DFN modelling of jointed rock mass - VTTkyt2018.vtt.fi/rakoseminaari2017/Eevaliisa Laine.pdf · 2018-01-16 · Matlab skripti (Markovaara-Koivisto and Laine 2012) Julia/Python skriptit

DFN modelling of jointed rock mass Eevaliisa Laine, GTK

KYT2018 Seminar

Topic: Numerical modelling of jointed rock mass and rock joints

Time: Friday 1st December 2017 9.00 AM– 2.00 PM

DFN modelling of jointed rock mass

1. Definitions

2. Background

3. Example workflows

4. Software – comparative table

5. Conclusions

Rock brokenness• Comprised from fractures and faults

caused by tectonic movements, thermal effects and land uplift, …

• Resulting a complicated fracturepattern, difficult to model usingdeterministic methods

• Stochastic simulations is used and produces unlimited amount of as propable realizations, these are usedin physical modelling despite of the factthat they are difficult to validate –somehow by using hydraulic tests orby simulating rock fracturing startingfrom inferred paleo stresses

• In most applications, thesediscontinuities are critical factors for rock strength, flow characteristics and thermal properties of the rock mass

DFN

A ”discrete fracture network” DFN refers to a computaional model thatexplicitly represents the geometrical properties of each individual fracture, and the topological relationships between individual fractures and fracturesets. Lei et al. 2017

• From geological mapping

• Stochastic realization

• Geomechanical simulation

Conventional definition: stochastic fracture network

DFN – fracture simulation

Fracture simulation

Geologically inferred 2D-3D fracture patterns

Statistically simulatedfracture network

Geomechanically computedfracture patterns

Starting point

Geological mapping Fracture properties Paleostresses

Fracture properties

• Azimuth and dip

• Fracture dimensions

• Roughness of fracture surfaces

• Fracture filling

• Fracture aperture

• Density: number of fractures per unitlength P10, area P20, volume P30

• Intensity: length P10, area P21, volume P32

Fracture observations

• Fracture properties vary in short distances and it is difficult to predict subsurface 3D fracture patterns based on the surficial 2D fracture patterns

• Fracture observations

• Scanline measurements along the lines

• Areally e.g. from lidar data or drones: fracture patterns, fracture intensity and density

• Window mapping

• Circular scanlines: fracture density, intensity and mean length

• Outcrop mapping (Pajunen et al. 2008) using a specific fracture mapping form

Fracture properties

Palmottu

Fracture density

Fracture locationsPoisson distribution (completely random)

Testing possibilities using paleostresses

Fraktals

Distances from large fracture zones

Mathematical models

Lidar data, drone pictures

An example from Uunimäki gabro Geological

fracture mapping

Faultmodelling

Fracture propertystatistics

Fracture simulationusing GOCAD Fractcar

Fracture orientation distributions

Diagrams by the Matlab script by Markovaara-Koivisto & Laine 2012

Rakosimulointi

ohjelmistot

Rakojen sijainti Rako-ominaisuudet Geologinen historia

FracSim3D Homogeeninen Poissonin prosessi

Epähomogeeninen pisteprosessi

Ryhmittelypiste-prosessit

Cox-prosessit

Raot oletetaan ellipsin muotoisiksi.

Rakojen ominaisuudet mallinnetaan merkittynä pisteprosessina.

Rakojen koko: tasainen, eksponentiaalinen, lognormaali’power law’ jakauma sekä myös epäparametrinen lähestymistapa

Rakosuunnat: Tasainen, wrappednormaali (2d), von Mises (2d) ja Fisherin jakauma

Ryhmittely-pisteprosessit: mahdollisuus mallintaa rakoilun geologisia suhteita

Fracman Baecher-rakomalli, raot sijoittuneet homogeenisesti Poissonin jakauman mukaan

Levy-Lee fraktaalimalli, ”Levy-Flight” -menetelmä

Lähin-naapuri-malli

Raot esitetään polygoneina

Rakosuunnat: Tasainen, Fisher jabivariate Fisher, elliptical Fisher, bivariate normal, bivariate bingham, bootstrap, …

Rakojen päättyminen toisiinsa Beaherin kehittynyt malli)

Lähin-naapuri mallissa tavallaan voidaan ajatella rakojen liittyvän tiettyihin suuriin rakenteisiin

MOVE Valmiina gridinä tai perustuen rakoilun intensiteettiin, mikä on päätelty kallion jännitystilasta

GOCADplugin Fractcar Valmiina gridinä interpoloituna rakotiheysaineistoista

GeovariancesISATIS: MPS-simulointi, Boolean simulointi

Open R, Octave, Julia, …. koodit Rakosimulointityövuo voidaan räätälöidä

Sovellutuksen mukaan

ROSA code

2018

Ouput: Fracture

network model

Finite elementmesh

FEMDEM simulatingfracturing

usingpalaeostresses

Spatial and advanced

statistical toolslinked withROSA code(e.g. Julia)

Multipointstatistical tools

linked withROSA code

3D modellingtools

Päätelmät

Rakoverkkomallinnus perustuu suurelta osin tilastollisiin menetelmiin ja rakojen

sijainti/tiheys mallinnetaan käyttämäll erilaisi spatiotilastollisia menetelmiä.

Rakoverkon luomisessa on edelleen paljon ongelmia:

1) tilastolliseen malliin perustuva malli luo usein aika vaatimattomaan aineistoon

perustuen rakoverkon, jota on vaikea validoida

2) rakotiheys ja rakojen sijainnit: vaikeasti ennustettavissa

3) järkevää olisi kehittää rakoverkkomallinnusvuo koostuen eri mittakaavan

mallinnusmenetelmistä

4) tulevaisuus laskentatehon kasvaessa: geologisen, geomekaanisen ja stokastisen

rakosimuloinnin yhdistäminen

Työ liittyy KYT2018/ROSA – Laine& Markovaara-Koivisto

3D- JA 4D-VISUALISOINTI (WP4)Paraview/Geocando

VALIDOINTI (WP2)Rakosuunnat Palaeojännitykset Simuloidut raot Rakojen alueellinen jakautuminen???

RAKOVERKKOMALLINNUS – DFN, MPS, Rakoverkon mallinnus (C WP1, suppeampi Julia WP2)

RAKO-OMINAISUUDETRakosuuntien jakaumat R:llä (WP1) Merkityt pisteprosessit (rakopituudet etc.) (WP2)

RAKOJEN PAIKAT Poissonin jakauma & havaitut rakotiheydet C/R (WP1)

Perustuen rakojen havaittuun jakaumaan (WP2, Julia tai Python)

RAKORYHMÄT/-SETITMatlab skripti (Markovaara-Koivisto and Laine 2012) Julia/Python skriptit (WP2)

DATA (WP1 and WP2)Rakohavainnot

Havaitut rakoilukuviot

Linja- ja ympyrämittaukset

KorkeusmalliGeologinen taustatieto

Kiitos!

Eevaliisa Laine: [email protected] Atso Vorma