سود:
- امکان استفاده از قدرت ردیاب ها و آشکارسازهای فاز هوش مصنوعی برای کنترل خروجی با آنالیز باقیمانده و تمایز طبیعی- مصنوعی
- توانایی مدیریت اشباع اندازه و عدم قطعیت در اخطار اولیه و درک اینکه سیستم به جای یک مدل واحد مبتنی بر تأیید چند لایه است.
- توانایی درک تفاوت بین پیش بینی زلزله ای که قبلاً رخ داده است و پیش بینی زلزله آینده به طور قطعی و رد درخواست های پیش بینی غیر علمی.
هنگامی که یک زلزله رخ می دهد، داده ها از هزاران ایستگاه در عرض چند ثانیه جریان می یابد و وظیفه ژئوفیزیکدان آغاز می شود: این امواج از کجا آمده اند، چقدر بزرگ بودند، کدام گسل پاره شد؟ لرزه شناسی زلزله علم تعیین مکان، اندازه و مکانیسم زمین لرزه ها با ثبت امواج لرزه ای منتشر شده در سطح زمین است. این شاخه ای از ژئوفیزیک است که هوش مصنوعی (AI) در آن شاید بالغ ترین باشد: میلیون ها شکل موج استخراج کننده های فاز مبتنی بر هوش مصنوعی و آشکارسازهای زلزله را بسیار قدرتمند کرده اند. در این واحد به بررسی قدرت واقعی هوش مصنوعی در جداسازی فاز، تشخیص زلزله و هشدار اولیه می پردازیم. اما خواهیم دید که چرا تأیید و کنترل انسانی در این زمینه از ایمنی زندگی غیرقابل مذاکره است.
مفاهیم اساسی
فرهنگ لغت کوتاه. فاز رسیدنی است که در آن نوع خاصی از موج لرزه ای (موج P - اولین موج ورودی، سریع و فشاری؛ موج S - موج آهسته تر، موج برشی) در ضبط ظاهر می شود. انتخاب فاز علامت گذاری زمان دقیق ورود P و S در یک ضبط است. اساس مکان یابی زلزله است. تشخیص زلزله به معنای جداسازی و گرفتن سیگنال زلزله از نویز در یک جریان داده پیوسته است. بزرگی اندازه گیری انرژی آزاد شده توسط زلزله است. مکانیسم کانونی هندسه (ضربه، شیب، لغزش) گسل گسیخته را مشخص می کند.
مکان یابی مکان زلزله بر اساس مثلث بندی منبع با ترکیب زمان رسیدن P و S در بسیاری از ایستگاه ها است. خطاهای کوچک در زمان های فاز به خطاهای بزرگ در موقعیت تبدیل می شوند - بنابراین دقت استخراج فاز بسیار مهم است.
استخراج و تشخیص فاز با هوش مصنوعی
استخراج فاز مرسوم (به عنوان مثال STA/LTA - ضبط ورود با نسبت انرژی پنجره کوتاه به بلند) با رکوردهای پر سر و صدا مبارزه می کند و بسیاری از زلزله های کوچک را از دست می دهد. مرتبکنندههای مبتنی بر هوش مصنوعی (شبکههای عصبی عمیق، آموزشدیده از میلیونها فاز با برچسب دستی) این کار را با دقت و سرعت بسیار بیشتری انجام میدهند. به طور خاص، ثبت ریززلزلههای کوچک (لرزشهای بسیار کوچک و نویزدار) را متحول کرده است. هوش مصنوعی همچنین می تواند به طور مداوم داده ها را اسکن کند و به طور خودکار کاتالوگ زلزله را غنی کند.
با این حال، دو خطر وجود دارد. اولین مورد تشخیص نادرست است: هوش مصنوعی ممکن است عبور قطار، انفجار یا الگوی صدا را با زلزله اشتباه بگیرد. دومی تشخیص از دست رفته است: ممکن است یک رویداد غیرعادی را که شبیه مجموعه آموزشی نیست از دست بدهد. بنابراین، کاتالوگ خودکار در معرض کنترل زلزله شناس است. به خصوص رویدادهای تصمیم گیری (تمایز مصنوعی/طبیعی، پتانسیل سونامی) به صورت دستی تایید می شوند.
نکته: زمان های P و S را که توسط استخراج کننده هوش مصنوعی برگردانده شده است، با مشاهده مقادیر باقیمانده در محلول مکان زلزله بررسی کنید. باقی مانده بزرگ در یک ایستگاه نشان می دهد که آن فاز به اشتباه مرتب شده است. کورکورانه وارد راه حل مکان یابی نشوید.
هشدار اولیه: علم ثانیه ها
هشدار زودهنگام زلزله (EEW) سیستمی است که موج سریع P یک زلزله را ضبط می کند و یک هشدار را در عرض چند ثانیه قبل از رسیدن موج S و امواج سطحی مخرب تر اما کندتر به مناطق دورافتاده پخش می کند. هوش مصنوعی می تواند تخمین اندازه و مکان را از چند ثانیه اول موج P تسریع کند. اما در اینجا خطر بالاترین میزان است: هشدار نادرست می تواند باعث وحشت و ضرر اقتصادی شود، هشدار از دست رفته/تاخیر ممکن است به قیمت تمام شود. بنابراین سیستمهای EEW سیستمهای مهندسی چندلایه، بررسیشده و بهطور مداوم با روشهای متعدد تأیید میشوند. این به یک مدل هوش مصنوعی سپرده نشده است.
احتیاط: تخمین بزرگی از ثانیه های اول ذاتا نامشخص است. یک زلزله بزرگ ممکن است در ابتدا کوچک به نظر برسد (اشباع بزرگی). اولین حدس هوش مصنوعی را قطعی نگیرید. سیستم باید طوری طراحی شود که پیش بینی را با تکامل شکل موج به روز کند و عدم قطعیت باید به وضوح بیان شود.
تفاوت بین تخمین و پیش بینی: یک محدودیت اخلاقی
در اینجا یک تمایز انتقادی وجود دارد. هوش مصنوعی می تواند مکان/قدرت زمین لرزه ای را که روی داده است پیش بینی کند (از اندازه گیری استنباط کند). اما از نظر علمی امکان پیش بینی زمان وقوع زلزله در آینده وجود ندارد (پیش بینی زلزله قطعی). این حدی است که زلزله شناسی با آن موافق است. این گمراه کننده و غیراخلاقی است که با استفاده از هوش مصنوعی ادعا کنیم "زلزله در این تاریخ رخ خواهد داد". آنچه مشروع است ارزیابی احتمالی خطر (خطر زلزله آماری بلندمدت) است - نه یک پیشبینی دقیق در طول روز.
سه کیف کوچک
مورد 1 - کاتالوگ ده برابر غنی تر. هنگامی که یک استخراج کننده فاز هوش مصنوعی در یک شبکه منطقه ای مستقر شد، تعداد زمین لرزه های شناسایی شده از همان داده های پیوسته تقریباً 10 برابر افزایش یافت. هزاران ریززلزله قابل مشاهده شد و هندسه گسل مشخص شد. زلزله شناسان کاتالوگ را با نمونه های تصادفی و تجزیه و تحلیل باقیمانده بررسی کردند و موارد مثبت کاذب را پاک کردند.
مورد 2 - اشتباه گرفتن انفجار با زلزله. سیستم خودکار انفجارهای منظم در یک معدن را به عنوان زلزله های جزئی فهرست بندی می کرد. زلزله شناس متوجه شد که حوادث همیشه در یک زمان و در یک مکان اتفاق می افتد و شکل موج دارای ویژگی انفجاری است و آن را مرتب کرد: تمایز طبیعی- مصنوعی مستلزم کنترل انسان است.
مورد 3 - مدیریت عدم قطعیت در هشدار اولیه. در آزمایش EEW، هوش مصنوعی یک زلزله بزرگ M6.0 را در 3 ثانیه اول پیش بینی کرد. حادثه در واقع M7.1 بود. با توسعه موج، سیستم پیشبینی را بهروزرسانی کرد و هشدار با حاشیه عدم قطعیت ارائه شد زیرا میزان اشباع بزرگی مشخص بود. درس: طراحی به روز شده که با اولین حدس قفل نمی شود، زندگی را نجات می دهد.
چهار قالب قابل کپی
1) کنترل جداسازی فاز:
نقش شما: زلزله شناس من میخواهم زمانهای P/S دادهشده توسط مرتبکننده فاز YZ را کنترل کنم. چگونه مقادیر باقیمانده را در محلول موقعیت تفسیر کنم، بالاتر از چه آستانه ای ایستگاه را بررسی کنم، چگونه فاز استخراج شده اشتباه را استخراج کنم؟ یک جریان کنترل قابل اجرا ارائه دهید.
2) فیلتر تشخیص نادرست:
در کاتالوگ زلزله خودکار من مشکوک به منابع مصنوعی (انفجار، نویز فرهنگی) وجود دارد. به چه معیارهایی (تکرار مکان/زمان، کاراکتر شکل موج، محتوای فرکانس) باید توجه کنم تا اینها را از زلزله های طبیعی تشخیص دهم؟ یک چک لیست ایجاد کنید.
3) ارتباط عدم قطعیت اندازه:
در زمینه هشدار اولیه، بزرگی را از ثانیه های اول تخمین زدم. چگونه می توانم اشباع بزرگی و عدم قطعیت را در نظر بگیرم، چگونه تخمین را با توسعه موج به روز کنم، چگونه هشدار را با حاشیه عدم قطعیت بیان کنم؟ ساده بگو
4) یادآوری حد پیش بینی:
نقش شما: مشاور اخلاق زلزله شناسی مدیری از من می خواهد که "تاریخ زلزله بعدی" را با هوش مصنوعی پیش بینی کنم. در مورد اینکه چرا پیشبینی قطعی زلزله علمی نیست، چه محصولات احتمالی احتمالی مشروعی را میتوانم به جای آن ارائه دهم و چگونه میتوانم صادقانه محدودیتها را توضیح دهم، بنویسید.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
با هوش مصنوعی پیش بینی کنید که زلزله بعدی چه زمانی در این منطقه رخ می دهد.
یک درخواست علمی غیرممکن و غیراخلاقی؛ اگر هوش مصنوعی یک یقین ساختگی ایجاد کند، باعث آسیب خواهد شد.
اعلان قدرتمند:
نقش شما: زلزله شناس زمینه: شبکه منطقه ای، داده های پیوسته. وظیفه: (1) مراحل غنی سازی کاتالوگ را با استخراج فاز هوش مصنوعی بنویسید. (2) نحوه کنترل خطرات تشخیص نادرست (انفجار/صدا) و از دست دادن را شرح دهد. (3) نحوه گزارش نتایج را به زبان خطر احتمالی به من نشان دهید. ایجاد پیشبینی قطعی روز؛ اشاره کنید که این غیر علمی است.
چارچوبی که حدسهای مشروع را از غیرعلمی جدا میکند و نیاز به تأیید دارد، حوزه را مسئول میداند.
وظایف و نقش هوش مصنوعی
تلاش
قدرت هوش مصنوعی
ریسک اصلی
کنترل انسان
استخراج فاز
بسیار بالا
ورود اشتباه
تجزیه و تحلیل باقیمانده
تشخیص زلزله
بسیار بالا
اشتباه / از دست دادن
ممیزی کاتالوگ
تخمین اندازه
بالا
اشباع
حاشیه عدم قطعیت
هشدار اولیه
بالا
هشدار کاذب
سیستم چند لایه
پیش بینی آینده
هیچ (غیر علمی)
گمراه کردن
رد کردن
اشتباهات رایج
- استفاده از کاتالوگ خودکار بدون بررسی آن. تشخیص نادرست و انفجار ممکن است نشت کند.
- قرار دادن زمان های فاز در موقعیت بدون هیچ کنترلی دیگر. خطای جزئی استخراج مکان را می شکند.
- با در نظر گرفتن دقیق بودن تخمین اندازه اول. اشباع اندازه وجود دارد.
- سپردن EEW به یک مدل واحد. ایمنی زندگی نیاز به تأیید چند لایه دارد.
- تولید پیش بینی قطعی زلزله غیر علمی است؛ به سمت خطر احتمالی بروید.
به طور خلاصه
لرزهشناسی زلزله یکی از حوزههای ژئوفیزیک است که هوش مصنوعی در آن قویترین است: کاتالوگها را در استخراج فاز و تشخیص ریززلزله ده برابر افزایش میدهد و در اخطار اولیه چند ثانیه صرفهجویی میکند. اما این منطقه ای است که با ایمنی زندگی در هم تنیده شده است. تشخیص کاذب، تداخل انفجار، اشباع بزرگی و هشدار کاذب خطرات واقعی هستند. هوش مصنوعی چرت می زند. زلزله شناس با تجزیه و تحلیل، تمایز طبیعی- مصنوعی و سیستم چند لایه، باقیمانده ها را کنترل می کند. و حد غیرقابل تغییر: پیشبینی روز زلزله آینده غیرعلمی است - آنچه مشروع است ارزیابی احتمالی خطر است.
وظیفه کاربردی
یک سناریوی داده های لرزه ای پیوسته را در نظر بگیرید. خروجی استخراج کننده هوش مصنوعی را از جریان کنترل با تجزیه و تحلیل باقیمانده با الگوی "کنترل استخراج فاز" استخراج کنید. سپس یک چک لیست برای تشخیص انفجار/صدا از زلزله طبیعی با استفاده از الگوی "False detection filter" ایجاد کنید. در نهایت، با کلمات خود بنویسید که چگونه صادقانه مرزها را تعیین می کنید وقتی از شما خواسته می شود "زلزله بعدی" را با کسی پیش بینی کنید.
چک لیست
- [ ] من زمان های فاز هوش مصنوعی را با تجزیه و تحلیل باقیمانده بررسی کردم.
- [ ] من کاتالوگ خودکار را برای تشخیص/انفجار نادرست پاک کردم.
- [ ] من برآورد اندازه را با حاشیه عدم قطعیت بیان کردم.
- [ ] من اخطار اولیه را بر اساس اعتبارسنجی چند لایه استوار کردم، نه یک مدل واحد.
- [ ] درخواست پیش بینی قطعی زلزله را رد کردم و آن را به خطر احتمالی ارجاع دادم.