Nyereség:
- Képes az AI adat-előkészítési és kalibrációs hozzájárulásának felhasználására a víztartó jellemzésben és a talajvíz áramlási modellezésében.
- Képes a vízminőség-, szint- és áramlási adatok elemzésére mesterséges intelligencia és anomália-észlelés segítségével
- Képes a modellkimenetek ellenőrzésére tömegmegőrzéssel, hidraulikus elfogadhatósággal és terepi méréssel
A felszín alatti víz az a természeti erőforrás, amelyet nem látunk, de meghozzuk a legtöbb döntést. Mennyi vizet ad ki egy kút, mennyi vizet enged a bányába, mennyi idő alatt ér el egy szennyező anyag az ivóvízkészletet – mindez a víz viselkedésétől függ, ahogy lassan mozog a pórusokon és a föld alatti repedéseken. A hidrogeológia (a talajvíz tudománya) ezt a láthatatlan áramlást rekonstruálja ritka megfigyelő kutakból, geológiai keresztmetszetekből és fizikai törvényekből. A mesterséges intelligencia hathatós segítség ebben a munkában: kitisztítja a rendetlen idősorokat, integrálja a hiányzó adatokat, felfogja az anomáliákat és felgyorsítja a modell kalibrálását. De egy törvény uralkodik mindenen: a tömeg megmaradása. A rendszerbe belépő, kilépő és tárolt víz mennyiségének egyenletesnek kell lennie; Egy intelligens modell sem sértheti meg ezt az egyensúlyt.
Ebben az egységben a felszín alatti vizek vizsgálatának három AI aspektusával foglalkozunk: adat-előkészítéssel és anomáliák detektálásával (szint-, áramlási sebesség- és minőségsorok feldolgozása), víztartó jellemzéssel (a talajvíz-hordozó réteg tulajdonságainak előrejelzése) és áramlási modell kalibrálásával (a numerikus modell összehangolása a megfigyeléssel). A mesterséges intelligenciát minden lépésnél nem számológépként, hanem huzatgenerátorként fogjuk használni, melynek eredményét vízháztartással és terepi méréssel teszteli.
Víztartó réteg és alapfogalmak
Először alakítsunk ki egy közös nyelvet. A víztartó réteg olyan geológiai egység (pl. homok-kavics réteg), amely elegendő vizet képes szállítani és leadni. A hidraulikus vezetőképesség (K) azt méri, hogy a víz milyen könnyen áramlik át a kőzeten/talajon; Homok esetében jellemzően napi méter nagyságrendű, agyagnál mikroszkopikusan alacsony. A hidraulikus fej (fej) a víz nyomás- és magassági energiája egy pontban; a víz mindig nagy terhelésről alacsony terhelésre folyik. A tárolási együttható a vízadó réteg által kibocsátott/tárolt víz mennyiségét adja meg egységnyi terhelésváltozásonként. Ez a négy mennyiség minden modellezés sarokköve.
A mesterséges intelligenciával való munka során elengedhetetlen ezeknek a fogalmaknak az ismerete, mert minden, a modell által megadott számnak bele kell illeszkednie ezekbe a fizikai tartományokba. A homokos víztartó réteg K értéke napi néhány centimétertől több tíz méterig terjed; Ha a modell azt mondja, hogy "3 kilométer naponta", akkor fizikai hiba van. Ez a nagyságrendi horgony hidrogeológiai specifikus formája az előző egységekben.
Lépésről lépésre: Adat-előkészítés, anomália és kalibrálás
1. lépés – Idősorok tisztítása. A megfigyelőkutak szintadatai gyakran szabálytalanok: hiányzó napok, szenzorkihagyások, egységzavar, légköri nyomáshatás. A mesterséges intelligencia igazítja ezeket a sorozatokat, jelzi a hézagokat és észleli a lehetséges érzékelőhibákat (hirtelen ugrás, lapos vonal = befagyott érzékelő). De a hiányzó érték „betöltése” és „megjelölése” más; Ha töltést kell végezni, a módszernek átláthatónak és geológus által jóváhagyottnak kell lennie.
2. lépés – Anomália észlelése. A víz minőségének hirtelen megváltozása (pl. vezetőképesség, nitrát, nehézfém); váratlan szintcsökkenés; áramlási sebesség megugrása – ezek vagy valós esemény (szennyeződés, folyószámlahitel, szivárgás) vagy mérési hiba jelei. A mesterséges intelligencia rangsorolja a jelölt anomáliákat; A hidrogeológus dönti el, melyik az igazi.
3. lépés – A víztartó réteg jellemzése. A K és a tárolási együttható a szivattyúzási teszt (állandó áramlási sebességű kútból történő vízvétel és a szomszédos kutak szintcsökkenésének monitorozása) adataiból származnak. Az AI felgyorsítja a görbe illeszkedést és az alternatív víztartó modelleket (zárt/szabad/félig áteresztő); De a választott modell kompatibilitása a terület geológiájával emberi munka.
4. lépés – Numerikus modell kalibrálása. A véges különbség/elem modell cellákra osztja a víztartó réteget, és minden cellában megoldja a vízáramlást. A kalibráció célja, hogy a modell paramétereit (K eloszlás, újratöltés) úgy állítsa be, hogy azok kompatibilisek legyenek a megfigyelő kutak szintjével. Az AI/optimalizálás felgyorsítja ezt a beállítást; De van egy veszély: a modell jól illeszkedhet a megfigyelésekhez, de fizikailag hibás paraméterekkel (overfit). Ezért a vízháztartás ellenőrzése a kalibrálás után elengedhetetlen.
Tipp: Mielőtt elfogadna egy kalibrált modellt, kérdezze meg, hogy "elromlott a vízháztartás?" Kérdezzen: teljes bemenet (táplálás + oldalirányú áramlás) mínusz összteljesítmény (huzat + kisülés) plusz/mínusz tárolási változás legyen ≈ 0. Ha nem zár, a modell megbízhatatlan, még akkor is, ha egyezik a szintekkel.
Három mini tok: a számok szerint
1. eset – Érzékelő hibakeresés. Az egyik megfigyelő hálózat 18 havi szintű adattal rendelkezett 11 kútról; összesen körülbelül 6000 rekord. A mesterséges intelligencia által működtetett szkennelés „befagyott érzékelőt” észlelt két kútban (42 napig pontosan ugyanaz az érték), egy kútban pedig egységhibát (méterek helyett lábakat adtak meg). Ez a három hiba, amelyek kézi keresése órákig tart, komolyan torzíthatja a modell kalibrálását; Az extrakció megbízhatóvá tette a modellt, még mielőtt megalkották volna.
2. eset – Tömegegyensúly-csapda. Egy bányavíz-kibocsátási modell 5%-nál jobban illeszkedett az összes megfigyelő kúthoz, és a csapat a modell validálásán állt. A vízmérleg-ellenőrzés megállapította, hogy a teljes utánpótlás háromszorosa volt annak, mint amennyi a régió csapadékadatai alapján lehetséges volt; a modell „megvásárolta” a harmóniát a nem fizikai diétával. A paramétereket visszahúzták a reális tartományba és újrakalibrálták. A jó illeszkedés nem jelentette a megfelelő modellt.
3. eset – A szennyeződés korai jele. Az ivóvízmedencében lévő kút vezetőképességi sorozatában a mesterséges intelligencia lassú, a szezonális mintától eltérő emelkedést jelzett. A helyszíni szemle egy közeli tárolóhelyről talált szivárgást, és intézkedtek, mielőtt a szennyeződés elérte volna az ivókútot. A modell nem döntött; a megfelelő kútra irányította a hidrogeológus figyelmét.
Gyenge felszólítás / Erős felszólítás
Gyenge felszólítás:
Nézd meg ezeket a kútadatokat, és mondd el, milyen a víztartó réteg, és hová folyik a víz. [szint táblázat]
Erőteljes felszólítás:
Az Ön szerepe: Hidrogeológus asszisztens. VIZSGÁLJA az alábbi megfigyelési kút szintsorokat, de a víztartó paraméter FITTED. Tegye a következőket:1) Adatminőség: listázza ki a hiányzó, befagyott érzékelő, mértékegység/kiugró érték gyanúját, megadja a kút és dátumot.2) Általános trend (emelkedés/esés/szezonális) és lehetséges fizikai magyarázatok.3) Adja meg, hogy a következő lépésben milyen adatokra (szivattyúzási teszt, csapadék, gravitációs rekord) van szükség.A fizikai értelmezés és kalibrálás a hidrogeológusra tartozik; közölje ezt.Az adatok névtelenek.
Az erőteljes prompt a modellt adatkezelő és kérdésszerkesztő szerepébe helyezi; kifejezetten tiltja a paraméterillesztést.
Négy másolható sablon
1) Szintsorozat minőségi ellenőrzése:
A megfigyelőkút szintsorában jelölje be: hiányzó napok, egymást követő azonos érték (befagyott érzékelő), hirtelen ugrás, lehetséges mértékegységhiba (m/láb/cm). Csak a well_id és a dátumtartomány listája; értékek kitöltése vagy törlése.
2) Az anomáliák prioritása:
Sorolja fel a vízminőségi sorozatban (paraméter: vezetőképesség) azokat a változásokat, amelyek eltérnek a szezonális mintától, kezdve a legvalószínűbbvel! Minden jelöltnél írja le, hogy milyen kiegészítő ellenőrzésre van szükség a valós esemény és a mérési hiba megkülönböztetéséhez. A döntés a hidrogeológusé.
3) Vízmérleg ellenőrző lista:
Bontsa ki a vízmérleg-szabályozási lépéseket egy kalibrált talajvízmodellhez: bemeneti tételek, kimeneti tételek, tárolási eltérések és a lezárási hiba elfogadási határa. Példahelyzetek, amikor a modell megfelelhet a szinteknek, de megsérti az egyensúlyt.
4) A szivattyúzási teszt értelmezése:
A szivattyúteszt-leszívási idő adatokhoz: vázolja fel, hogy mely víztartó modellek (nem behatárolt, zárt, félig áteresztő) lehetnek megfelelőek, és ezek hogyan kapcsolódnak a helyszín geológiájához. Pontos szám megadása K-hoz és tároláshoz; Adja meg az ésszerű tartományt és a szükséges feltételezéseket.
Talajvíz adatok és érvényesítési horgonyok
adat/kimenet
AI hozzájárulás
Fő kockázat
ellenőrző horgony
Szintű idősorok
Tisztítás, hibakeresés
illeszkedő töltelék
Nyers adatok + terepfelvétel
vízminőség sorozat
Anomália rendezés
Téves riasztás/kihagyás
Ismételt minta + laboratórium
szivattyúzási teszt
Íves illesztési sebesség
Helytelen víztartó modell
geológiai harmónia
Numerikus modell kalibráció
Paraméter optimalizálás
Túlfitt, nem fizikai K
Vízháztartás + megfigyelőkút
Etetés/vonzás becslés
adatfúzió
egyensúly megsértése
Csapadék/működési rekord
Vigyázat: A talajvíz-modell jóslat, nem prófécia. Az évtizedek jövőjébe vetítő kimenetek (pl. egy bánya bezárás utáni vízszintje) olyan forgatókönyvek, amelyeket mérésükkor frissíteni kell. Egyetlen „biztos” jövőbeli görbe bemutatása hamis bizalmat kelt azáltal, hogy elfedi a bizonytalanságot.
Gyakori hibák
- Nem ellenőrzi a vízháztartást. A leggyakoribb és legveszélyesebb hiba az, hogy elfogadunk egy olyan modellt, amely jól illeszkedik a szintekhez anélkül, hogy ellenőriznénk a tömeges megőrzést.
- Csendes hiányzó adatok kitöltése. Ha a mesterséges intelligencia által előállított "kitöltési" értékeket összetévesztik valódi mérésekkel, akkor a kalibrálás gyenge alapokon történik.
- A fizikai tartományt meghaladó paraméterek elfogadása. Irreális K vagy tápérték tolerálása a megfelelés érdekében.
- Az anomáliát automatikusan valósnak tekinti. Nem minden eltérés szennyeződés; A mérési hiba lehetőségét a helyszíni és ismételt mintavétel kiküszöböli.
- A bizonytalanság csökkentése egyetlen görbére. A hosszú távú előrejelzések végeredményként való bemutatása forgatókönyv helyett.
Összefoglalva
- A hidrogeológia láthatatlan áramlást hoz létre a ritka megfigyelésekből; Minden mesterséges intelligencia kimenetet tesztelnek a tömegmegmaradás (vízháztartás) szempontjából.
- A mesterséges intelligencia hatékony a tisztítási szint/minőség sorozatok, az anomália-észlelés és a kalibrálási gyorsítás terén; nem illik a paraméterekhez.
- Még ha a modell jól illeszkedik is a megfigyelésekhez, előfordulhat, hogy nem fizikai paraméterekkel pontatlan (overfit); A vízháztartás ellenőrzése kötelező.
- Minden számnak bele kell illeszkednie a fizikai tartományba (K homok esetén ≈ méter/nap); A horgony nagyságrendje a hidrogeológiában is érvényes.
- A modell egy előrejelzés; A hosszú távú eredményeket forgatókönyvként, bizonytalansággal jelenítik meg, és mérésükkor frissítik.
Pályázati feladat
Kérjen le egy anonim megfigyelési kút szintű sorozatot (vagy reprezentatív adatot). A modell megtalálja az adathibákat a „Szintsorozat minőségellenőrzése” sablon segítségével; Adjon hozzá legalább egy gyaníthatóan lefagyott érzékelőt vagy egységet, és ellenőrizze, hogy elkapja-e. Ezután futtassa a "vízmérleg ellenőrzőlista" sablont egy kalibrált modell forgatókönyvéhez, és írja le egy példával, hogy a modell hogyan sértheti meg az egyensúlyt még akkor is, ha megfelel a szinteknek.
ellenőrző lista
- [ ] Ismerem a vízadó réteg, a vízvezető képesség, a magasság és a tárolás fogalmait és jellemző tartományait.
- [ ] Elsajátítottam azt a reflexet, hogy tömegmegőrzéssel (vízmérleggel) igazoljam a talajvízhozamot.
- [ ] Az adatok tisztítására és anomáliák rendezésére mesterséges intelligenciát használok, és a paraméterek eldöntését a hidrogeológusra bízom.
- [ ] Felismerve a túlillesztés kockázatát, nem hiszem, hogy a jó illeszkedés a megfelelő modell.
- [ ] A hosszú távú modellkimeneteket bizonytalan forgatókönyvként mutatom be.