سود:
- درک کاربردهای هوش مصنوعی در نقشهبرداری حساسیت زمین لغزش، خطر لرزهای و ارزیابی روانگرایی.
- امکان ایجاد طبقه بندی ریسک و گردش کار هشدار اولیه از داده های خطر چند متغیره
- امکان تأیید خروجی های خطر با مسئولیت ایمنی جانی، تعادل هشدار نادرست و شواهد میدانی
موضوع این واحد مسئول ترین حوزه مهندسی زمین شناسی: بلایای طبیعی و ارزیابی خطرات زمین شناسی می باشد. هزینه یک اشتباه در اینجا پول نیست، بلکه جان انسان است. اگر نقشه حساسیت زمین لغزش محله ای را به اشتباه به عنوان "ایمن" نشان دهد، هیچ اقدامی انجام نمی شود. اگر ارزیابی روانگرایی زمین زیر یک بیمارستان را اشتباه خوانده شود، سازه ممکن است در هنگام زلزله غرق شود. در این زمینه، هوش مصنوعی ارزش واقعی در پردازش دادههای چند متغیره، گرفتن الگوها و فیلتر کردن سیگنالهای هشدار اولیه ایجاد میکند. اما دقیقاً در این زمینه است که راستیآزمایی باید دقیقترین، تأیید مهندس مطلقتر، و مدیریت عدم قطعیت دقیقترین باشد، زیرا هزینه خروجی نادرست بالاترین است.
در این بخش، سه نوع خطر را از طریق لنز هوش مصنوعی در نظر خواهیم گرفت: نقشهبرداری حساسیت زمین لغزش (پیشبینی از دادههای چند متغیره که کدام شیبها در معرض خطر لغزش هستند)، خطر لرزهای (شدت احتمالی حرکت زمین زلزله)، و روانگرایی (زمانی که شنهای سست اشباع شده در حین زلزله، ظرفیت خود را از دست میدهند). موضوع مشترک ما این است که چرا منفی کاذب در خروجی های خطر (طبقه بندی یک منطقه واقعا خطرناک به عنوان ایمن) کشنده است و چگونه می توان آستانه هایی را به نفع ایمنی زندگی تعیین کرد.
تعادل منفی کاذب و مثبت کاذب
دو نوع خطا در طبقه بندی خطر وجود دارد. مثبت کاذب طبقه بندی یک منطقه امن به عنوان خطرناک است. نتیجه هزینههای غیرضروری، بررسیهای بیشتر، شاید به تأخیر انداختن یک پروژه است – از نظر عمر در سمت امن است. منفی کاذب طبقه بندی یک منطقه خطرناک به عنوان امن است. نتیجه عدم انجام اقدامات احتیاطی و از دست دادن احتمالی جان/مال است. این دو خطا برابر نیستند. در مناطق ایمنی زندگی، آستانه با احتیاط انتخاب می شود تا منفی کاذب به حداقل برسد. یعنی در هنگام شک به سمت خطرناک می رود و با تایید میدانی تایید می شود.
مدلهای هوش مصنوعی معمولاً آستانههایی را انتخاب میکنند که دقت کلی را به حداکثر میرسانند. اما در علم خطر، هدف، دقت کامل نیست، بلکه پایین نگه داشتن منفی کاذب است. بنابراین خروجی مدل باید یک احتمال کالیبره شده باشد نه یک «کلاس» و آستانه باید توسط کارشناس خطر با آگاهی از عواقب آن تعیین شود. دقت 92 درصدی مدل لغزش اگر نیمی از لغزش های واقعی را از دست بدهد، بی ارزش است.
احتیاط: فریب دقت کلی بالای یک مدل خطر را نخورید. به نرخ اشتباه (منفی کاذب) برای رویدادهای نادر اما مرگبار (لغزش زمین، روانگرایی) نگاه کنید. ملاک در ایمنی زندگی این است که به طور متوسط درست نباشیم، اما خطر را از دست ندهیم.
نقشه برداری حساسیت زمین لغزش
حساسیت به زمین لغزش، "آیا این مکان در صورت برآورده شدن همه شرایط سرخورده خواهد شد؟" به سوال با متغیرهای زمین شناسی و توپوگرافی پاسخ می دهد. ورودی ها معمولاً عبارتند از: شیب، جنبه، سنگ شناسی، جهت ناپیوستگی، کاربری زمین، بارش، فهرست زمین لغزش های تاریخی، و آب های زیرزمینی. هوش مصنوعی این لایهها را با هم ترکیب میکند و با یادگیری الگوی زمین لغزشهای گذشته، یک نقشه حساسیت تولید میکند.
دو نقطه بحرانی وجود دارد. اول، مدل از موجودی زمین لغزش گذشته یاد می گیرد. اگر موجودی ناقص باشد (بسیاری از زمین لغزش ها ثبت نشده اند) مدل به هیچ وجه نمی تواند آن الگوها را ببیند و منفی های کاذب تولید می کند. ثانیاً، حساسیت نه محرک (زمانی که باید جابجا شود) بلکه حساسیت را ایجاد می کند (در صورت ایجاد شرایط به کجا تغییر می کند). اشتباه گرفتن این دو خطرناک است. نقشه را نمی توان به عنوان مبنایی برای تصمیم گیری بدون تأیید مشاهدات رخنمون، اندازه گیری ناپیوستگی و ردیابی حرکت گذشته توسط زمین شناس میدانی استفاده کرد.
خطر لرزه ای و روانگرایی
ارزیابی خطر لرزه ای یک تخمین احتمالی از حرکت زمین (شتاب) ارائه می دهد که انتظار می رود در یک دوره زمانی معین در یک سایت از آن فراتر رود. هوش مصنوعی به پردازش پایگاههای داده رکورد، مقایسه روابط پیشبینی حرکت زمین و تولید سناریوها کمک میکند. با این حال، تعریف منابع گسل، فواصل عود و تقویت زمین نیاز به تخصص زمین شناسی- لرزه شناسی دارد. مدل نمی تواند برای آنها مناسب باشد.
ارزیابی روانگرایی، خطر از دست دادن شن و ماسه سست اشباع شده در اثر لرزش زلزله را اندازه گیری می کند. روش کلاسیک مقایسه مقدار SPT-N (یا CPT) با نرخ چرخه ولتاژ تولید شده توسط زلزله و استخراج ضریب ایمنی است. هوش مصنوعی داده ها را سازماندهی می کند و به سرعت پتانسیل روانگرایی را در یک میدان چند چاهی اسکن می کند. اما نتیجه با محاسبه دستی با استفاده از روش استاندارد (به عنوان مثال کد زلزله محلی) تأیید می شود. منفی کاذب در اینجا به این معنی است که یک سازه در هنگام زلزله در زمین فرو میرود.
سه مورد کوچک: با اعداد
مورد 1 - ثبت موجودی گمشده. در نقشه زمین لغزش شهرستان، مدل با دقت 89% "خوب" به نظر می رسید. اما زمین شناس صحرایی سه زخم قدیمی زمین لغزش (ثبت نشده) را در شیب دره پیدا کرد که نقشه آنها را ایمن نشان داد. مدل نتوانست این الگو را یاد بگیرد زیرا موجودی کامل نبود. هنگامی که موجودی به روز شد و نقشه تجدید شد، آن شیب به حساسیت بالا تغییر کرد. دقت 89 درصد از دست دادن بحرانی ترین منطقه را پنهان می کرد.
مورد 2 - آستانه روانگرایی. در یک سایت پر از ساحل، مدل 6 حفاری از 42 حفاری را به عنوان "خطر روانگرایی" با بالاترین میانگین آستانه دقت علامت گذاری کرد. هنگامی که متخصص آستانه را به سمت محافظه کار منتقل کرد تا منفی های کاذب را کاهش دهد، 11 صدا علامت گذاری شد. با محاسبه دستی استاندارد، پنج مورد دیگر واقعاً خطرناک هستند. آستانه محافظه کارانه پنج منفی کاذب بالقوه را نجات داد. افزایش هزینه در مقایسه با خطر بالقوه برای زندگی ناچیز بود.
مورد 3 - سیگنال هشدار اولیه. پردازش هوش مصنوعی رادار و داده های حسگر شیب در یک شیب روباز، شتاب آهسته در نرخ تغییر شکل را نشان داد و زنگ خطر را به صدا درآورد. تیم منطقه را تخلیه کرد. 40 ساعت بعد، یک لغزش بزرگ در شیب رخ داد، اما به کسی آسیبی نرسید. مدل روز/زمان دقیق را نگفت. این حرکت شتاب دهنده را قابل مشاهده کرد و به تصمیم گیری انسان زمان داد.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
آیا خطر زمین لغزش در این منطقه وجود دارد؟ به داده ها نگاه کنید و بگویید ایمن یا خطرناک است.[داده های لایه]
اعلان قدرتمند:
نقش شما: دستیار زمین شناس مخاطرات طبیعی. دادن برچسب EXACT "ایمن/خطرناک" با متغیرهای زیر. در عوض: 1) عواملی را که به احساسات و جهت هر کدام کمک می کنند توضیح دهید. بیان کنید که چرا آستانه ایمنی زندگی باید با احتیاط انتخاب شود تا منفی های کاذب کاهش یابد. 3) بنویسید که چگونه در صورت ناقص بودن فهرست زمین لغزش، خروجی ممکن است گمراه کننده باشد. داده ها ناشناس هستند.
چهار قالب قابل کپی
1) درخواست احتمال به جای کلاس خطر:
خروجی مدل خطر را به عنوان یک احتمال کالیبره شده به جای یک کلاس تیز تفسیر کنید. عواقب منفی کاذب و مثبت کاذب را در این زمینه مقایسه کنید و توجیه کنید که آستانه برای ایمنی زندگی به کدام سمت باید تغییر یابد.
2) ممیزی کمبود موجودی:
هر نشانه ای را فهرست کنید که موجودی موجودی که در آن مدل حساسیت زمین لغزش آموزش داده شده است ممکن است ناقص باشد (سالهای ثبت شده، منطقه تحت پوشش، شکاف داده ها). علامت گذاری کنید که این کمبود در کدام مناطق خطر منفی کاذب را افزایش می دهد.
3) طرح غربالگری مایع سازی:
برای پتانسیل روانگرایی در یک مکان چند حفاری: غربالگری را توصیه کنید که در آن گمانه ها حاوی ماسه شل اشباع شده هستند و نیاز به محاسبه دستی اولیه دارند. مشخص کنید که باید با روش استاندارد تأیید شود. ضریب ایمنی دقیقی ارائه نکنید.
4) تفسیر سیگنال هشدار اولیه:
برای خلاصه کردن تغییرات سرعت و شتاب در سری نظارت بر تغییر شکل (شیب/رادار). آیا الگوی هشدار دهنده ای از شتاب وجود دارد؟ ارائه تخمین زمان دقیق؛ مشخص کنید چه زمانی/داده برای قضاوت انسان مورد نیاز است.
نوع خطر، منفی کاذب، و تأیید
خطر
سهم هوش مصنوعی
نتیجه منفی کاذب
تایید اجباری
حساسیت زمین لغزش
همجوشی لایه، الگو
فکر می کنم منطقه شناور امن است
فیلد + موجودی فعلی
خطر لرزه ای
پایگاه داده / سناریو
دست کم گرفتن حرکت زمین
کارشناس زلزله شناسی + استاندارد
مایع شدن
اسکن چند چاهی
فرو رفتن ساختمان در زمین
محاسبه دستی SPT/CPT + تنظیم
هشدار اولیه شیب
فیلتر کردن سیگنال ردیابی
تاخیر در انزال
قضاوت انسانی + تایید میدانی
نکته: همیشه خروجی پریشانی را با این سوال بررسی کنید "آیا هشدار نادرست محسوب می شود یا از دست دادن؟" با سوال بخوانید. در ایمنی زندگی، تحمل چند هشدار کاذب بسیار قابل قبول تر از یک خطر از دست رفته است.
اشتباهات رایج
- فریب حقیقت کلی دقت بالا ممکن است رویدادهای کشنده نادر را از دست بدهد. متریک واقعی نرخ منفی کاذب است.
- واگذاری آستانه به مدل. آستانه ایمنی زندگی با احتیاط توسط متخصصی که عواقب آن را می داند تعیین می شود. یک آستانه خودکار "بهترین" نیست.
- نادیده گرفتن موجودی گمشده مدل نمی تواند الگویی را که یاد نگرفته ببیند. اگر موجودی گم شده باشد، نقشه طرف امن را فریب می دهد.
- گیج کننده استعداد با ماشه. حساسیت مسئله «کجا» است، ماشه سؤال «چه زمانی» است. هر دو نیاز به تأیید جداگانه دارند.
- اشتباه گرفتن هشدار اولیه به عنوان یک پیشگویی قطعی. سیستم باعث صرفه جویی در زمان می شود. تصمیم و مسئولیت تخلیه متعلق به شخص است.
به طور خلاصه
- خطرات طبیعی سنگین ترین حوزه مسئولیت مهندسی زمین شناسی است. هزینه خروجی اشتباه می تواند زندگی باشد.
- منفی کاذب (اشتباه خطرناک با ایمن) بسیار جدی تر از مثبت کاذب است. آستانه با احتیاط به نفع زندگی انتخاب می شود.
- دقت عمومی گمراه کننده است. معیار، میزان از دست رفتن رویدادهای کشنده نادر است. خروجی باید کالیبره احتمالی باشد نه کلاس.
- مدل زمین لغزش نمی تواند از موجودی ناقص درس بگیرد. هر نقشه خطر با تأیید میدانی و کارشناسی تأیید می شود.
- هشدار زودهنگام باعث صرفه جویی در زمان می شود اما یک پیشگویی نیست. تصمیم تخلیه و انجام اقدامات احتیاطی به عهده مهندس و مقام مجاز می باشد.
وظیفه کاربردی
یک سناریوی خطر ناشناس (لایههای زمین لغزش یا گمانههای روانگرایی؛ دادههای معرف) را بازیابی کنید. مدل را از دادن برچسبهای خشن دور نگه دارید و آن را با الگوی "احتمال به جای کلاس خطر" در مورد تعادل منفی/مثبت کاذب بحث کنید. سپس از الگوی «حسابرسی کمبود موجودی» استفاده کنید تا دریابید که چاپ ممکن است گمراه کننده باشد و فهرستی از سه نقطه را که نیاز به تأیید میدانی دارند، یادداشت کنید.
چک لیست
- [ ] من تفاوت بین منفی کاذب و مثبت کاذب و اهمیت آن در ایمنی زندگی را درک کردم.
- [ ] من خروجی خطر را با نرخ از دست دادن به جای دقت کلی ارزیابی می کنم.
- [ ] من معتقدم که آستانه باید توسط یک متخصص با احتیاط و به نفع زندگی تعیین شود.
- [ ] می دانم که مدل لغزش نمی تواند از موجودی ناقص درس بگیرد و نیاز به تأیید میدانی دارد.
- [ ] من از سیستم هشدار اولیه نه به عنوان یک پیشگویی، بلکه به عنوان ابزاری استفاده می کنم که در زمان تصمیم گیری های انسانی صرفه جویی می کند.