Gains :
- Capacité à utiliser la contribution de l'IA à la préparation des données et à l'étalonnage dans la caractérisation des aquifères et la modélisation des écoulements des eaux souterraines.
- Capacité à analyser les données de qualité, de niveau et de débit de l'eau avec l'IA et la détection d'anomalies
- Capacité à vérifier les résultats du modèle avec conservation de masse, plausibilité hydraulique et mesure sur le terrain
Les eaux souterraines sont la ressource naturelle que nous ne pouvons pas voir mais pour laquelle nous prenons le plus de décisions. La quantité d’eau produite par un puits, la quantité d’eau déversée dans une mine, le temps nécessaire à un polluant pour atteindre une source d’eau potable : tout dépend du comportement de l’eau lorsqu’elle se déplace lentement à travers les pores et les fissures du sous-sol. L'hydrogéologie (la science des eaux souterraines) reconstruit ce flux invisible à partir de puits d'observation clairsemés, de coupes géologiques et de lois physiques. L’intelligence artificielle est une aide puissante dans ce travail : elle nettoie les séries temporelles désordonnées, intègre les données manquantes, détecte les anomalies et accélère l’étalonnage des modèles. Mais une loi prévaut sur toutes : la conservation de la masse. La quantité d’eau entrant, sortant et stockant le système doit être constante ; Aucun modèle intelligent ne peut rompre cet équilibre.
Dans cette unité, nous couvrirons trois aspects de l'IA de l'étude des eaux souterraines : la préparation des données et la détection des anomalies (traitement des séries de niveaux, de débits et de qualité), la caractérisation des aquifères (prédiction des propriétés de la couche aquifère) et l'étalonnage du modèle d'écoulement (alignement du modèle numérique avec l'observation). À chaque étape, nous utiliserons l’intelligence artificielle non pas comme une calculatrice, mais comme un générateur de tirage dont vous testerez le résultat avec le bilan hydrique et la mesure sur le terrain.
Aquifère et concepts de base
Établissons d’abord un langage commun. Un aquifère est une unité géologique (par exemple une couche de sable et de gravier) qui peut transporter et libérer suffisamment d'eau. La conductivité hydraulique (K) mesure la facilité avec laquelle l'eau s'écoule à travers la roche/le sol ; Elle est généralement de l’ordre de mètres par jour pour le sable et microscopiquement faible pour l’argile. La hauteur hydraulique (hauteur) est la pression et l'énergie d'altitude de l'eau en un point ; l'eau s'écoule toujours d'une charge élevée à une charge faible. Le coefficient de stockage donne le volume d'eau libéré/stocké par l'aquifère par unité de changement de charge. Ces quatre grandeurs sont les pierres angulaires de toute modélisation.
Il est essentiel de connaître ces concepts lorsqu’on travaille avec l’intelligence artificielle, car chaque nombre donné par le modèle doit s’inscrire dans ces plages physiques. La valeur K pour un aquifère de sable varie de quelques centimètres à plusieurs dizaines de mètres par jour ; Si le modèle indique « 3 kilomètres par jour », il y a une erreur physique. Il s’agit de la forme spécifique à l’hydrogéologie de l’ancre d’ordre de grandeur dans les unités précédentes.
Étape par étape : préparation des données, anomalies et calibrage
Étape 1 — Nettoyage des séries chronologiques. Les données de niveau des puits d'observation sont souvent irrégulières : jours manquants, sauts de capteurs, confusion d'unités, effet de pression atmosphérique. L'IA aligne ces séries, signale les écarts et détecte d'éventuelles erreurs de capteur (saut soudain, ligne plate = capteur gelé). Mais « remplir » la valeur manquante et la « marquer » sont différents ; Si un remplissage doit être effectué, la méthode doit être transparente et approuvée par un géologue.
Étape 2 — Détection des anomalies. Un changement soudain de la qualité de l’eau (par exemple conductivité, nitrate, métaux lourds) ; baisse de niveau inattendue ; un saut de débit — il s'agit du signe soit d'un événement réel (contamination, découvert, fuite), soit d'une erreur de mesure. L’intelligence artificielle classe les anomalies candidates ; L'hydrogéologue décide lequel est réel.
Étape 3 — Caractérisation de l'aquifère. K et le coefficient de stockage sont extraits des données de l'essai de pompage (prélèvement d'eau d'un puits à débit constant et suivi de la baisse de niveau dans les puits voisins). L’IA accélère l’ajustement des courbes et les modèles d’aquifères alternatifs (confinés/libres/semi-perméables) ; Mais la compatibilité du modèle choisi avec la géologie du terrain est un travail humain.
Étape 4 — Étalonnage du modèle numérique. Le modèle différences/éléments finis divise l’aquifère en cellules et résout le débit d’eau dans chaque cellule. L'étalonnage consiste à ajuster les paramètres du modèle (distribution K, recharge) pour qu'ils soient compatibles avec les niveaux des puits d'observation. L'IA/optimisation accélère ce réglage ; Mais il existe un danger : le modèle peut bien s'ajuster aux observations mais avec des paramètres physiquement incorrects (surajustement). Par conséquent, le contrôle du bilan hydrique après l’étalonnage est essentiel.
Astuce : Avant d'accepter un modèle calibré, demandez « l'équilibre hydrique est-il mauvais ? » Demandez : l'entrée totale (alimentation + flux latéral) moins la sortie totale (tirage + décharge) plus/moins la modification du stockage doit être ≈ 0. S'il ne se ferme pas, le modèle n'est pas fiable, même s'il correspond aux niveaux.
Trois mini-cases : en chiffres
Cas 1 — Débogage du capteur. Un réseau de surveillance disposait de 18 mois de données de niveau pour 11 puits ; environ 6 000 enregistrements au total. L’analyse basée sur l’IA a détecté un « capteur gelé » dans deux puits (exactement la même valeur pendant 42 jours) et une erreur d’unité (pieds saisis au lieu de mètres) dans un puits. Ces trois erreurs, qu’il faudrait des heures pour trouver manuellement, pourraient sérieusement biaiser l’étalonnage du modèle ; L’extraction a rendu le modèle fiable avant même qu’il ne soit établi.
Cas 2 — Piège à bilan massique. Un modèle de rejet des eaux de mine s'ajustait à plus de 5 % à tous les puits d'observation, et l'équipe était sur le point de valider le modèle. La vérification du bilan hydrique a révélé que la recharge totale était trois fois supérieure à ce qui était possible avec les données pluviométriques de la région ; le modèle avait « acheté » l’harmonie avec un régime non physique. Les paramètres ont été ramenés à la plage réaliste et recalibrés. Un bon ajustement ne signifie pas le bon modèle.
Cas 3 — Signal précoce de contamination. Dans la série de conductivité d'un puits du bassin d'eau potable, l'intelligence artificielle a noté une lente augmentation qui s'écarte du schéma saisonnier. Une inspection du site a révélé une fuite provenant d'une zone de stockage voisine et des mesures ont été prises avant que la contamination n'atteigne le puits d'eau potable. Le modèle n’a pas décidé ; a dirigé l'attention de l'hydrogéologue vers le bon puits.
Invite faible/Invite forte
Invite faible :
Regardez les données de ce puits et dites-moi à quoi ressemble l'aquifère et où va l'eau. [tableau de niveau]
Invite puissante :
Votre rôle : Assistant hydrogéologue. EXAMINEZ la série de niveaux de puits d'observation ci-dessous, mais le paramètre de l'aquifère est AJUSTÉ. Procédez comme suit : 1) Qualité des données : énumérez les suspicions de capteur manquant, gelé, unité/valeur aberrante, puits donneur et date. 2) Tendance générale (montée/diminution/saisonnière) et explications physiques possibles. 3) Précisez quelles données (test de pompage, précipitations, enregistrement de gravité) sont requises à l'étape suivante. L'interprétation physique et l'étalonnage appartiennent à l'hydrogéologue ; indiquez-le. Les données sont anonymes.
L'invite puissante place le modèle dans le rôle de contrôleur de données et d'éditeur de questions ; interdit explicitement l'ajustement des paramètres.
Quatre modèles copiables
1) Inspection de qualité de série de niveau :
Marquez les éléments suivants dans la série de niveaux du puits d'observation : jours manquants, valeur identique consécutive (capteur gelé), saut soudain, erreur d'unité possible (m/pieds/cm). Liste uniquement avec well_id et plage de dates ; remplir ou supprimer des valeurs.
2) Priorisation des anomalies :
Énumérez les changements dans la série de qualité de l’eau (paramètre : conductivité) qui s’écartent du modèle saisonnier, en commençant par le plus probable. Pour chaque candidat : notez quel contrôle supplémentaire est nécessaire pour distinguer un événement réel d'une erreur de mesure. La décision appartient à l'hydrogéologue.
3) Liste de contrôle du bilan hydrique :
Extrayez les étapes de contrôle du bilan hydrique pour un modèle d'eau souterraine calibré : éléments d'entrée, éléments de sortie, variation de stockage et limite d'acceptation de l'erreur de fermeture. Exemples de situations où le modèle peut respecter les niveaux mais violer l'équilibre.
4) Projet d'interprétation de l'essai de pompage :
Pour les données sur le temps de rabattement des tests de pompage : indiquez quels modèles d'aquifère (non confiné, confiné, semi-perméable) pourraient être appropriés et comment chacun se rapporte à la géologie du site. Donner le nombre exact de K et de stockage ; Indiquez la fourchette raisonnable et les hypothèses nécessaires.
Données sur les eaux souterraines et ancres de validation
données/sortie
Contribution de l'IA
Risque principal
ancre de vérification
Série chronologique de niveau
Nettoyage, détection d'erreurs
rembourrage approprié
Données brutes + enregistrement de terrain
série sur la qualité de l'eau
Tri des anomalies
Fausse alarme/échec
Répéter échantillon + laboratoire
essai de pompage
Vitesse d'ajustement de la courbe
Modèle d'aquifère incorrect
harmonie géologique
Calibrage du modèle numérique
Optimisation des paramètres
Surapprentissage, K non physique
Bilan hydrique + puits d'observation
Estimation de l’alimentation/attraction
fusion de données
violation de l'équilibre
Record de précipitations/opérations
Attention : un modèle d'eau souterraine est une prédiction et non une prophétie. Les résultats qui projettent des décennies dans le futur (par exemple, le niveau d’eau après la fermeture d’une mine) sont des scénarios qui doivent être mis à jour au fur et à mesure qu’ils sont mesurés. Présenter une seule courbe future « sûre » crée une fausse confiance en masquant l’incertitude.
Erreurs courantes
- Ne pas vérifier le bilan hydrique. L’erreur la plus courante et la plus dangereuse consiste à accepter un modèle qui s’adapte bien aux niveaux sans vérifier la conservation de masse.
- Remplissez silencieusement les données manquantes. Si les valeurs de « remplissage » produites par l’IA sont confondues avec des mesures réelles, l’étalonnage repose sur des bases fragiles.
- Accepter des paramètres qui dépassent la plage physique. Tolérer des valeurs K ou nutritionnelles irréalistes par souci de conformité.
- Considérant automatiquement l'anomalie comme réelle. Tout écart n’est pas nécessairement une contamination ; La possibilité d’erreur de mesure est éliminée par un échantillonnage sur le terrain et répété.
- Réduire l’incertitude à une seule courbe. Présenter les prévisions à long terme sous forme de résultats finaux plutôt que de scénarios.
En résumé
- L'hydrogéologie construit un flux invisible à partir d'observations éparses ; Chaque sortie de l'IA est testée par rapport à la conservation de la masse (bilan hydrique).
- L'IA est puissante au niveau du nettoyage/qualité des séries, de la détection des anomalies et de l'accélération de l'étalonnage ; ne doit pas correspondre aux paramètres.
- Même si le modèle s'ajuste bien aux observations, il peut être inexact avec des paramètres non physiques (surajustement) ; Le contrôle du bilan hydrique est obligatoire.
- Chaque nombre doit correspondre à la plage physique (K pour le sable ≈ mètres/jour) ; L’ancre d’ordre de grandeur s’applique également en hydrogéologie.
- Le modèle est une prédiction ; Les résultats à long terme sont présentés sous forme de scénarios, avec incertitude, et sont mis à jour au fur et à mesure qu'ils sont mesurés.
Tâche de candidature
Récupérez une série anonymisée de niveaux de puits d’observation (ou des données représentatives). Demandez au modèle de trouver les erreurs de données avec le modèle « Contrôle de qualité des séries de niveaux » ; Ajoutez au moins un capteur ou une unité suspectée de geler et testez s'il le détecte. Exécutez ensuite le modèle « liste de contrôle du bilan hydrique » pour un scénario de modèle calibré et écrivez avec un exemple comment le modèle pourrait violer l'équilibre même s'il est conforme aux niveaux.
liste de contrôle
- [ ] Je connais les notions et les gammes typiques de nappe, de conductivité hydraulique, de chute et de stockage.
- [ ] J'ai acquis le réflexe de vérifier les débits d'eau souterraine avec conservation de masse (bilan hydrique).
- [ ] J'utilise l'IA pour le nettoyage des données et le tri des anomalies et laisse la décision des paramètres à l'hydrogéologue.
- [ ] Conscient du risque de surajustement, je ne pense pas qu'un bon ajustement soit le bon modèle.
- [ ] Je présente les résultats du modèle à long terme sous forme de scénarios avec incertitude.