケールへの階層構造と計算ボトルネック*

微細スケールシミュレーションコストと実務上の制約

微細スケールでの離散亀裂マトリックス（DFM）シミュレーションは、亀裂幾何学を明示的に解析する要件のため、実質的な計算費用を招きます。代表的な領域を考えます。数百の亀裂は亀裂表面の近傍でのローカルメッシュ細分化を必要とし、このプロセスは通常、1000万～1億の自由度（DoF）を生成します。各順問題シミュレーションは、領域サイズ、亀裂密度、ソルバー許容度に応じて、現代的なハードウェアで30分から数時間を要します。不確実性定量化がモンテカルロサンプリングを介して必要とされる場合（地下資源応用における標準的な実務）、累積コストは法外になります。例えば、500サンプル×サンプルあたり30分は、約250計算時間をもたらし、この期間は反復的なワークフローやアンサンブルベースの意思決定支援における実務的な実現可能性を制約します。

この計算上の障壁は、実務者を最適でない選択肢へと追い込みます。物理的忠実性を犠牲にして粗い近似を採用するか、パラメトリック分析や感度分析の範囲を制限する長いターンアラウンド時間を受け入れるかのいずれかです。両方の代替案は、破砕媒質における不確実性定量化の信頼性と幅を損ないます。

マルチレベルモンテカルロ：精度レベル全体での階層化サンプリング

マルチレベルモンテカルロ（MLMC）フレームワークは、Giles（2008、2015）によって形式化され、複数の離散化レベル全体でのサンプリングを階層化することで、この制約に対処します。各レベルは異なる精度とコストのトレードオフを持ちます。このフレームワークは、粗いレベルが計算上安価だが離散化誤差を導入し、一方、細かいレベルは正確だが高コストであるという原則に基づいて動作します。サンプリング密度をコストに逆比例させることで（粗いレベルで大量にサンプリングし、細かいレベルでまばらにサンプリング）、MLMCは微細レベルに均一に適用された標準モンテカルロよりも低い総計算作業で目標分散を達成します。

形式的には、$\mathcal{L}$を離散化レベルの数とし、$\ell = 0, 1, \ldots, \mathcal{L}$でインデックス付けされ、レベル0が最も粗く、レベル$\mathcal{L}$が最も細かいとします。MLMCエスティメータは以下の通りです。 $$\mathbb{E}[Q_\mathcal{L}] = \sum_{\ell=0}^{\mathcal{L}} \mathbb{E}[Q_\ell - Q_{\ell-1}],$$ ここで$Q_\ell$はレベル$\ell$で計算された関心量（例えば、圧力または流量）であり、慣例により$Q_{-1} = 0$です。各差分$\mathbb{E}[Q_\ell - Q_{\ell-1}]$は$N_\ell$個のサンプルを使用して推定され、分散制約に従って総コストを最小化するように選択されます。MLMCエスティメータの分散は$\mathcal{O}(h_\mathcal{L}^2)$（ここで$h_\mathcal{L}$は最も細かいメッシュパラメータ）としてスケーリングされ、標準的な正則性仮定の下での総コストは$\mathcal{O}(h_\mathcal{L}^{-2} \log(h_\mathcal{L}^{-1}))$です。これは標準モンテカルロコスト$\mathcal{O}(h_\mathcal{L}^{-3})$（Giles、2015）と比較して実質的な削減です。

亀裂固有の課題：粗いレベルでのテンソル構造の保持

破砕媒質へのMLMC適用は、重大な課題を導入します。粗いレベルは、亀裂誘起異方性と接続性の本質的な物理を保持する必要があります。そうしなければ、レベル間のバイアスは制御不可能に大きくなり、分散削減利益を無効にします。

素朴な粗いレベル構成（微細スケール透水係数の均一な空間平均化）はテンソル構造を破壊します。亀裂は低次元特性（3D内の表面）です。それらを粗いセル体積上で平均化すると、亀裂ネットワークに沿った優先的な流動を捉えられないスカラーまたは等方性近似が生成されます。これは、サンプリングだけでは修正できない体系的バイアスを導入し、精密化に伴いバイアスが単調に減少するというMLMC仮定に違反します。

数値均質化：異方性と接続性の保持

数値均質化は原則的な代替案を提供します。平均化ではなく、均質化は微細スケール部分領域上のローカル境界値問題（BVP）を解いて、粗いセルの有効（アップスケール）透水係数テンソルを計算します。具体的には、各粗いセル$\Omega_H$（ここで$H$は粗いメッシュサイズ）に対して、以下を解きます。 $$-\nabla \cdot (\mathbf{K}f(\mathbf{x}) \nabla u_i) = 0 \quad \text{in } \Omega_H,$$ 周期的またはディリクレ境界条件に従い、ここで$\mathbf{K}f$は微細スケール透水係数（亀裂とマトリックス成分を含む）であり、$u_i$は$i$番目の座標方向の解です。有効テンソル成分は以下の通りです。 $$K{\text{eff}, ij} = \frac{1}{|\Omega_H|} \int{\Omega_H} \mathbf{K}_f(\mathbf{x}) \nabla u_i \cdot \mathbf{e}_j , d\mathbf{x},$$ ここで$\mathbf{e}_j$は方向$j$の単位ベクトルです。このアプローチは異方性を保持し、ローカル解が亀裂幾何学と流動経路を考慮するため、接続性効果を捉えます。

しかし、均質化自体は計算上高コストです。$N_c$個のセルを持つ粗い領域に対して、$3 N_c$個のローカルBVPを解く必要があります（3Dを仮定して、座標方向ごとに1つのセルあたり1つ）。$N_c \sim 10^4$から$10^5$のセルに対して、これは数千から数十万のPDEを解く必要があり、各々は微細スケールメッシュ上です。総均質化コストは数時間から数日に達することができ、素朴に実行された場合、MLMC効率利益の多くを無効にします。

畳み込み代理モデル：ローカル解をニューラルネットワークで学習されたマッピングに置き換える

畳み込み代理モデルは、高コストのローカル均質化解を、訓練されたニューラルネットワークを通じた迅速な順伝播で置き換えます。代理モデルは、粗いセル内の微細スケール亀裂幾何学から対応する有効透水係数テンソルへのマッピングを学習し、PDEを解くことなく均質化結果を近似します。

運用上のワークフローは以下の通りです。

  1. 訓練データ生成: 亀裂実現の代表的なアンサンブルに対して、微細スケールDFMシミュレーションを実行します。各実現と各粗いセルに対して、数値均質化（ローカルBVPの解法）を介して参照有効テンソルを計算します。このステップはオフラインで1回実行されます。

  2. 代理モデル訓練: 畳み込みニューラルネットワーク（CNN）を訓練して、微細スケール亀裂幾何学の離散化表現（例えば、亀裂の存在と特性を示す3次元バイナリまたは連続フィールド）から対応する3×3有効透水係数テンソルへのマッピングを行います。ネットワークアーキテクチャは空間的局所性を活用します。畳み込みはローカル幾何学的特性を捉え、出力は有効テンソルを表す9成分ベクトル（対称テンソルの場合は6）です。

  3. MLMC展開: MLMCサンプリングループで、訓練された代理モデルを使用して、中間レベルのすべての粗いセルの有効テンソルを計算し、高コストの均質化を置き換えます。各代理モデル評価は、ローカル解あたり$\mathcal{O}(1)$から$\mathcal{O}(10)$秒と比較して、現代的なGPUで$\mathcal{O}(10^{-2})$秒を要します。

  4. バイアス補正: 微細レベルサンプル（正確な均質化または微細スケールシミュレーションで計算）を控えめに使用して、代理モデル近似誤差によって導入される残差バイアスを推定および補正します。

計算効率の向上

このマルチレベル代理モデル戦略は、以下に応じて、微細スケールのみのモンテカルロと比較して10～100倍の総コスト削減を達成します。

  • 目標精度: より厳しい分散許容度は、より多くの微細レベルサンプルを必要とし、相対的な利益を削減します。
  • アンサンブルサイズ: より大きなアンサンブルは、粗いレベルの加速からより多くの利益を得ます。
  • 代理モデル忠実度: より大きく、より多様なデータセットで訓練されたネットワークは、より低い近似誤差を招き、バイアス補正コストを削減します。

コスト削減は、（i）粗いレベルが代理モデルを介して迅速に評価され、無視できるコストで大量のサンプルカウントを可能にし、（ii）微細レベルサンプルは完全な期待値を推定するのではなくバイアスを補正するためにのみ使用され、（iii）マルチレベル構造がすべてのレベル全体で分散が制御されることを保証し、標準モンテカルロの$\mathcal{O}(h^{-3})$スケーリングを回避するため、実現されます。