הידרוגיאולוגיה ומידול מי תהום

רווחים:

• יכולת להשתמש בתרומת הכנת הנתונים והכיול של AI באפיון אקוויפר ובמודלים של זרימת מי תהום.
• יכולת לנתח נתוני איכות מים, מפלס וזרימה עם AI וזיהוי חריגות
• יכולת לאמת תפוקות מודל עם שימור מסה, סבירות הידראולית ומדידה בשטח

מי תהום הם המשאב הטבעי שאיננו יכולים לראות אך לקבל עליו את מירב ההחלטות. כמה מים מניבה באר, כמה מים נשפכים למכרה, כמה זמן לוקח למזהם להגיע לאספקת מי שתייה - הכל תלוי בהתנהגות המים כשהם נעים באיטיות דרך נקבוביות וסדקים מתחת לאדמה. הידרוגיאולוגיה (מדע מי התהום) משחזרת זרימה בלתי נראית זו מבארות תצפית דלילות, חתכים גיאולוגיים וחוקים פיזיקליים. בינה מלאכותית היא כלי עזר רב עוצמה בעבודה זו: היא מנקה סדרות זמן מבולגנות, משלבת נתונים חסרים, תופסת חריגות ומזרזת את כיול המודלים. אבל חוק אחד גובר על כולם: שימור המסה. כמות המים הנכנסת, היוצאת ואוגרת מהמערכת חייבת להיות עקבית; שום מודל אינטליגנטי לא יכול להפר את האיזון הזה.

ביחידה זו נסקור שלושה היבטי AI של חקר מי תהום: הכנת נתונים וגילוי חריגות (עיבוד של רמה, קצב זרימה ואיכות), אפיון אקוויפר (ניבוי תכונות השכבה הנושאת מי תהום) וכיול מודל זרימה (יישור המודל המספרי עם תצפית). בכל שלב נשתמש בבינה מלאכותית לא כמחשבון, אלא כמחולל טיוטה שאת התוצאה שלו אתה בודק עם מאזן מים ומדידה בשטח.

אקוויפר ומושגים בסיסיים

בואו נקים קודם שפה משותפת. אקוויפר הוא יחידה גיאולוגית (למשל שכבת חול-חצץ) שיכולה לשאת ולשחרר מספיק מים. מוליכות הידראולית (K) מודדת באיזו קלות מים זורמים דרך סלע/אדמה; זה בדרך כלל בסדר גודל של מטרים ליום עבור חול ונמוך מבחינה מיקרוסקופית עבור חימר. ראש הידראולי (ראש) הוא אנרגיית הלחץ והגובה של מים בנקודה; מים זורמים תמיד מעומס גבוה לעומס נמוך. מקדם האגירה נותן את נפח המים המשתחרר/מאוחסן על ידי האקוויפר לשינוי יחידת עומס. ארבע הכמויות הללו הן אבני היסוד של כל הדוגמנות.

חיוני להכיר את המושגים הללו כאשר עובדים עם בינה מלאכותית, מכיוון שכל מספר שניתן על ידי המודל חייב להתאים לטווחים הפיזיים הללו. ערך K עבור אקוויפר חול נע בין סנטימטרים בודדים לעשרות מטרים ביום; אם המודל אומר "3 קילומטרים ביום" ישנה טעות בפיזיקה. זוהי הצורה הספציפית להידרגאולוגיה של עוגן בסדר גודל ביחידות הקודמות.

שלב אחר שלב: הכנת נתונים, אנומליה וכיול

שלב 1 - ניקוי סדרת זמן. נתוני רמות מבארות תצפית הם לרוב לא סדירים: ימים חסרים, דילוגים בחיישנים, בלבול יחידה, אפקט לחץ אטמוספרי. AI מיישר את הסדרות הללו, מסמן פערים ומזהה שגיאות חיישן אפשריות (קפיצה פתאומית, קו שטוח = חיישן קפוא). אבל "השלמה" של הערך החסר ו"סימון" זה שונה; אם יש לבצע מילוי, השיטה חייבת להיות שקופה ומאושרת גיאולוג.

שלב 2 - זיהוי אנומליות. שינוי פתאומי באיכות המים (למשל מוליכות, חנקה, מתכת כבדה); ירידה בלתי צפויה ברמה; קפיצה בקצב הזרימה - אלה הם סימן לאירוע אמיתי (זיהום, משיכת יתר, דליפה) או שגיאת מדידה. בינה מלאכותית מדרגת חריגות של מועמדים; ההידרוגאולוג מחליט איזה מהם אמיתי.

שלב 3 - אפיון אקוויפר. K ומקדם אגירה מופקים מבדיקת השאיבה (שאיבת מים מבאר עם קצב זרימה קבוע ומעקב אחר ירידת המפלס בבארות שכנות). AI מאיץ התאמת עקומה ודגמי אקוויפרים חלופיים (מוגבל/חופשי/חצי חדיר); אבל התאימות של הדגם הנבחר לגיאולוגיה של התחום היא עבודה אנושית.

שלב 4 - כיול מודל מספרי. מודל ההפרש/אלמנט הסופי מחלק את האקוויפר לתאים ופותר זרימת מים בכל תא. כיול הוא להתאים את פרמטרי המודל (חלוקת K, טעינה) כך שיהיו תואמים לרמות באר התצפית. AI/אופטימיזציה מאיץ הגדרה זו; אבל יש סכנה: המודל עשוי להתאים לתצפיות היטב אבל עם פרמטרים שגויים פיזית (overfit). לכן, בקרת מאזן המים לאחר כיול חיונית.

טיפ: לפני קבלת דגם מכויל, שאל "האם מאזן המים כבוי?" שאל: קלט כולל (האכלה + זרימה צידית) מינוס תפוקה כוללת (טיוטה + פריקה) פלוס/מינוס שינוי אחסון חייב להיות ≈ 0. אם הוא לא נסגר, הדגם אינו אמין, גם אם הוא תואם את הרמות.

שלושה מיני מארזים: לפי המספרים

מקרה 1 - איתור באגים בחיישן. לרשת ניטור אחת היו 18 חודשים של נתוני רמות עבור 11 בארות; כ-6000 רשומות בסך הכל. הסריקה המופעלת על ידי בינה מלאכותית זיהתה "חיישן קפוא" בשתי בארות (אותו ערך בדיוק במשך 42 ימים) ושגיאת יחידה (הזנת רגליים במקום מטרים) בבאר אחת. שלוש השגיאות הללו, שייקח שעות למצוא אותן ביד, עלולות להטות ברצינות את כיול הדגם; החילוץ הפך את הדגם לאמין עוד לפני שהוקם.

מקרה 2 - מלכודת איזון המונים. מודל הזרמת מי מכרה התאים לכל בארות התצפית טוב יותר מ-5%, והצוות עמד לאמת את המודל. בדיקת מאזן המים מצאה שההטענה הכוללת הייתה גדולה פי שלושה ממה שהיה אפשרי עם נתוני הגשמים של האזור; הדוגמנית "קנה" הרמוניה עם תזונה לא פיזית. הפרמטרים נמשכו חזרה לטווח הריאליסטי וכוילו מחדש. התאמה טובה לא פירושה את הדגם הנכון.

מקרה 3 - איתות מוקדם של זיהום. בסדרת המוליכות של באר באגן מי השתייה סימנה הבינה המלאכותית עלייה איטית שחרגה מהתבנית העונתית. בבדיקה באתר נמצאה נזילה מאזור אחסון סמוך וננקטה פעולה לפני שהזיהום הגיע לבאר השתייה. הדוגמנית לא החליטה; הפנה את תשומת ליבו של ההידרוגאולוג לבאר הנכונה.

הנחיה חלשה / הנחיה חזקה

הנחיה חלשה:

תסתכל על נתוני הבאר ותגיד לי איך האקוויפר ולאן הולכים המים. [טבלת רמות]

הנחיה עוצמתית:

תפקידך: עוזר הידרוגאולוג. בדוק את סדרת רמות באר התצפית להלן, אך פרמטר האקוויפר מותאם. בצע את הפעולות הבאות:1) איכות הנתונים: רשום חשדות לחסר, חיישן קפוא, יחידה/חריגה, מתן באר ותאריך.2) מגמה כללית (עלייה/ירידה/עונתית) והסברים פיזיים אפשריים.3) ציין אילו נתונים (בדיקת שאיבה, משקעים, תיעוד כבידה) נדרשים בשלב הבא. הפרשנות והכיול הפיזיים שייכים להידרוגיולוג; ציין זאת. הנתונים אנונימיים.

ההנחיה העוצמתית ממקמת את המודל בתפקיד בקר הנתונים ועורך השאלות; אוסר במפורש על התאמת פרמטרים.

ארבע תבניות הניתנות להעתקה

1) בדיקת איכות סדרת רמה:

סמן את הדברים הבאים בסדרת רמות באר התצפית: ימים חסרים, ערך זהה רצוף (חיישן קפוא), קפיצה פתאומית, שגיאת יחידה אפשרית (מ/ רגל/ס"מ). רשימה רק עם well_id וטווח תאריכים; מילוי או מחיקה של ערכים.

2) תעדוף חריגות:

רשום שינויים בסדרת איכות המים (פרמטר: מוליכות) החורגים מהתבנית העונתית, החל מהסביר ביותר. עבור כל מועמד: רשום איזו בקרה נוספת נדרשת כדי להבחין בין אירוע אמיתי לבין טעות מדידה. ההחלטה נתונה בידי ההידרוגאולוג.

3) רשימת ביקורת מאזן מים:

חלץ את שלבי בקרת מאזן המים עבור מודל מי תהום מכויל: פריטי קלט, פריטי פלט, וריאציות אחסון ומגבלת קבלה של שגיאת סגירה. מצבים לדוגמה שבהם המודל עשוי להתאים לרמות אך להפר שיווי משקל.

4) פרשנות בדיקת טיוטת שאיבה:

לנתוני זמן הסרת בדיקת משאבה: ציין אילו מודלים של אקוויפר (לא מוגבל, מוגבל, חדיר למחצה) עשויים להתאים וכיצד כל אחד מהם קשור לגיאולוגיה של האתר. מתן מספר מדויק עבור K ואחסון; ציין את הטווח הסביר ואת ההנחות הנדרשות.

נתוני מי תהום ועוגני אימות

נתונים/פלט

תרומת AI

סיכון עיקרי

עוגן אימות

סדרת זמן ברמה

ניקוי, זיהוי שגיאות

מלית הולמת

נתונים גולמיים + הקלטת שדה

סדרת איכות מים

מיון אנומליות

אזעקת שווא/פספוס

דגימה חוזרת + מעבדה

בדיקת שאיבה

מהירות התאמת עקומה

דגם אקוויפר שגוי

הרמוניה גיאולוגית

כיול מודל מספרי

אופטימיזציה של פרמטרים

התאמה יתר, לא פיזית K

מאזן מים + באר תצפית

הערכת האכלה/משיכה

היתוך נתונים

הפרת איזון

שיא גשם/מבצע

זהירות: מודל מי תהום הוא תחזית, לא נבואה. תפוקות המציגות עשרות שנים לעתיד (למשל, מפלס המים שלאחר סגירה של מכרה) הם תרחישים שיש לעדכן תוך כדי מדידתם. הצגת עקומת עתיד "בטוחה" אחת יוצרת ביטחון כוזב על ידי טשטוש אי הוודאות.

טעויות נפוצות

• לא בודק את מאזן המים. הטעות הנפוצה והמסוכנת ביותר היא לקבל דגם שמתאים היטב לרמות מבלי לוודא שימור המוני.
• מילוי נתונים חסרים בשקט. אם ערכי ה"מילוי" המיוצרים על ידי AI טועים למדידות אמיתיות, הכיול הוא על בסיס דק.
• קבלת פרמטרים החורגים מהטווח הפיזי. סובלנות של ערכים תזונתיים או K לא מציאותיים למען תאימות.
• מחשיבה אוטומטית את האנומליה כאמיתית. לא כל סטייה היא זיהום; האפשרות לטעות במדידה מתבטלת על ידי שדה ודגימה חוזרת.
• הפחתת אי הוודאות לעקומה אחת. הצגת תחזיות ארוכות טווח כתוצאות סופיות ולא כתרחישים.

לסיכום

• ההידרוגיאולוגיה בונה זרימה בלתי נראית מתוך תצפית דלילה; כל פלט AI נבדק כנגד שימור המוני (מאזן מים).
• AI רב עוצמה ברמת ניקוי/סדרות איכות, זיהוי חריגות והאצת כיול; לא אמור להתאים לפרמטרים.
• גם אם המודל מתאים היטב לתצפיות, הוא עלול להיות לא מדויק עם פרמטרים לא פיזיים (overfit); בקרת מאזן המים היא חובה.
• כל מספר חייב להתאים לטווח הפיזי (K עבור חול ≈ מטרים ליום); סדר הגודל של עוגן חל גם בהידרוגיאולוגיה.
• המודל הוא חיזוי; תוצאות ארוכות טווח מוצגות כתרחישים, עם אי ודאות, ומתעדכנות ככל שהן נמדדות.

משימת יישום

אחזר סדרת רמת באר תצפית אנונימית (או נתונים מייצגים). בקש מהמודל למצוא שגיאות נתונים עם התבנית "בדיקת איכות סדרת רמות"; הוסף לפחות חיישן אחד או יחידה קפואה אחת ובדוק אם היא תופסת אותה. לאחר מכן הפעל את תבנית "רשימת הבדיקה של מאזן המים" עבור תרחיש מודל מכויל וכתוב עם דוגמה כיצד המודל עלול להפר את האיזון גם אם הוא תואם את הרמות.

רשימת בדיקה

• [ ] אני מכיר את המושגים והטווחים האופייניים של אקוויפר, מוליכות הידראולית, ראש ואחסון.
• [ ] רכשתי את הרפלקס לאימות תפוקת מי תהום עם שימור מסה (מאזן מים).
• [ ] אני משתמש בבינה מלאכותית לניקוי נתונים ומיון אנומליות ומשאיר את החלטת הפרמטר להידרוגיאולוג.
• [ ] מתוך הכרה בסיכון של התאמת יתר, אני לא חושב שהתאמה טובה היא הדגם הנכון.
• [ ] אני מציג את תפוקות המודל ארוכות הטווח כתרחישים עם אי ודאות.