Guadagni:
- Capacità di utilizzare la preparazione dei dati e il contributo di calibrazione dell'intelligenza artificiale nella caratterizzazione degli acquiferi e nella modellizzazione del flusso delle acque sotterranee.
- Capacità di analizzare i dati sulla qualità, il livello e il flusso dell'acqua con l'intelligenza artificiale e il rilevamento di anomalie
- Capacità di verificare i risultati del modello con conservazione della massa, plausibilità idraulica e misurazione sul campo
Le acque sotterranee sono la risorsa naturale che non possiamo vedere ma su cui prendiamo la maggior parte delle decisioni. Quanta acqua produce un pozzo, quanta acqua scarica in una miniera, quanto tempo impiega un inquinante per raggiungere una fornitura di acqua potabile: tutto dipende dal comportamento dell’acqua mentre si muove lentamente attraverso i pori e le fessure sotterranee. L’idrogeologia (la scienza delle acque sotterranee) ricostruisce questo flusso invisibile a partire da pozzi di osservazione sparsi, sezioni geologiche e leggi fisiche. L’intelligenza artificiale è un potente aiuto in questo lavoro: ripulisce serie temporali disordinate, integra i dati mancanti, rileva anomalie e accelera la calibrazione dei modelli. Ma una legge prevale su tutte: la conservazione della massa. La quantità di acqua in entrata, in uscita e in accumulo nell'impianto deve essere costante; Nessun modello intelligente può violare questo equilibrio.
In questa unità tratteremo tre aspetti dell'intelligenza artificiale dello studio delle acque sotterranee: preparazione dei dati e rilevamento di anomalie (elaborazione di serie di livello, portata e qualità), caratterizzazione dell'acquifero (previsione delle proprietà dello strato di falda) e calibrazione del modello di flusso (allineando il modello numerico con l'osservazione). Ad ogni passo, utilizzeremo l’intelligenza artificiale non come una calcolatrice, ma come un generatore di tiraggio il cui risultato verrà testato con il bilancio idrico e la misurazione sul campo.
Acquifero e concetti base
Innanzitutto stabiliamo un linguaggio comune. Una falda acquifera è un'unità geologica (ad esempio uno strato di sabbia e ghiaia) che può trasportare e rilasciare acqua a sufficienza. La conduttività idraulica (K) misura la facilità con cui l'acqua scorre attraverso la roccia/terreno; Tipicamente è dell'ordine di metri al giorno per la sabbia e microscopicamente basso per l'argilla. La prevalenza idraulica (prevalenza) è l'energia della pressione e dell'altitudine dell'acqua in un punto; l'acqua scorre sempre da un carico elevato a un carico basso. Il coefficiente di accumulo fornisce il volume di acqua rilasciata/immagazzinata dalla falda acquifera per variazione unitaria di carico. Queste quattro quantità sono i cardini di tutta la modellazione.
È essenziale conoscere questi concetti quando si lavora con l'intelligenza artificiale, perché ogni numero fornito dal modello deve rientrare in questi intervalli fisici. Il valore K per una falda acquifera sabbiosa varia da pochi centimetri a decine di metri al giorno; Se il modello dice "3 chilometri al giorno" c'è un errore fisico. Questa è la forma specifica dell'idrogeologia dell'ancoraggio dell'ordine di grandezza nelle unità precedenti.
Passo dopo passo: preparazione dei dati, anomalia e calibrazione
Passaggio 1: pulizia delle serie temporali. I dati di livello provenienti dai pozzi di osservazione sono spesso irregolari: giorni mancanti, salti dei sensori, confusione delle unità, effetto della pressione atmosferica. L'intelligenza artificiale allinea queste serie, segnala gli spazi vuoti e rileva possibili errori del sensore (salto improvviso, linea piatta = sensore congelato). Ma "riempire" il valore mancante e "contrassegnarlo" sono cose diverse; Se si deve effettuare il riempimento, il metodo deve essere trasparente e approvato dal geologo.
Passaggio 2: rilevamento delle anomalie. Un improvviso cambiamento nella qualità dell'acqua (ad esempio conduttività, nitrati, metalli pesanti); calo di livello inaspettato; salto nella portata: questo è un segno di un evento reale (contaminazione, scoperto, perdita) o di un errore di misurazione. L’intelligenza artificiale classifica le anomalie candidate; L'idrogeologo decide quale è reale.
Fase 3 — Caratterizzazione dell'acquifero. K e coefficiente di accumulo vengono estratti dai dati della prova di pompaggio (prelievo di acqua da un pozzo con portata costante e monitoraggio del calo di livello nei pozzi vicini). L’intelligenza artificiale accelera l’adattamento della curva e i modelli di acquifero alternativi (confinato/libero/semipermeabile); Ma la compatibilità del modello scelto con la geologia del campo è opera dell’uomo.
Passaggio 4: calibrazione del modello numerico. Il modello alle differenze finite/elementi divide la falda acquifera in celle e risolve il flusso d'acqua in ciascuna cella. La calibrazione consiste nel regolare i parametri del modello (distribuzione K, ricarica) per essere compatibili con i livelli dei pozzi di osservazione. L'intelligenza artificiale/l'ottimizzazione accelera questa impostazione; Ma c’è un pericolo: il modello può adattarsi bene alle osservazioni ma con parametri fisicamente errati (overfit). Pertanto, il controllo del bilancio idrico dopo la calibrazione è essenziale.
Suggerimento: prima di accettare un modello calibrato, chiedi "il bilancio idrico è spento?" Chiedere: l'input totale (alimentazione + flusso laterale) meno l'output totale (tiraggio + scarico) più/meno la variazione di stoccaggio deve essere ≈ 0. Se non si chiude, il modello non è affidabile, anche se corrisponde ai livelli.
Tre mini custodie: i numeri
Caso 1: debug del sensore. Una rete di monitoraggio disponeva di 18 mesi di dati di livello per 11 pozzi; circa 6000 registrazioni in totale. La scansione basata sull’intelligenza artificiale ha rilevato un “sensore congelato” in due pozzi (esattamente lo stesso valore per 42 giorni) e un errore di unità (piedi inseriti anziché metri) in un pozzo. Questi tre errori, che richiederebbero ore per essere rilevati manualmente, potrebbero compromettere seriamente la calibrazione del modello; L’estrazione ha reso affidabile il modello prima ancora che fosse stabilito.
Caso 2 – Trappola del bilancio di massa. Un modello di scarico dell'acqua di miniera si adattava a tutti i pozzi di osservazione meglio del 5% e il team stava per convalidare il modello. Dal controllo del bilancio idrico è emerso che il ricarico totale è stato tre volte maggiore di quanto fosse possibile con i dati delle precipitazioni della regione; la modella aveva “comprato” l'armonia con una dieta non fisica. I parametri sono stati riportati all'intervallo realistico e ricalibrati. Una buona vestibilità non significava il modello giusto.
Caso 3 — Segnale precoce di contaminazione. Nella serie di conducibilità di un pozzo nel bacino di acqua potabile, l'intelligenza artificiale ha segnato un lento aumento che si è discostato dall'andamento stagionale. Un'ispezione del sito ha rilevato una perdita da una vicina area di stoccaggio ed è stata intrapresa un'azione prima che la contaminazione raggiungesse il pozzo potabile. Il modello non ha deciso; ha indirizzato l'attenzione dell'idrogeologo al pozzo corretto.
Prompt debole / Prompt forte
Suggerimento debole:
Guarda i dati del pozzo e dimmi com'è la falda acquifera e dove va l'acqua. [tabella dei livelli]
Suggerimento potente:
Il tuo ruolo: assistente idrogeologo. ESAMINARE la serie di livelli del pozzo di osservazione di seguito, ma il parametro della falda acquifera è ADATTA. Procedere come segue: 1) Qualità dei dati: elencare i sospetti di sensore mancante, congelato, unità/valore anomalo, pozzo e data.2) Tendenza generale (aumento/discesa/stagionale) e possibili spiegazioni fisiche.3) Specificare quali dati (test di pompaggio, precipitazioni, registrazione della gravità) sono richiesti nel passaggio successivo. L'interpretazione fisica e la calibrazione appartengono all'idrogeologo; precisatelo. I dati sono anonimi.
Il potente suggerimento colloca il modello nel ruolo di responsabile del trattamento dei dati e redattore delle domande; vieta esplicitamente l'adattamento dei parametri.
Quattro modelli copiabili
1) Ispezione di qualità della serie di livelli:
Segnare quanto segue nella serie del livello del pozzo di osservazione: giorni mancanti, valore identico consecutivo (sensore congelato), salto improvviso, possibile errore di unità (m/piedi/cm). Elenca solo con well_id e intervallo di date; riempimento o eliminazione di valori.
2) Priorità delle anomalie:
Elencare i cambiamenti nelle serie di qualità dell'acqua (parametro: conducibilità) che si discostano dal modello stagionale, iniziando da quello più probabile. Per ciascun candidato: annotare quale ulteriore controllo è necessario per distinguere tra un evento reale e un errore di misurazione. La decisione spetta all'idrogeologo.
3) Lista di controllo del bilancio idrico:
Estrarre le fasi di controllo del bilancio idrico per un modello di acque sotterranee calibrato: elementi di input, elementi di output, variazione di stoccaggio e limite di accettazione dell'errore di chiusura. Situazioni di esempio in cui il modello può rispettare i livelli ma violare l'equilibrio.
4) Interpretazione del test di pompaggio:
Per i dati sui tempi di abbassamento dei test delle pompe: delineare quali modelli di acquifero (non confinato, confinato, semipermeabile) potrebbero essere appropriati e come ciascuno di essi si relaziona alla geologia del sito. Fornire il numero esatto per K e archiviazione; Indicare l'intervallo ragionevole e le ipotesi necessarie.
Dati sulle acque sotterranee e ancoraggi di convalida
dati/output
Contributo dell'IA
Rischio principale
ancoraggio di verifica
Serie temporali di livello
Pulizia, rilevamento errori
ripieno adeguato
Dati grezzi + registrazione sul campo
serie sulla qualità dell'acqua
Ordinamento delle anomalie
Falso allarme/perdita
Ripetere il campione + laboratorio
prova di pompaggio
Velocità di adattamento della curva
Modello acquifero errato
armonia geologica
Calibrazione del modello numerico
Ottimizzazione dei parametri
Overfitting, non fisico K
Bilancio idrico + pozzo di osservazione
Stima dell'alimentazione/attrazione
fusione dei dati
violazione dell'equilibrio
Registro delle precipitazioni/operazioni
Attenzione: un modello delle acque sotterranee è una previsione, non una profezia. I risultati che proiettano decenni nel futuro (ad esempio, il livello dell’acqua post-chiusura di una miniera) sono scenari che devono essere aggiornati man mano che vengono misurati. Presentare un’unica curva futura “sicura” crea falsa fiducia oscurando l’incertezza.
Errori comuni
- Non controllare il bilancio idrico. L’errore più comune e pericoloso è accettare un modello che si adatti bene ai livelli senza verificare la conservazione della massa.
- Compilazione silenziosa dei dati mancanti. Se i valori di "riempimento" prodotti dall'intelligenza artificiale vengono scambiati per misurazioni reali, la calibrazione poggia su basi fragili.
- Accettare parametri che superano l'intervallo fisico. Tollerare K o valori nutrizionali non realistici per motivi di conformità.
- Considerando automaticamente l'anomalia come reale. Non ogni deviazione è contaminazione; La possibilità di errori di misurazione viene eliminata dal campionamento sul campo e ripetuto.
- Ridurre l'incertezza a una singola curva. Presentare previsioni a lungo termine come risultati finali piuttosto che come scenari.
In sintesi
- L'idrogeologia costruisce il flusso invisibile da osservazioni sparse; Ogni output dell'intelligenza artificiale viene testato rispetto alla conservazione della massa (bilancio idrico).
- L'intelligenza artificiale è potente nelle serie di livello/qualità di pulizia, rilevamento di anomalie e accelerazione della calibrazione; non dovrebbe adattarsi ai parametri.
- Anche se il modello si adatta bene alle osservazioni, potrebbe essere impreciso con parametri non fisici (overfit); Il controllo del bilancio idrico è obbligatorio.
- Ogni numero deve rientrare nell'intervallo fisico (K per sabbia ≈ metri/giorno); L'ordine di grandezza dell'ancora vale anche in idrogeologia.
- Il modello è una previsione; I risultati a lungo termine sono presentati come scenari, con incertezza, e vengono aggiornati man mano che vengono misurati.
Compito dell'applicazione
Recuperare una serie di livelli di pozzo di osservazione resa anonima (o dati rappresentativi). Fare in modo che il modello trovi errori nei dati con il modello "Controllo qualità serie di livelli"; Aggiungere almeno un sensore o un'unità sospettata di congelamento e verificare se lo rileva. Quindi esegui il modello "lista di controllo del bilancio idrico" per uno scenario di modello calibrato e scrivi con un esempio come il modello potrebbe violare il bilancio anche se è conforme ai livelli.
lista di controllo
- [ ] Conosco i concetti e gli ambiti tipici di falda acquifera, conducibilità idraulica, salto e accumulo.
- [ ] Ho acquisito la reflex per verificare la portata delle acque sotterranee con conservazione della massa (bilancio idrico).
- [ ] Utilizzo l'intelligenza artificiale per la pulizia dei dati e l'ordinamento delle anomalie e lascio la decisione dei parametri all'idrogeologo.
- [ ] Riconoscendo il rischio di overfitting, non credo che un buon adattamento sia il modello giusto.
- [ ] Presento i risultati del modello a lungo termine come scenari con incertezza.