ભૂસ્તરશાસ્ત્રીય ઇજનેરીમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સ અને વેરિફિકેશન શિસ્તનો પરિચય

નફો:

• ભૂસ્તરશાસ્ત્રીય એન્જિનિયરિંગ વર્કફ્લોમાં AI વાસ્તવિક સમયને ક્યાં બચાવે છે તે સમજવાની ક્ષમતા અને કયા નિર્ણયો એન્જિનિયરની જવાબદારી રહેવી જોઈએ
• એક એવી શિસ્ત લાગુ કરવાની ક્ષમતા કે જે દરેક AI આઉટપુટને તીવ્રતા, ભૂસ્તરશાસ્ત્રીય વાજબીતા અને ક્ષેત્ર પુરાવા સાથે ક્રોસ-વેલિડેટ કરે છે
• અસ્પષ્ટતા, આભાસ અને ડેટા ગોપનીયતાના જોખમોને ઓળખો અને સંદર્ભને અનામી કરીને સુરક્ષિત પ્રોમ્પ્ટ સેટ કરવાની આદત વિકસાવો.

ભૂસ્તરશાસ્ત્રીય ઇજનેરી એ એક વ્યવસાય છે જેમાં આપણે ક્યારેય જમીનની નીચે સત્યને સંપૂર્ણ રીતે જોઈ શકતા નથી. બોરહોલ ઘણા કિલોમીટર જમીનના માત્ર એક સેન્ટીમીટર સ્લાઇસના નમૂના લે છે; ભૌગોલિક વિભાગ એ પરોક્ષ પડછાયો છે; નકશો એ અવલોકનો વચ્ચેના અંતરનું અર્થઘટન છે. તેથી જ ભૂસ્તરશાસ્ત્ર એ એક શિસ્ત છે જે સ્વાભાવિક રીતે અનિશ્ચિતતા સાથે કામ કરે છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI; ​​સૉફ્ટવેર સિસ્ટમ્સ કે જે મોટા ડેટા પેટર્નમાંથી શીખે છે અને ટેક્સ્ટ/ઇમેજ/નંબર બનાવે છે) આ અનિશ્ચિતતાને સંચાલિત કરવા માટે એક શક્તિશાળી સાધન છે, પરંતુ તે એક સાધન છે જે જોખમી રીતે સમાન અનિશ્ચિતતાને છુપાવી શકે છે. આ એકમ બે પાયા મૂકે છે જેના પર સમગ્ર મોડ્યુલ બાંધવામાં આવશે: ભૂસ્તરશાસ્ત્ર વર્કફ્લોમાં AI વાસ્તવિક મૂલ્ય ક્યાં ઉત્પન્ન કરે છે અને અમે દરેક આઉટપુટને કેવી રીતે માન્ય કરીએ છીએ.

ચાલો શરૂઆતથી જ સ્પષ્ટ થઈએ: આ મોડ્યુલ દરમિયાન તમે જે કોઈ ટેકનિક શીખશો નહીં તે સક્ષમ ભૂસ્તરશાસ્ત્રી ઈજનેરના હસ્તાક્ષર, ક્ષેત્ર નિરીક્ષણ અને એન્જિનિયરિંગ ચુકાદાને બદલશે નહીં. કૃત્રિમ બુદ્ધિ એ સહાયક છે; ઝડપથી વાંચે છે, ઝડપથી લખે છે, પેટર્ન પકડે છે. પરંતુ જો કોઈ ઢોળાવ નિષ્ફળ જાય, ડેમનો પાયો તૂટી જાય, અથવા ખનિજ અનામત તેના કરતા મોટો હોવાનું નોંધવામાં આવે, તો જવાબદારી સોફ્ટવેરની નહીં, પરંતુ તેના પર હસ્તાક્ષર કરનાર એન્જિનિયરની છે. તમે આ વાક્યને ફરીથી મોડ્યુલના દરેક એકમમાં અલગ-અલગ સ્વરૂપમાં જોશો, કારણ કે સલામતી-નિર્ણાયક એન્જિનિયરિંગમાં આ એકમાત્ર સત્ય છે.

ભૂસ્તરશાસ્ત્ર વર્કફ્લોમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સ ક્યાં મૂલ્યનું સર્જન કરે છે?

ભૂસ્તરશાસ્ત્રીય ઈજનેરનું સપ્તાહ લગભગ ત્રણ પ્રકારના કામમાં વહેંચાયેલું છે: ડેટા તૈયારી (લોગ ડિજિટાઈઝેશન, ફીલ્ડ નોટ એડિટિંગ, ટેબલ ક્લિનઅપ), અર્થઘટન અને વિશ્લેષણ (લિથોલોજી વર્ગીકરણ, સહસંબંધ, સંસાધન અંદાજ, જોખમ આકારણી), અને સંચાર (અહેવાલ, નકશો, પ્રસ્તુતિ, પત્રવ્યવહાર). AI ત્રણેય ક્ષેત્રોને સ્પર્શે છે, પરંતુ દરેકમાં તેનું યોગદાન અને જોખમ અલગ-અલગ છે.

ડેટાની તૈયારી એ આર્ટિફિશિયલ ઇન્ટેલિજન્સનું સૌથી સુરક્ષિત અને સૌથી નફાકારક ક્ષેત્ર છે. સંરચિત કોષ્ટકમાં ફ્રી-ટેક્સ્ટ કોર વર્ણનોનું ભાષાંતર કરવું, અસંગત એકમોનું માનકીકરણ કરવું, લેબ આઉટપુટની હજારો લાઇનમાં આઉટલાયર્સને ફ્લેગ કરવું - આ પુનરાવર્તિત, નિયમ-આધારિત, ચકાસવા માટે સરળ કાર્યો છે. જો અહીં કોઈ ભૂલ હોય તો પણ, સ્રોત (કાચા લોગ) પર પાછા જવા અને તેને તપાસવામાં મિનિટો લાગશે.

અર્થઘટન અને વિશ્લેષણનું ક્ષેત્ર સૌથી વધુ મૂલ્ય અને સૌથી વધુ જોખમ ધરાવે છે. AI ડ્રિલ વિભાગમાંથી સંભવિત ખામી ભૂમિતિ સૂચવી શકે છે; આ એક પેટર્ન જાહેર કરી શકે છે જે અનુભવી આંખ પણ ચૂકી શકે છે. પરંતુ તે જ મોડેલ વિશ્વાસપૂર્વક બિન-અસ્તિત્વ ધરાવતા સ્ટ્રેટગ્રાફિક એકમમાં ફિટ થઈ શકે છે (આ ઘટનાને આભાસ કહેવામાં આવે છે: મોડેલ એવી માહિતી ઉત્પન્ન કરે છે જે વાસ્તવમાં અસ્તિત્વમાં નથી, જાણે તે વાસ્તવિક હોય). આ ક્ષેત્રમાં, AI એ પૂર્વધારણા જનરેટર છે, નિર્ણય નિર્માતા નથી.

સંદેશાવ્યવહારના ક્ષેત્રમાં, કૃત્રિમ બુદ્ધિ એ ડ્રાફ્ટ એક્સિલરેટર છે. જીઓટેક્નિકલ રિપોર્ટના મેથડ સેક્શન, સાહિત્યનો સારાંશ અથવા મિનિટોમાં ઈ-મેલનો ડ્રાફ્ટ બનાવે છે. અહીં જોખમ એ છે કે બનાવટી સ્ત્રોતો અને ખોટા નંબરો વહેતા લખાણમાં ધ્યાન વગર સહી માં સરકી શકે છે.

માન્યતા શિસ્ત: ત્રણ એન્કર નિયમ

આ મોડ્યુલનું હાર્દ એક આદત છે: કોઈપણ AI આઉટપુટને માન્ય કર્યા વિના એન્જિનિયરિંગ નિર્ણયમાં સામેલ ન કરવું. અમે માન્યતાને ત્રણ સ્વતંત્ર એન્કર પર આધાર રાખીએ છીએ.

પ્રથમ એન્કર - તીવ્રતાનો ક્રમ. શું પરિણામ અંદાજે 10 શ્રેણીની અપેક્ષિત શક્તિની અંદર છે? રેતી જલભરની હાઇડ્રોલિક વાહકતા સામાન્ય રીતે દિવસ દીઠ મીટરના ક્રમ પર હોય છે; જો મોડેલ કિલોમીટર/દિવસ આપે છે, તો એકમ અથવા સંપાદન ભૂલ છે અને તે વિગતવારમાં ગયા વિના સમજી શકાય છે. ચૂનાના પથ્થરની અક્ષીય સંકુચિત શક્તિ 30-200 MPa ની રેન્જમાં છે; 3000 MPa હાસ્યાસ્પદ છે. આ ચેક સેકન્ડ લે છે અને મોટાભાગની ભૂલો પકડે છે.

બીજું એન્કર - ભૂસ્તરશાસ્ત્રીય વાજબીતા. શું આઉટપુટ ક્ષેત્રની ભૂસ્તરશાસ્ત્રીય વાર્તા સાથે સુસંગત છે? જો મોડેલે દરિયાઈ ચૂનાના પત્થરની નીચે એક યુવાન કાંપ મૂક્યું હોય, તો કાં તો તેમાં રિવર્સ ફોલ્ટ છે (અને તેને અલગથી સાબિત કરવાની જરૂર છે) અથવા મોડલ વાહિયાત છે. સ્ટ્રેટિગ્રાફિક સિક્વન્સ, ટેક્ટોનિક ફ્રેમવર્ક અને ડિપોઝિશનલ એન્વાયર્નમેન્ટ એ બુદ્ધિગમ્યતાનું ફિલ્ટર છે જેના દ્વારા દરેક અર્થઘટન પસાર થવું જોઈએ.

ત્રીજો એન્કર - ક્ષેત્ર પુરાવા. આ સૌથી મજબૂત એન્કર છે. મુખ્ય નમૂના, આઉટક્રોપ અવલોકન, ક્ષેત્ર ચકાસણી. લોગ-આધારિત લિથોલોજી અર્થઘટનને સમાન ઊંડાણમાંથી લેવામાં આવેલા કોર સાથે સરખાવવામાં આવે છે. રિમોટ સેન્સિંગ દ્વારા મેપ કરાયેલ ફેરફાર ઝોનનું પરીક્ષણ ક્ષેત્રના કેટલાક બિંદુઓ પર નમૂનાઓ સાથે કરવામાં આવે છે. જમીની સત્યની હંમેશા જીત થાય છે.

ત્રણ મિની કેસ: સંખ્યાઓ દ્વારા

કેસ 1 - લોગ ડિજિટાઇઝેશનમાં સમયની બચત. 1980ના દાયકાથી એક એન્જિનિયર મેન્યુઅલી 42 સ્કેન કરેલા (કાગળ) બોરહોલ લોગનું ડિજિટાઇઝેશન કરી રહ્યો હતો; સરેરાશ 35 મિનિટ પ્રતિ લોગ, અંદાજે કુલ 24 કલાક. AI-સંચાલિત ચાર્ટિંગ વર્કફ્લો સાથે, તેણે પ્રથમ ડ્રાફ્ટને 6 મિનિટ સુધી ઘટાડ્યો, બાકીનો સમય વિઝ્યુઅલ વેરિફિકેશન માટે ફાળવ્યો. કુલ સમય લગભગ 8 કલાક ઘટી ગયો; મહત્ત્વની બાબત એ હતી કે મેળવેલો સમય નિયંત્રણમાં ખર્ચવામાં આવ્યો હતો.

કેસ 2 - કેપ્ચર થયેલ આભાસ. જ્યારે ઈન્ટર્ન પાસે AI એ ફીલ્ડની સ્ટ્રેટેગ્રાફીનો સારાંશ આપે છે, ત્યારે ટેક્સ્ટમાં "તુઝલા ફોર્મેશન બાષ્પીભવન સામાન્ય પ્રદેશમાં" વાક્યનો સમાવેશ થતો હતો. સાઇટ પર કોઈ બાષ્પીભવન ન હતું; મોડેલે અન્ય બેસિનમાંથી માહિતીને મૂંઝવણમાં મૂકી હતી. રિપોર્ટ પર હસ્તાક્ષર કરવામાં આવે તે પહેલાં જીઓલોજિકલ પોઝિબિલિટી ફિલ્ટર (પ્રદેશનું ટેકટોનિક માળખું બાષ્પીભવન નિકાલ માટે યોગ્ય ન હતું) એ ભૂલ પકડી હતી.

કેસ 3 - એકમ ભૂલ. એક સ્ત્રોતની ગણતરીમાં, મોડેલે 2.7 g/cm³ ને બદલે 2.7 t/m³ સાથે ઘનતાને ભેળસેળ કરીને 1000 ના પરિબળ દ્વારા ટનેજ આઉટપુટ વધાર્યું (હકીકતમાં બંને સમાન છે, પરંતુ મોડેલનું મધ્યવર્તી પગલું ખોટું હતું અને પરિણામને 1000 ના પરિબળથી ફુલાવ્યું). મેગ્નિટ્યુડ ચેકનો ક્રમ - "આ બ્લોક 5 મિલિયન ટન નહીં પરંતુ 5 બિલિયન ટનનો હોઈ શકે છે" - તરત જ ભૂલને દૂર કરી.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

આ ક્ષેત્રના ભૂસ્તરશાસ્ત્રનો સારાંશ આપો અને તેની ખનિજ સંભવિતતાનું મૂલ્યાંકન કરો.[ડેટા]

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: વરિષ્ઠ સંશોધન ભૂસ્તરશાસ્ત્રી. આપેલ ડેટાના આધારે નીચે ડ્રિલિંગ સારાંશનું અર્થઘટન કરો. - ડેટામાં ન હોય તેવી કોઈપણ રચના, ખનિજો અથવા ઉંમર ઉમેરશો નહીં. - દરેક ટિપ્પણીની બાજુમાં કૌંસ સાથે તમે જે ડેટા લાઇન પર આધારિત છો તે બતાવો. - જ્યાં તમને ખાતરી ન હોય ત્યાં "ડેટા અપર્યાપ્ત" લખો, અનુમાન લગાવશો નહીં. - છેલ્લે: 3 ધારણાઓની એક અલગ યાદી બનાવો જેને ચકાસવાની જરૂર છે. ડેટા: [ડ્રિલિંગ સારાંશ]

મજબૂત પ્રોમ્પ્ટ મોડેલ પર ત્રણ બાબતો લાદે છે: સ્ત્રોતને વળગી રહેવું, અનિશ્ચિતતા સ્વીકારવી અને ચકાસવા માટે વસ્તુઓને ચિહ્નિત કરવી. આનાથી આભાસનો સંપૂર્ણ અંત આવતો નથી, પરંતુ તે તેને દૃશ્યમાન બનાવે છે.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) અનામી સંદર્ભની સ્થાપના:

મને ભૂસ્તરશાસ્ત્રીય ઇજનેરી સોંપણીમાં મદદની જરૂર છે. ક્ષેત્રનું નામ, કોઓર્ડિનેટ્સ અને કંપનીની માહિતી ગોપનીય છે; હું તેમને "ફીલ્ડ-એ", "એક્સ કોઓર્ડિનેટ" જેવા પ્રતિનિધિ અભિવ્યક્તિઓ સાથે આપીશ. ક્વેસ્ટ: [ક્વેસ્ટ]. હું જે તકનીકી માહિતી આપું છું તેના પર જ આધાર રાખું છું.

2) ત્રણ એન્કર ચકાસણી વિનંતીઓ:

નીચેના આઉટપુટ માટે ત્રણ તપાસ કરો: 1) તીવ્રતાનો ક્રમ: શું દરેક સંખ્યા અપેક્ષિત શ્રેણીમાં છે? જો નહિં, તો માર્ક. 2) ભૂસ્તરશાસ્ત્રીય બુદ્ધિગમ્યતા: શું કોઈ સ્ટ્રેટેગ્રાફિકલી/ટેક્ટોનિકલી અસંગત દાવો છે? 3) ચકાસણી સૂચિ: આઇટમ્સ કે જે ક્ષેત્ર/લેબોરેટરીમાં પુષ્ટિ કરવાની જરૂર છે. આઉટપુટ: [ટેક્સ્ટ]

3) અસ્પષ્ટતા લાગુ કરવી:

આત્મવિશ્વાસના ત્રણ સ્તરો પર તમારું અર્થઘટન આપો: - ઉચ્ચ આત્મવિશ્વાસ (સીધા ડેટા દ્વારા સમર્થિત) - મધ્યમ આત્મવિશ્વાસ (વાજબી અનુમાન) - સટ્ટાકીય (વધારાના ડેટા જરૂરી) કાર્ય: [કાર્ય]. ડેટા: [ડેટા]

4) નિર્ણય/સમર્થન તફાવત:

નીચેના કાર્યને બે ભાગમાં વહેંચો: A) ડેટા/ડ્રાફ્ટ કાર્ય કે જે AI વિશ્વાસ સાથે કરી શકે છેB) નિર્ણયના મુદ્દા જેના માટે અધિકૃત એન્જિનિયરની મંજૂરી જરૂરી છે કાર્ય વર્ણન: [વ્યાખ્યા]

AI ની ભૂમિકા: મિશન પ્રકાર દ્વારા જોખમ

કાર્ય પ્રકાર

AI યોગદાન

જોખમ સ્તર

ચકાસણી ઘનતા

લોગ/ટેબલ ડિજિટાઇઝેશન

ઉચ્ચ

નીચું

સ્પોટ ચેક

લિથોલોજીનું પ્રારંભિક વર્ગીકરણ

ઉચ્ચ

મધ્યમ

કોર + વ્યાજબીતા

સંસાધન/ટનેજ ગણતરી

મધ્યમ

ઉચ્ચ

હેન્ડ એકાઉન્ટ + સ્વતંત્ર

ઢોળાવ/બેઝ સલામતીનો નિર્ણય

મર્યાદિત

ખૂબ ઊંચી

એન્જિનિયરની સંપૂર્ણ મંજૂરી

અહેવાલ/સાહિત્ય ડ્રાફ્ટ

ઉચ્ચ

મધ્યમ

સ્ત્રોત પુષ્ટિ

સંકટ/આપત્તિ આકારણી

મર્યાદિત

ખૂબ ઊંચી

ક્ષેત્ર + પ્રમાણભૂત + મંજૂરી

ટીપ: કાર્યનું જોખમ સ્તર નક્કી કરવા માટે, એક પ્રશ્ન પૂછો: "જો આ આઉટપુટ ખોટું હોય તો સૌથી ખરાબ શું થઈ શકે?" જો જવાબ 'હું થોડી મિનિટો ગુમાવીશ' છે, તો હળવાશથી ચકાસો; જો 'કોઈને નુકસાન થઈ શકે છે', તો આઉટપુટને પૂર્વધારણા તરીકે ગણો અને તેને સંપૂર્ણ એન્જિનિયરિંગ પ્રક્રિયામાંથી પસાર કરો.

ધ્યાન આપો: આર્ટિફિશિયલ ઇન્ટેલિજન્સનું સૌથી ખતરનાક લક્ષણ એ નથી કે તે ભૂલો કરે છે, પરંતુ તે આત્મવિશ્વાસથી ભૂલો કરે છે. અસ્ખલિત, તકનીકી અને સુઘડ લખાણનો અર્થ એ નથી કે તે સાચું છે. પુરાવા પર વિશ્વાસ કરો, શૈલી નહીં.

સામાન્ય ભૂલો

• ચોકસાઈ માટે ભૂલથી પ્રવાહિતા. લખાણ ગમે તેટલું વ્યાવસાયિક હોય, હકીકતલક્ષી દાવાઓ (ઉંમર, રચના, સંખ્યા, સ્ત્રોત) સ્વતંત્ર રીતે ચકાસવા જોઈએ.
• કાર્યના પ્રકાર દ્વારા જોખમનું માપન ન કરવું. ઇમેલ ડ્રાફ્ટની જેમ જ લિક્વિફેશન રિવ્યૂને જોવું. સંભવિત નુકસાન સાથે માન્યતા ભીંગડા.
• વિચાર્યા વિના ગોપનીય ફીલ્ડ ડેટા દાખલ કરવો. સંકલન, ગ્રેડ અને અનામત માહિતી વ્યાપારી અને કાયદેસર રીતે સંવેદનશીલ છે; અનિયંત્રિત વાહનમાં પ્રવેશતા પહેલા અનામી.
• અનિશ્ચિતતાને અવગણવી. માત્ર કારણ કે મોડેલ "આત્મવિશ્વાસ" દેખાય છે તેનો અર્થ એ નથી કે અનિશ્ચિતતા અદૃશ્ય થઈ જાય છે; સિંગલ પોઈન્ટ અંદાજને બદલે રેન્જ અને કોન્ફિડન્સ લેવલ માટે પૂછો.
• નિર્ણય લેવા માટે AI ને ભૂલ કરવી. મોડેલ પૂર્વધારણાઓ પેદા કરે છે; જવાબદાર ઈજનેર નિર્ણય લે છે.

સારાંશમાં

• ભૂસ્તરશાસ્ત્ર સ્વાભાવિક રીતે અનિશ્ચિતતા સાથે કાર્ય કરે છે; AI આ અનિશ્ચિતતાને મેનેજ કરી શકે છે અને જોખમી રીતે છુપાવી શકે છે.
• આર્ટિફિશિયલ ઇન્ટેલિજન્સ એ ડેટાની તૈયારીમાં સૌથી સલામત અને સૌથી વધુ નફાકારક છે, અર્થઘટન/વિશ્લેષણમાં સૌથી મૂલ્યવાન પરંતુ જોખમી છે અને સંચારમાં પ્રવેગક છે.
• દરેક આઉટપુટને ત્રણ એન્કર સામે માન્ય કરવામાં આવે છે: તીવ્રતાનો ક્રમ, ભૂસ્તરશાસ્ત્રીય વાજબીતા, ક્ષેત્ર પુરાવા.
• પરિણામનું જોખમ જો તે ખોટું હોય તો તે જે નુકસાન કરશે તેટલું જ છે; તે મુજબ માન્યતા સ્કેલ.
• સેફ્ટી-ક્રિટીકલ એન્જિનિયરિંગમાં, AI આઉટપુટ ક્યારેય અધિકૃત ઈજનેર મંજૂરીનો વિકલ્પ નથી.

એપ્લિકેશન કાર્ય

તમારી પોતાની નોકરીમાંથી તમે અઠવાડિયામાં કરો છો તે પાંચ ભૂસ્તરશાસ્ત્ર કાર્યોની સૂચિ બનાવો (દા.ત. લોગ એડિટિંગ, સહસંબંધ, રિપોર્ટ વિભાગ, ગ્રેડ ચેક, હેઝાર્ડ નોટેશન). દરેકને આ એકમમાં કોષ્ટક અનુસાર જોખમ સ્તર પર મૂકો અને પૂછો "જો તે ખોટું હોત તો સૌથી ખરાબ શું થશે?" એક વાક્યમાં પ્રશ્નનો જવાબ આપો. પછી સૌથી ઓછા જોખમી કાર્ય માટે એક મજબૂત અનામી પ્રોમ્પ્ટ લખો અને તેને અજમાવો; ત્રણ એન્કર સાથે આઉટપુટ તપાસો અને નોંધો કે કયા એન્કરમાં સમસ્યા આવી છે.

ચેકલિસ્ટ

• [ ] હું ભેદ કરી શકું છું કે કૃત્રિમ બુદ્ધિ ક્યાં સુરક્ષિત પેદા કરે છે અને ભૂસ્તરશાસ્ત્રના કાર્યપ્રવાહમાં ક્યાં જોખમી મૂલ્ય છે.
• [ ] મેં દરેક આઉટપુટને તીવ્રતાના ક્રમ, ભૂસ્તરશાસ્ત્રીય વાજબીતા અને ક્ષેત્ર પુરાવા સાથે ચકાસવા માટે રીફ્લેક્સ મેળવ્યું.
• "જો તે ખોટું થાય તો સૌથી ખરાબ શું થઈ શકે?" પૂછીને કાર્યનું જોખમ સ્તર હું પ્રશ્ન સાથે નક્કી કરી શકું છું.
• [ ] હું જાણું છું કે આભાસ અને અનિશ્ચિતતા શું છે અને તેમને કેવી રીતે દૃશ્યમાન બનાવવું.
• [ ] મેં ગોપનીય ફીલ્ડ ડેટાને અનામી કરીને સુરક્ષિત પ્રોમ્પ્ટ સેટ કરવાની આદત અપનાવી છે.