Evaluación de incertidumbre en predicciones de un modelo hidrogeológico numérico

Abstract

El modelamiento hidrogeológico numérico es una herramienta fundamental para la gestión de recursos hídricos subterráneos y la toma de decisiones ambientales, sin embargo, la incertidumbre en las predicciones de los modelos hidrogeológicos es un tema que ha sido poco abordado en la industria.

La presente memoria tiene como propósito evaluar la incertidumbre en las predicciones de un modelo hidrogeológico numérico, a través de la aplicación de PESTPP-IES.

Para lo anterior, se construye un modelo numérico de flujo y transporte de aguas subterráneas para pronosticar el comportamiento de las concentraciones de sulfato en una quebrada con una instalación de un depósito de relaves. El software utilizado incluye MODFLOW 6, PESTPP-IES y las librerías FloPy y pyEMU como interfaces de Python.

Se calibran las propiedades hidráulicas del modelo mediante PEST utilizando la implementación de puntos piloto en el área de estudio, ajustando los resultados del modelo a las observaciones.

Partiendo del modelo calibrado, se cuantifica la incertidumbre tanto en el periodo histórico como del periodo futuro utilizando el método de ensamblajes iterativos suavizado (IES). De esta manera, se aborda la incertidumbre de los parámetros hidráulicos y también la incertidumbre asociada a la infiltración proveniente del depósito de relaves, cuantificando el impacto de estos en los resultados de niveles y concentraciones de sulfato.

De esta manera, los hallazgos de este estudio sugieren que las medidas de mitigación son capaces de responder correctamente a la incertidumbre evaluada, observándose distintos comportamientos de la pluma de sulfato dentro de los rangos de los resultados, si bien en todos ellos la pluma no escapa del confinamiento de la quebrada.

Finalmente, se concluye que PESTPP-IES es una herramienta útil para evaluar la incertidumbre en las predicciones de los modelos hidrogeológicos numéricos, siendo una herramienta liviana computacionalmente y lo suficientemente robusta para manejar la no linealidad y las inestabilidades del modelo