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