Keuntungan:
- Memahami penggunaan AI dalam pemetaan kerentanan tanah longsor, bahaya seismik, dan penilaian likuifaksi.
- Kemampuan untuk membuat klasifikasi risiko dan alur kerja peringatan dini dari data bahaya multivariat
- Kemampuan untuk memverifikasi keluaran bahaya dengan tanggung jawab keselamatan jiwa, keseimbangan alarm palsu, dan bukti lapangan
Subyek unit ini adalah bidang teknik geologi yang paling bertanggung jawab: penilaian bencana alam dan bahaya geologi. Kerugian dari suatu kesalahan di sini bukanlah uang, tetapi nyawa manusia. Jika peta kerentanan tanah longsor salah menunjukkan suatu lingkungan sebagai “aman”, maka tidak ada tindakan yang diambil; Jika penilaian likuifaksi salah membaca permukaan tanah di bawah rumah sakit, struktur tersebut bisa tenggelam saat terjadi gempa bumi. Di bidang ini, kecerdasan buatan menghasilkan nilai nyata dalam pemrosesan data multivariat, menangkap pola, dan menyaring sinyal peringatan dini. Namun justru di bidang inilah verifikasi harus dilakukan dengan sangat ketat, persetujuan insinyur harus dilakukan secara mutlak, dan pengelolaan ketidakpastian harus dilakukan dengan sangat tepat, karena kerugian akibat kesalahan keluaran adalah yang paling tinggi.
Dalam unit ini, kita akan membahas tiga jenis bahaya melalui kacamata kecerdasan buatan: pemetaan kerentanan tanah longsor (memprediksi dari data multivariat lereng mana yang berisiko longsor), bahaya seismik (kemungkinan intensitas gerakan tanah akibat gempa), dan likuifaksi (ketika pasir lepas yang jenuh bertindak seperti cairan selama gempa bumi dan kehilangan daya dukungnya). Tema umum kami adalah mengapa hasil negatif palsu (mengklasifikasikan area yang benar-benar berbahaya sebagai area aman) berakibat fatal dan bagaimana menetapkan ambang batas yang mendukung keselamatan jiwa.
Keseimbangan Negatif Palsu dan Positif Palsu
Ada dua jenis kesalahan dalam klasifikasi bahaya. Positif palsu mengklasifikasikan area aman sebagai area berbahaya; Hasilnya adalah biaya yang tidak perlu, pengawasan ekstra, mungkin tertundanya suatu proyek — hal ini aman dari segi umur. Negatif palsu mengklasifikasikan area berbahaya sebagai area aman; Dampaknya adalah kegagalan mengambil tindakan pencegahan dan kemungkinan hilangnya nyawa/harta benda. Kedua kesalahan ini tidak sama. Di bidang keselamatan jiwa, ambang batas dipilih dengan hati-hati untuk meminimalkan negatif palsu; Artinya, bila ada keraguan, ia bergulir ke sisi berbahaya dan dikonfirmasi melalui konfirmasi lapangan.
Model AI umumnya memilih ambang batas yang akan memaksimalkan akurasi secara keseluruhan. Namun dalam ilmu bahaya, tujuannya bukanlah akurasi total, melainkan menjaga agar negatif palsu tetap rendah. Oleh karena itu, keluaran model harus berupa probabilitas yang dikalibrasi, bukan "kelas", dan ambang batas harus ditetapkan oleh pakar bahaya, dengan mengetahui konsekuensinya. Akurasi model tanah longsor sebesar 92% tidak ada gunanya jika model tersebut tidak memperhitungkan setengah dari tanah longsor yang sebenarnya.
Perhatian: Jangan tertipu oleh tingginya akurasi model bahaya secara keseluruhan. Lihatlah tingkat kesalahan (negatif palsu) untuk kejadian yang jarang terjadi namun mematikan (tanah longsor, likuifaksi). Kriteria dalam keselamatan hidup bukanlah menjadi rata-rata yang benar, tetapi tidak melewatkan yang berbahaya.
Pemetaan Kerentanan Longsor
Kerentanan terhadap tanah longsor, “apakah tempat ini akan longsor jika semua kondisi terpenuhi?” menjawab pertanyaan dengan variabel geologi dan topografi. Inputnya biasanya berupa: kemiringan lereng, aspek, litologi, orientasi diskontinuitas, penggunaan lahan, curah hujan, inventarisasi sejarah longsor, dan air tanah. Kecerdasan buatan memadukan lapisan-lapisan ini dan menghasilkan peta kerentanan dengan mempelajari pola di sekitar tanah longsor di masa lalu.
Ada dua poin penting. Pertama, model ini belajar dari inventarisasi tanah longsor di masa lalu; Jika inventarisasi tidak lengkap (banyak kejadian tanah longsor yang tidak tercatat) model tidak dapat melihat pola tersebut sama sekali dan menghasilkan negatif palsu. Kedua, sensitivitas tidak memberikan pemicu (kapan harus bergeser) namun kerentanan (ke mana harus bergeser jika kondisinya muncul); Berbahaya bila mencampuradukkan keduanya. Peta tidak dapat digunakan sebagai dasar pengambilan keputusan tanpa diverifikasi oleh pengamatan singkapan ahli geologi lapangan, pengukuran diskontinuitas, dan jejak pergerakan masa lalu.
Bahaya Seismik dan Likuifaksi
Penilaian bahaya seismik memberikan perkiraan probabilistik pergerakan tanah (percepatan) yang diperkirakan akan terlampaui dalam jangka waktu tertentu di suatu lokasi. Kecerdasan buatan membantu dalam memproses basis data rekaman, membandingkan hubungan prediksi gerakan tanah, dan menghasilkan skenario. Namun, definisi sumber sesar, interval perulangan dan amplifikasi tanah memerlukan keahlian geologi-seismologi; modelnya tidak bisa cocok dengan mereka.
Penilaian likuifaksi mengukur risiko pasir lepas jenuh kehilangan daya dukungnya akibat getaran gempa. Metode klasiknya adalah dengan membandingkan nilai SPT-N (atau CPT) dengan laju siklus tegangan yang dihasilkan oleh gempa dan memperoleh faktor keamanan. AI mengatur data dan dengan cepat memindai potensi likuifaksi di ladang multi-sumur; namun hasilnya diverifikasi dengan perhitungan tangan menggunakan metode standar (misalnya kode gempa lokal). Negatif palsu di sini berarti suatu struktur tenggelam ke dalam tanah saat terjadi gempa.
Tiga Kasus Mini: Berdasarkan Angka
Kasus 1 — Mengambil inventaris yang hilang. Pada peta tanah longsor suatu daerah, model tersebut terlihat “bagus” dengan akurasi 89%; namun ahli geologi lapangan menemukan tiga bekas tanah longsor (tidak tercatat) di lereng lembah yang menurut peta aman. Model tidak dapat mempelajari pola ini karena inventarisnya tidak lengkap. Ketika inventarisasi diperbarui dan peta diperbarui, kemiringan tersebut berubah menjadi sensitivitas tinggi. Akurasi 89% menyembunyikan area paling kritis yang hilang.
Kasus 2 — Ambang batas likuifaksi. Di lokasi penimbunan di pantai, model tersebut menandai 6 dari 42 pengeboran sebagai “risiko likuifaksi” dengan ambang batas akurasi rata-rata tertinggi. Ketika pakar memindahkan ambang batas ke sisi konservatif untuk mengurangi negatif palsu, 11 suara ditandai; Lima tambahan telah dipastikan benar-benar berisiko dengan perhitungan tangan standar. Ambang batas konservatif menyelamatkan lima potensi negatif palsu; peningkatan biaya tidak berarti dibandingkan dengan potensi risiko terhadap kehidupan.
Kasus 3 — Sinyal peringatan dini. Radar pemrosesan kecerdasan buatan dan data sensor kemiringan pada lereng tambang terbuka menandai adanya percepatan lambat dalam laju deformasi dan membunyikan alarm. Tim mengevakuasi area tersebut; 40 jam kemudian, terjadi longsor besar di lereng, namun tidak ada yang terluka. Model tersebut tidak menyebutkan hari/waktu tepatnya; Hal ini membuat percepatan pergerakan terlihat dan memberi waktu bagi manusia untuk mengambil keputusan.
Prompt Lemah / Prompt Kuat
Perintah yang lemah:
Apakah ada risiko tanah longsor di wilayah ini? Lihat datanya dan ketahui apakah aman atau berbahaya.[lapisan data]
Perintah yang kuat:
Peran Anda: Asisten ahli geologi bahaya alam. Memberikan label “aman/berbahaya” yang TEPAT dengan variabel berikut. Sebaliknya:1) Jelaskan faktor-faktor yang berkontribusi terhadap sentimen dan arahnya. 2) Tetapkan logika probabilitas yang terkalibrasi, bukan kelas; Nyatakan mengapa ambang batas keselamatan jiwa harus dipilih dengan hati-hati untuk mengurangi negatif palsu.3) Tuliskan bagaimana keluarannya bisa menyesatkan jika inventarisasi sejarah tanah longsor tidak lengkap.4) Sebutkan 4 hal yang perlu dikonfirmasi di lapangan.Penilaian akhir berada di tangan insinyur yang berwenang. Datanya anonim.
Empat Templat yang Dapat Disalin
1) Meminta probabilitas alih-alih kelas bahaya:
Tafsirkan keluaran model bahaya sebagai probabilitas terkalibrasi, bukan kelas tajam. Bandingkan konsekuensi negatif palsu dan positif palsu di bidang ini dan jelaskan ke arah mana ambang batas keselamatan jiwa harus diubah.
2) Audit kekurangan persediaan:
Buatlah daftar indikasi bahwa inventarisasi yang digunakan dalam pelatihan model kerentanan tanah longsor mungkin tidak lengkap (catatan tahun, cakupan wilayah, kesenjangan data). Tandai di area mana kekurangan ini akan meningkatkan risiko negatif palsu.
3) Sketsa penyaringan pencairan:
Untuk potensi likuifaksi di lokasi multi-pengeboran: rekomendasikan penyaringan yang lubang bornya mengandung pasir lepas jenuh dan memerlukan perhitungan tangan terlebih dahulu. Tentukan bahwa itu harus diverifikasi dengan metode standar; tidak memberikan koefisien keamanan yang pasti.
4) Interpretasi sinyal peringatan dini:
Untuk merangkum perubahan kecepatan dan percepatan pada rangkaian pemantauan deformasi (kemiringan/radar); Apakah ada pola percepatan yang mengkhawatirkan? Memberikan perkiraan waktu yang tepat; Tentukan kapan/data diperlukan untuk penilaian manusia.
Jenis Bahaya, Negatif Palsu, dan Verifikasi
Bahaya
Kontribusi AI
Hasil negatif palsu
Verifikasi wajib
kerentanan terhadap tanah longsor
Penggabungan lapisan, pola
Berpikir bahwa area terapung itu aman
Bidang + inventaris saat ini
bahaya seismik
Basis data/skenario
Meremehkan gerakan tanah
Pakar + standar seismologi
pencairan
Pemindaian multi-sumur
Bangunan tenggelam ke dalam tanah
Perhitungan tangan SPT/CPT + peraturan
peringatan dini lereng
Melacak penyaringan sinyal
menunda ejakulasi
Penilaian manusia + konfirmasi lapangan
Tip: Selalu periksa keluaran marabahaya dengan pertanyaan "Apakah ini dianggap sebagai alarm palsu atau meleset?" Baca dengan pertanyaannya. Dalam keselamatan jiwa, menanggung beberapa alarm palsu jauh lebih dapat diterima daripada satu bahaya yang terlewatkan.
Kesalahan umum
- Tertipu oleh kebenaran umum. Akurasi tinggi mungkin melewatkan kejadian fatal yang jarang terjadi; Metrik sebenarnya adalah tingkat negatif palsu.
- Meninggalkan ambang batas pada model. Ambang batas keselamatan jiwa ditetapkan secara hati-hati oleh ahli yang mengetahui akibat-akibatnya; bukan ambang batas "terbaik" otomatis.
- Mengabaikan inventaris yang hilang. Model tidak dapat melihat pola yang belum dipelajarinya; Jika inventarisnya hilang, peta akan menipu sisi amannya.
- Membingungkan kecenderungan dengan pemicu. Sensitivitasnya adalah pertanyaan “dimana”, pemicunya adalah pertanyaan “kapan”; Keduanya memerlukan verifikasi terpisah.
- Salah mengira peringatan dini sebagai ramalan yang pasti. Sistem menghemat waktu; Keputusan dan tanggung jawab untuk mengungsi ada di tangan orang tersebut.
Singkatnya
- Bahaya alam merupakan tanggung jawab terberat dari teknik geologi; Kerugian akibat keluaran yang salah bisa berakibat fatal.
- Negatif palsu (mengira berbahaya sebagai aman) jauh lebih serius daripada positif palsu; Ambang batas dipilih dengan hati-hati, demi kehidupan.
- Akurasi umum menyesatkan; Kriterianya adalah tingkat hilangnya kejadian fatal yang jarang terjadi; Outputnya harus berupa probabilitas yang dikalibrasi, bukan kelas.
- Model longsor tidak bisa belajar dari inventarisasi yang tidak lengkap; Setiap peta bahaya diverifikasi melalui verifikasi lapangan dan ahli.
- Peringatan dini menghemat waktu tetapi bukan merupakan ramalan; Keputusan untuk melakukan evakuasi dan mengambil tindakan pencegahan berada di tangan teknisi dan pejabat yang berwenang.
Tugas aplikasi
Ambil skenario bahaya yang dianonimkan (lapisan tanah longsor atau lubang bor likuifaksi; data representatif). Jaga agar model tidak memberikan label yang kasar dan buat model tersebut membahas keseimbangan negatif/positif palsu dengan templat "mintalah probabilitas, bukan kelas bahaya". Kemudian gunakan templat "audit kekurangan inventaris" untuk mencari tahu di mana hasil cetakan mungkin menyesatkan dan tuliskan daftar tiga poin yang memerlukan verifikasi lapangan.
daftar periksa
- [ ] Saya memahami perbedaan antara negatif palsu dan positif palsu serta pentingnya hal ini dalam keselamatan jiwa.
- [ ] Saya mengevaluasi keluaran bahaya berdasarkan tingkat kesalahan, bukan akurasi keseluruhan.
- [ ] Saya percaya bahwa ambang batas harus ditetapkan oleh seorang ahli dengan hati-hati dan berpihak pada kehidupan.
- [ ] Saya memahami bahwa model tanah longsor tidak dapat belajar dari inventarisasi yang tidak lengkap dan memerlukan konfirmasi lapangan.
- [ ] Saya menggunakan sistem peringatan dini bukan sebagai ramalan, tetapi sebagai alat yang menghemat waktu untuk mengambil keputusan.