سود:
- توانایی استفاده از آمادهسازی دادههای هوش مصنوعی و کمک کالیبراسیون در توصیف آبخوانها و مدلسازی جریان آب زیرزمینی.
- توانایی تجزیه و تحلیل داده های کیفیت، سطح و جریان آب با هوش مصنوعی و تشخیص ناهنجاری
- توانایی تأیید خروجی های مدل با بقای جرم، معقول بودن هیدرولیک و اندازه گیری میدانی
آب زیرزمینی منبع طبیعی است که ما نمی توانیم ببینیم اما بیشترین تصمیم را در مورد آن می گیریم. اینکه یک چاه چقدر آب تولید میکند، چه مقدار آب به معدن میریزد، چقدر طول میکشد تا یک آلاینده به منبع آب آشامیدنی برسد، همه به رفتار آب در حین حرکت آهسته در منافذ و شکافهای زیرزمینی بستگی دارد. هیدروژئولوژی (علم آبهای زیرزمینی) این جریان نامرئی را از چاههای مشاهدهای پراکنده، برشهای زمینشناسی و قوانین فیزیکی بازسازی میکند. هوش مصنوعی کمک قدرتمندی در این کار است: سری های زمانی نامرتب را پاک می کند، داده های از دست رفته را یکپارچه می کند، ناهنجاری ها را تشخیص می دهد و کالیبراسیون مدل را سرعت می بخشد. اما یک قانون بر همه غالب است: حفظ جرم. مقدار آب ورودی، خروجی و ذخیرهسازی سیستم باید ثابت باشد. هیچ مدل هوشمندی نمی تواند این تعادل را نقض کند.
در این واحد ما سه جنبه هوش مصنوعی مطالعه آب زیرزمینی را پوشش خواهیم داد: آمادهسازی دادهها و تشخیص ناهنجاری (پردازش سطح، سرعت جریان و سریهای کیفی)، خصوصیات آبخوان (پیشبینی ویژگیهای لایه حامل آب زیرزمینی) و کالیبراسیون مدل جریان (تراز کردن مدل عددی با مشاهده). در هر مرحله، ما از هوش مصنوعی نه به عنوان یک ماشین حساب، بلکه به عنوان یک تولید کننده پیش نویس استفاده خواهیم کرد که نتیجه آن را با تعادل آب و اندازه گیری میدانی آزمایش می کنید.
آبخوان و مفاهیم اساسی
بیایید ابتدا یک زبان مشترک ایجاد کنیم. آبخوان یک واحد زمین شناسی است (به عنوان مثال لایه ماسه-شن) که می تواند آب کافی را حمل و آزاد کند. هدایت هیدرولیکی (K) اندازه گیری آسانی جریان آب از میان سنگ/خاک. معمولاً برای شن و ماسه حدود متر در روز و برای خاک رس از نظر میکروسکوپی کم است. سر هیدرولیک (سر) انرژی فشار و ارتفاع آب در یک نقطه است. آب همیشه از بار زیاد به بار کم جریان دارد. ضریب ذخیره حجم آب آزاد/ذخیره شده توسط آبخوان را در واحد تغییر بار نشان می دهد. این چهار کمیت سنگ بنای همه مدلسازی هستند.
دانستن این مفاهیم هنگام کار با هوش مصنوعی ضروری است، زیرا هر عدد ارائه شده توسط مدل باید در این محدوده های فیزیکی قرار گیرد. مقدار K برای یک سفره شنی از چند سانتی متر تا ده ها متر در روز متغیر است. اگر مدل بگوید "3 کیلومتر در روز" خطای فیزیکی دارد. این شکل خاص هیدروژئولوژی از لنگر مرتبه قدر در واحدهای قبلی است.
گام به گام: آماده سازی داده ها، ناهنجاری و کالیبراسیون
مرحله 1 - تمیز کردن سری زمانی دادههای سطح از چاههای مشاهده اغلب نامنظم هستند: روزهای از دست رفته، پرش حسگر، سردرگمی واحد، اثر فشار اتمسفر. هوش مصنوعی این سری ها را تراز می کند، شکاف ها را علامت گذاری می کند و خطاهای احتمالی حسگر را تشخیص می دهد (پرش ناگهانی، خط صاف = حسگر منجمد). اما «پر کردن» مقدار گمشده و «علامت گذاری» آن متفاوت است. اگر قرار است پر کردن انجام شود، روش باید شفاف و مورد تایید زمینشناس باشد.
مرحله 2 - تشخیص ناهنجاری تغییر ناگهانی در کیفیت آب (به عنوان مثال رسانایی، نیترات، فلزات سنگین)؛ کاهش غیرمنتظره سطح؛ جهش در نرخ جریان - اینها نشانه یک رویداد واقعی (آلودگی، اضافه برداشت، نشتی) یا خطای اندازه گیری هستند. هوش مصنوعی ناهنجاری های نامزدها را رتبه بندی می کند. هیدروژئولوژیست تصمیم می گیرد که کدام یک واقعی است.
مرحله 3 - خصوصیات آبخوان. K و ضریب ذخیره سازی از داده های آزمایش پمپاژ (کشیدن آب از چاه با دبی ثابت و نظارت بر افت سطح در چاه های مجاور) استخراج می شود. هوش مصنوعی برازش منحنی و مدلهای آبخوان جایگزین (محدود/آزاد/نیمه تراوا) را تسریع میکند. اما تطابق مدل انتخابی با زمین شناسی میدان کار انسان است.
مرحله 4 - کالیبراسیون مدل عددی. مدل اختلاف / عنصر محدود آبخوان را به سلولها تقسیم میکند و جریان آب را در هر سلول حل میکند. کالیبراسیون برای تنظیم پارامترهای مدل (توزیع K، شارژ مجدد) برای سازگاری با سطوح چاه مشاهده است. هوش مصنوعی/بهینه سازی این تنظیمات را سرعت می بخشد. اما یک خطر وجود دارد: مدل ممکن است به خوبی مشاهدات را مطابقت دهد اما با پارامترهای فیزیکی نادرست (بیش از حد). بنابراین، کنترل تعادل آب پس از کالیبراسیون ضروری است.
نکته: قبل از پذیرش یک مدل کالیبره شده، بپرسید "آیا تعادل آب خاموش است؟" بپرسید: ورودی کل (تغذیه + جریان جانبی) منهای کل خروجی (کشش + تخلیه) به علاوه/منهای تغییر ذخیره باید ≈ 0 باشد. اگر بسته نشود، مدل غیرقابل اعتماد است، حتی اگر با سطوح مطابقت داشته باشد.
سه مورد کوچک: با اعداد
مورد 1 - اشکال زدایی سنسور. یک شبکه نظارتی دارای 18 ماه داده سطح برای 11 چاه بود. در کل حدود 6000 رکورد اسکن مجهز به هوش مصنوعی یک "سنسور یخ زده" را در دو چاه (دقیقاً همان مقدار برای 42 روز) و یک خطای واحد (فوت به جای متر وارد شده) در یک چاه شناسایی کرد. این سه خطا، که یافتن آنها با دست ساعت ها طول می کشد، می تواند به طور جدی کالیبراسیون مدل را تحت تأثیر قرار دهد. استخراج این مدل را حتی قبل از ایجاد آن قابل اعتماد کرد.
مورد 2 - تله تعادل جرم. یک مدل تخلیه آب معدن با همه چاههای رصدی بهتر از 5 درصد مطابقت داشت و تیم در آستانه تأیید اعتبار مدل بود. بررسی تعادل آب نشان داد که کل شارژ سه برابر بیشتر از آن چیزی است که با داده های بارندگی منطقه امکان پذیر بود. این مدل هارمونی را با رژیم غذایی غیر فیزیکی "خرید" کرده بود. پارامترها به محدوده واقعی بازگردانده شدند و دوباره کالیبره شدند. تناسب خوب به معنای مدل مناسب نیست.
مورد 3 - سیگنال اولیه آلودگی. در سری رسانایی یک چاه در حوضه آب آشامیدنی، هوش مصنوعی افزایش آهسته ای را نشان داد که از الگوی فصلی منحرف شد. در بازرسی محل، نشت از انباری در مجاورت مشاهده شد و قبل از رسیدن آلودگی به چاه آشامیدنی، اقدامات لازم انجام شد. مدل تصمیم نگرفت. توجه هیدروژئولوژیست را به چاه صحیح معطوف کرد.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
به داده های این چاه نگاه کنید و به من بگویید که آبخوان چگونه است و آب به کجا می رود. [جدول سطح]
اعلان قدرتمند:
نقش شما: دستیار هیدروژئولوژیست. سری سطح چاه مشاهده زیر را بررسی کنید، اما پارامتر آبخوان برازش شده است. موارد زیر را انجام دهید: 1) کیفیت داده: فهرست مشکوک به گم شدن، حسگر یخ زده، واحد/خارج، دادن چاه و تاریخ. 2) روند کلی (طلوع/پاییز/فصلی) و توضیحات فیزیکی احتمالی.3) مشخص کنید چه داده هایی (آزمایش پمپاژ، بارش، رکورد جاذبه) در مرحله بعدی مورد نیاز است. این را بیان کنید. داده ها ناشناس هستند.
اعلان قدرتمند مدل را در نقش کنترل کننده داده و ویرایشگر سؤال قرار می دهد. به صراحت برازش پارامتر را ممنوع می کند.
چهار قالب قابل کپی
1) بازرسی کیفیت سری سطح:
موارد زیر را در سری سطح چاه مشاهده علامت گذاری کنید: روزهای از دست رفته، مقدار متوالی یکسان (حسگر منجمد)، پرش ناگهانی، خطای واحد احتمالی (m/feet/cm). لیست فقط با well_id و محدوده تاریخ. پر کردن یا حذف مقادیر
2) اولویت بندی ناهنجاری:
تغییرات سری کیفیت آب (پارامتر: رسانایی) را که از الگوی فصلی انحراف دارند، فهرست کنید و با محتمل ترین شروع کنید. برای هر نامزد: بنویسید که چه کنترل اضافی برای تمایز بین یک رویداد واقعی و یک خطای اندازه گیری لازم است. تصمیم با هیدروژئولوژیست است.
3) چک لیست بیلان آب:
مراحل کنترل تعادل آب را برای یک مدل آب زیرزمینی کالیبره شده استخراج کنید: آیتم های ورودی، آیتم های خروجی، تغییرات ذخیره سازی، و حد پذیرش خطای بسته شدن. موقعیتهای مثالی که ممکن است مدل با سطوح مطابقت داشته باشد اما تعادل را نقض کند.
4) تفسیر آزمایش پمپاژ پیش نویس:
برای دادههای زمان تخلیه آزمایش پمپ: مدلهای آبخوان (نامحدود، محدود، نیمهتراوا) ممکن است مناسب باشند و چگونه هر کدام با زمینشناسی سایت مرتبط هستند. دادن عدد دقیق برای K و ذخیره سازی. محدوده معقول و مفروضات لازم را بیان کنید.
داده های آب زیرزمینی و لنگرهای اعتبارسنجی
داده/خروجی
سهم هوش مصنوعی
ریسک اصلی
لنگر تایید
سری زمانی سطح
تمیز کردن، تشخیص خطا
چاشنی مناسب
داده های خام + ضبط میدانی
سری کیفیت آب
مرتب سازی ناهنجار
هشدار نادرست / از دست دادن
تکرار نمونه + آزمایشگاه
تست پمپاژ
سرعت برازش منحنی
مدل نادرست آبخوان
هماهنگی زمین شناسی
کالیبراسیون مدل عددی
بهینه سازی پارامتر
بیش از حد، غیر فیزیکی K
تعادل آب + چاه مشاهده
تخمین تغذیه/جذب
ادغام داده ها
نقض تعادل
رکورد بارندگی/عملیات
احتیاط: مدل آب زیرزمینی یک پیش بینی است، نه یک پیشگویی. خروجی هایی که چندین دهه در آینده پروژه می کنند (به عنوان مثال، سطح آب پس از بسته شدن یک معدن) سناریوهایی هستند که باید در حین اندازه گیری به روز شوند. ارائه یک منحنی آینده "مطمئن" با پنهان کردن عدم قطعیت، اعتماد به نفس کاذب ایجاد می کند.
اشتباهات رایج
- عدم بررسی تعادل آب رایج ترین و خطرناک ترین اشتباه این است که مدلی را بپذیرید که به خوبی با سطوح مطابقت داشته باشد بدون اینکه بقای جرم را تأیید کنید.
- پر کردن بیصدا دادههای از دست رفته اگر مقادیر «پر» تولید شده توسط هوش مصنوعی با اندازهگیریهای واقعی اشتباه گرفته شود، کالیبراسیون روی پایه ضعیف انجام میشود.
- پذیرش پارامترهایی که بیش از محدوده فیزیکی هستند. تحمل پتاسیم غیرواقعی یا ارزشهای تغذیهای به خاطر رعایت.
- در نظر گرفتن خودکار ناهنجاری به عنوان واقعی. هر انحرافی آلودگی نیست. احتمال خطای اندازه گیری با نمونه برداری میدانی و تکراری از بین می رود.
- کاهش عدم قطعیت به یک منحنی. ارائه پیش بینی های بلند مدت به عنوان نتایج نهایی به جای سناریو.
به طور خلاصه
- هیدروژئولوژی جریان نامرئی را از مشاهدات پراکنده ایجاد می کند. هر خروجی هوش مصنوعی در برابر حفظ جرم (تعادل آب) آزمایش می شود.
- هوش مصنوعی در سری های سطح/کیفیت تمیز کردن، تشخیص ناهنجاری و شتاب کالیبراسیون قدرتمند است. نباید با پارامترها مطابقت داشته باشد.
- حتی اگر مدل به خوبی با مشاهدات مطابقت داشته باشد، ممکن است با پارامترهای غیر فیزیکی نادرست باشد (بیش از حد). کنترل بیلان آب اجباری است.
- هر عدد باید در محدوده فیزیکی (K برای شن ≈ متر در روز) قرار گیرد. ترتیب قدر لنگر در هیدروژئولوژی نیز اعمال می شود.
- مدل یک پیش بینی است. پیامدهای بلندمدت به صورت سناریو، با عدم قطعیت ارائه میشوند و با اندازهگیری بهروز میشوند.
وظیفه کاربردی
یک سری سطح چاه مشاهده ناشناس (یا داده های نماینده) را بازیابی کنید. از مدل بخواهید خطاهای داده را با الگوی "بررسی کیفیت سری سطح" بیابد. حداقل یک حسگر یا واحد مشکوک یخ زده اضافه کنید و تست کنید که آیا آن را می گیرد یا خیر. سپس الگوی "چک لیست تعادل آب" را برای یک سناریوی مدل کالیبره شده اجرا کنید و با یک مثال بنویسید که چگونه مدل ممکن است تعادل را نقض کند حتی اگر با سطوح مطابقت داشته باشد.
چک لیست
- [ ] من مفاهیم و محدوده های معمول آبخوان، هدایت هیدرولیکی، سر و ذخیره سازی را می دانم.
- [ ] من این رفلکس را برای تأیید خروجی آب زیرزمینی با حفظ جرم (تعادل آب) به دست آوردم.
- [ ] من از هوش مصنوعی برای تمیز کردن دادهها و مرتبسازی ناهنجاری استفاده میکنم و تصمیمگیری پارامتر را به هیدروژئولوژیست واگذار میکنم.
- [ ] با تشخیص خطر بیش از حد برازش، فکر نمی کنم تناسب خوب مدل مناسبی باشد.
- [ ] من خروجی های مدل بلند مدت را به عنوان سناریوهایی با عدم قطعیت ارائه می کنم.