Tupac Cloud es nuestra plataforma online de modelamiento de aguas subterráneas en desarrollo. Los modelos en Tupac Cloud se basan en grillas Voronoi y se construyen en MODFLOW 6 DISV a partir de scripts de Flopy. Todo el proyecto tendrá muchas herramientas e integraciones con QGIS y Paraview, este es solo un ejemplo de generación de mallas para un caso aplicado de interacción de ríos y acuíferos.

Después de la revisión y compilación de datos relevantes y el desarrollo de un modelo conceptual, estamos listos para la construcción de un modelo numérico de aguas subterráneas en un área de ladera en la ciudad de Mukilteo, Washington, EE. UU. El modelo se construirá en MODFLOW 6 con Model Muse con condiciones de contorno para flujo regional, mar, recarga, drenajes y evapotranspiración, el modelo también tiene 24 puntos de observación. Los datos de entrada se insertan a partir de datos vectoriales (shp) y cuadriculados (raster). Es tutorial incluye todos los pasos de la construcción del modelo y la configuración del paquete con una visualización final de los valores de cabeza calculados y observados realizados con Flopy.

MODFLOW 6 implementa el paquete Buoyancy para la simulación de casos de intrusión marina y densidad variable. Las herramientas se implementan en el paquete de Python para modelamiento Flopy, sin embargo, el flujo de trabajo ha cambiado sustancialmente con respecto a los modelos anteriores de flujo y transporte. Hemos desarrollado un caso aplicado de modelamiento de intrusión de agua de mar con geometría regular construido con Model Muse para flujo y Flopy para transporte.

Modflow 6 tiene un nuevo enfoque para configurar puntos de observación y es esencialmente diferente a las versiones anteriores. El paquete OBS6 funciona no solo con cargas hidráulicas y abatimientos, sino también con flujos, por lo que también es posible calibrar el modelo con el flujo base o cualquier otro flujo registrado directamente desde una condición de borde. Hemos creado un caso aplicado de la implementación de piezómetros en un modelo de flujo de agua subterránea de un talud en Modflow 6 y Model Muse. El tutorial cubre todos los pasos relacionados con la implementación de los puntos observados en Model Muse, así como la comparación entre cargas simuladas y observadas a través de scripts en Flopy.

Phreeqc puede resolver simulaciones geoquímicas para una solución específica y simulaciones basándose en resultados anteriores. Hemos desarrollado un tutorial que se basa en el Ejemplo 3 de la documentación Phreeqc en un enfoque paso a paso para simular la composición del agua subterránea, del agua de mar, de la mezcla de ambos y de casos relacionados con el equilibrio con calcita y dolomita. Hay una clase de Python (Python class) capaz de ejecutar los archivos de entrada y analizar los resultados incluidos en la parte de scripts en los archivos de entrada.

La representación y el análisis de los resultados de flujo y transporte es un desafío para los modeladores de aguas subterráneas. Aspectos como la velocidad, la compatibilidad, el formato de datos y las opciones de visualización son clave en la representación 2D / 3D de la carga hidráulica y la concentración en las celdas del modelo. En Jupyterlab se han desarrollado nuevas herramientas que pueden ser útiles para representar los resultados del modelo de una manera fácil de usar.
En esta ocasión hemos realizado un tutorial para la representación interactiva de una pluma contaminante en Jupyterlab; el modelo se realizó con Modflow Nwt y Mt3d, la representación se realizó con Matplolib, Ipywidgets y Voila.

Hemos realizado un tutorial sobre un modelo de complejidad baja con ríos, lagos, recarga y flujo de agua subterránea regional realizado en Model Muse en un tutorial anterior. El modelo se importó como un objeto en Python con Flopy. Se realizó un análisis de sensibilidad con SALib para evaluar la respuesta del flujo de agua subterránea del objeto de modelo a una muestra diferente de parámetros y se registró un conjunto resultante de parámetros y las cargas hidráulicas correspondientes (parámetros a cargas hidráulicas). Luego, se realizó una regresión de aprendizaje automático con Scikit-Learn con el conjunto inverso (cargas hidráulicas a parámetros) para obtener los parámetros predichos para los datos observados. Se realizaron diferentes medidas de error en dos modelos para evaluar la calidad general del regresor de la red neuronal.