Application of geostatistical inverse modeling to contaminant source identification at Dover AFB, Delaware Application du modèle inverse en géostatistique pour l’identification de source de pollutions à Douvres AFB, Delaware

Analysis of subsurface soil cores from the site of a field-scale groundwater remediation experiment at Dover Air Force Base, Delaware, has revealed that tetrachloroethene and trichloroethene contamination extends into an aquitard underlying a groundwater aquifer. Geostatistical inverse modeling is used to make inferences regarding the historical concentration conditions in the overlying aquifer. Because geostatistical inverse modeling is a stochastic approach, it treats parameters as jointly distributed random fields. Therefore, this approach is used to compute confidence intervals in addition to best estimates. This framework is also used to compute large numbers of conditional realizations, which are equally probable solutions given the data, and which allow for a better understanding of the form of the unknown function. Finally, a Markov Chain Monte Carlo method combined with the application of Lagrange multipliers is used to enforce concentration non-negativity. RÉSUMÉ L’analyse d’échantillons (carottes) du site de traitement expérimental des eaux souterraines à l’échelle de la parcelle sur la base aérienne de Douvres, Delaware, a indiqué que la pollution en tetrachloroethene et trichloroethene pénètre dans un aquitard en correspondance avec un aquifère qui surmonte l’aquitard. Un modèle géostatistique inverse est employé pour remonter aux causes, en s’appuyant sur l’historique des concentrations relevées dans l’aquifère sus-jacent. Le modèle géostatistique inverse procède par approche stochastique, et traite des paramètres en tant que champs aléatoires conjointement distribués. Par conséquent, cette approche est employée pour calculer les intervalles de confiance en plus des meilleures estimations des paramètres. Ce cadre est également utilisé pour calculer un grand nombre de solutions conditionnelles qui sont sous-tendues par une égale probabilité en regard des données de départ, et qui permettent une meilleure compréhension de la forme de la fonction inconnue. Enfin, une méthode de Monte Carlo Markov combinée avec l’application des multiplicateurs de Lagrange est employée pour imposer la non-négativité de la concentration.