Guadagni:
- Comprendere gli usi dell'intelligenza artificiale nella mappatura della suscettibilità alle frane, nella valutazione del rischio sismico e della liquefazione.
- Capacità di creare una classificazione del rischio e un flusso di lavoro di allarme rapido da dati multivariati sui pericoli
- Capacità di verificare le uscite pericolose con responsabilità per la sicurezza della vita, equilibrio dei falsi allarmi e prove sul campo
L'oggetto di questa unità è l'area più responsabile dell'ingegneria geologica: valutazione dei disastri naturali e dei rischi geologici. Il costo di un errore qui non è il denaro, ma la vita umana. Se una mappa di suscettibilità alle frane mostra erroneamente un quartiere come “sicuro”, non viene intrapresa alcuna azione; Se una valutazione della liquefazione interpreta erroneamente il terreno sotto un ospedale, la struttura potrebbe affondare durante un terremoto. In questo campo, l’intelligenza artificiale produce valore reale nell’elaborazione di dati multivariati, nell’acquisizione di modelli e nel filtraggio dei segnali di allarme precoci. Ma è proprio in quest’area che la verifica deve essere più rigorosa, l’approvazione dell’ingegnere più assoluta e la gestione dell’incertezza più precisa, perché il costo di un risultato errato è più alto.
In questa unità, considereremo tre tipi di rischi attraverso la lente dell'intelligenza artificiale: mappatura della suscettibilità alle frane (prevedere da dati multivariati quali pendii sono a rischio di scivolamento), pericolo sismico (possibile intensità del movimento del suolo sismico) e liquefazione (quando la sabbia sciolta satura si comporta come un liquido durante un terremoto e perde la sua capacità portante). Il nostro tema comune è perché un falso negativo sui risultati di pericolo (classificare un’area effettivamente pericolosa come sicura) è fatale e come impostare soglie a favore della sicurezza della vita.
Equilibrio tra falsi negativi e falsi positivi
Esistono due tipi di errori nella classificazione dei pericoli. Un falso positivo significa classificare un'area sicura come pericolosa; Il risultato sono costi inutili, controlli aggiuntivi e forse il ritardo di un progetto: va sul sicuro in termini di vita. Un falso negativo classifica un'area pericolosa come sicura; Il risultato è la mancata adozione di precauzioni e la possibile perdita di vite umane/proprietà. Questi due errori non sono uguali. Nelle aree relative alla sicurezza della vita, la soglia viene scelta con cautela per ridurre al minimo i falsi negativi; Cioè, in caso di dubbio, si passa dalla parte pericolosa e viene confermato dalla conferma sul campo.
I modelli di intelligenza artificiale generalmente scelgono soglie che massimizzano la precisione complessiva. Ma nella scienza dei rischi, l’obiettivo non è la precisione totale ma mantenere bassi i falsi negativi. Pertanto, l'output del modello dovrebbe essere una probabilità calibrata, non una "classe", e la soglia dovrebbe essere fissata dall'esperto di pericoli, conoscendo le conseguenze. La precisione del 92% di un modello di frana è inutile se non rileva la metà delle frane effettive.
Attenzione: non fatevi ingannare dall'elevata precisione complessiva di un modello di pericolo. Guarda il tasso di mancato successo (falso negativo) per eventi rari ma mortali (frane, liquefazione). Il criterio per la sicurezza della vita non è avere ragione nella media, ma non trascurare ciò che è pericoloso.
Mappatura della suscettibilità alle frane
Suscettibilità alle frane: "questo posto scivolerà quando tutte le condizioni saranno soddisfatte?" risponde alla domanda con variabili geologiche e topografiche. Gli input sono tipicamente: pendenza, aspetto, litologia, orientamento della discontinuità, uso del suolo, precipitazioni, inventario storico delle frane e acque sotterranee. L’intelligenza artificiale fonde questi strati e produce una mappa di suscettibilità imparando il modello delle frane passate.
I punti critici sono due. Innanzitutto, il modello apprende dall’inventario delle frane passate; Se l'inventario è incompleto (molte frane non vengono registrate) il modello non è in grado di vedere tali modelli e produce falsi negativi. In secondo luogo, la sensibilità non dà l’innesco (quando cambiare) ma la suscettibilità (dove cambiare se si presentano le condizioni); È pericoloso confondere le due cose. La mappa non può essere utilizzata come base per una decisione senza essere verificata dall'osservazione degli affioramenti da parte del geologo, dalla misurazione delle discontinuità e dalle tracce dei movimenti passati.
Pericolosità sismica e liquefazione
La valutazione della pericolosità sismica fornisce una stima probabilistica del movimento del suolo (accelerazione) che si prevede verrà superato in un dato periodo di tempo in un sito. L'intelligenza artificiale aiuta nell'elaborazione di database di record, nel confronto delle relazioni di previsione del movimento del suolo e nella generazione di scenari. Tuttavia, la definizione delle sorgenti di faglia, degli intervalli di ricorrenza e dell'amplificazione del terreno richiedono competenze geologico-sismologiche; il modello non può adattarsi a loro.
La valutazione della liquefazione misura il rischio che la sabbia sciolta satura perda la sua capacità portante a causa delle vibrazioni del terremoto. Il metodo classico consiste nel confrontare il valore SPT-N (o CPT) con la frequenza del ciclo di tensione prodotta dal terremoto e ricavare un fattore di sicurezza. L’intelligenza artificiale organizza i dati ed esegue rapidamente la scansione del potenziale di liquefazione in un campo a più pozzi; ma il risultato è verificato mediante calcolo manuale utilizzando il metodo standard (ad esempio, codice sismico locale). Un falso negativo qui significa che una struttura sprofonda nel terreno durante un terremoto.
Tre mini custodie: i numeri
Caso 1: acquisizione dell'inventario mancante. Su una mappa delle frane della contea, il modello sembrava “buono” con una precisione dell’89%; ma il geologo sul campo ha trovato tre vecchie cicatrici di frana (non registrate) su un pendio della valle che la mappa mostrava come sicuro. Il modello non ha potuto apprendere questo modello perché l'inventario era incompleto. Quando l'inventario è stato aggiornato e la mappa è stata rinnovata, la pendenza è passata alla sensibilità elevata. La precisione dell'89% nasconde la mancanza dell'area più critica.
Caso 2 — Soglia di liquefazione. In un sito di riempimento di una spiaggia, il modello ha contrassegnato 6 trivellazioni su 42 come “rischio di liquefazione” con la soglia di precisione media più alta. Quando l'esperto ha spostato la soglia sul lato conservativo per ridurre i falsi negativi, sono stati segnalati 11 sondaggi; Altri cinque sono stati confermati come veramente rischiosi dal calcolo della mano standard. La soglia conservativa ha consentito di evitare cinque potenziali falsi negativi; l'aumento dei costi è stato trascurabile rispetto al potenziale rischio per la vita.
Caso 3 — Segnale di allarme precoce. L'intelligenza artificiale che elabora i dati del radar e dei sensori di pendenza su un pendio a cielo aperto ha segnalato una lenta accelerazione del tasso di deformazione e ha lanciato un allarme. La squadra ha evacuato l'area; 40 ore dopo si è verificata una grande frana sul pendio, ma nessuno è rimasto ferito. Il modello non ha indicato il giorno/l'ora esatta; Ha reso visibile il movimento in accelerazione e ha dato tempo al processo decisionale umano.
Prompt debole / Prompt forte
Suggerimento debole:
Esiste il rischio frane in questa regione? Osserva i dati e stabilisci se sono sicuri o pericolosi.[layer data]
Suggerimento potente:
Il tuo ruolo: assistente geologo dei rischi naturali. Assegnare l'etichetta ESATTA "sicuro/pericoloso" con le seguenti variabili. Invece: 1) Spiegare i fattori che contribuiscono al sentimento e la direzione di ciascuno. 2) Stabilire una logica di probabilità calibrata piuttosto che di classe; Spiega perché la soglia per la sicurezza della vita dovrebbe essere scelta con cautela per ridurre i falsi negativi.3) Scrivi come l'output potrebbe essere fuorviante se l'inventario storico delle frane è incompleto.4) Elencare 4 punti che devono essere confermati sul campo. La valutazione finale spetta all'ingegnere autorizzato. I dati sono anonimi.
Quattro modelli copiabili
1) Richiesta di probabilità anziché di classe di pericolo:
Interpretare l'output del modello di rischio come una probabilità calibrata piuttosto che come una classe precisa. Confrontare le conseguenze dei falsi negativi e dei falsi positivi in questo campo e giustificare in che modo dovrebbe essere spostata la soglia per la sicurezza della vita.
2) Verifica della carenza di inventario:
Elencare eventuali indicazioni che l'inventario su cui è stato addestrato il modello di suscettibilità alle frane potrebbe essere incompleto (anni record, area coperta, lacune nei dati). Segna in quali aree questa carenza aumenterebbe il rischio di falsi negativi.
3) Schizzo dello screening della liquefazione:
Per il potenziale di liquefazione in un sito con perforazione multipla: consigliare uno screening di quali fori contengono sabbia sciolta satura e richiedono un calcolo manuale primario. Specificare che deve essere verificato con il metodo standard; non fornire un coefficiente di sicurezza esatto.
4) Interpretazione dei segnali di allarme precoce:
Riepilogare le variazioni di velocità e accelerazione nella serie di monitoraggio delle deformazioni (pendenza/radar); Esiste un modello di accelerazione allarmante? Fornire una stima esatta del tempo; Specificare quando/i dati sono necessari per il giudizio umano.
Tipo di pericolo, falso negativo e verifica
Pericolo
Contributo dell'IA
Risultato di falso negativo
Verifica obbligatoria
suscettibilità da frana
Fusione di strati, modello
Pensare che l'area galleggiante sia sicura
Campo + inventario attuale
pericolo sismico
Database/scenario
Sottovalutare il moto del suolo
Esperto sismologico + standard
liquefazione
Scansione multi-pozzetto
Edificio che sprofonda nel terreno
Calcolo manuale SPT/CPT + regolazione
preavviso di pendenza
Filtraggio del segnale di traccia
ritardare l'eiaculazione
Giudizio umano + conferma sul campo
Suggerimento: controlla sempre l'uscita di soccorso con la domanda "È considerato un falso allarme o un errore mancato?" Leggi con la domanda. Nella sicurezza della vita, è molto più accettabile sopportare qualche falso allarme piuttosto che un singolo pericolo mancato.
Errori comuni
- Essere ingannati dalla verità generale. L'elevata precisione potrebbe non rilevare rari eventi fatali; La vera metrica è il tasso di falsi negativi.
- Lasciare la soglia al modello. La soglia di sicurezza della vita è fissata con cautela dall'esperto che conosce le conseguenze; non una soglia "migliore" automatica.
- Ignorando l'inventario mancante. Il modello non può vedere lo schema che non ha appreso; Se manca l'inventario, la mappa ingannerà la sicurezza.
- Confondere la predisposizione con il grilletto. La sensibilità è una questione di "dove", l'innesco è una questione di "quando"; Entrambi richiedono una verifica separata.
- Confondere un avvertimento precoce come una profezia definitiva. Il sistema fa risparmiare tempo; La decisione e la responsabilità di evacuare spetta alla persona.
In sintesi
- I rischi naturali rappresentano l’area di responsabilità più importante dell’ingegneria geologica; Il costo di un risultato sbagliato potrebbe essere la vita.
- Il falso negativo (confondere il pericolo con il sicuro) è molto più grave del falso positivo; La soglia è scelta con cautela, a favore della vita.
- L'accuratezza generale è fuorviante; Il criterio è il tasso di eventi fatali rari mancanti; L'output dovrebbe essere una probabilità calibrata, non una classe.
- Il modello delle frane non può imparare da un inventario incompleto; Ogni mappa dei pericoli viene verificata mediante verifica sul campo e da parte di esperti.
- L’allarme tempestivo fa risparmiare tempo ma non è una profezia; La decisione di evacuare e prendere precauzioni spetta all'ingegnere e al funzionario autorizzato.
Compito dell'applicazione
Recuperare uno scenario di pericolo in forma anonima (strati di frana o pozzi di liquefazione; dati rappresentativi). Evitare che il modello dia etichette dure e fargli discutere il bilancio falso negativo/positivo con il modello "chiedi probabilità anziché classe di pericolo". Quindi utilizza il modello "verifica della carenza di inventario" per scoprire dove la stampa potrebbe essere fuorviante e annotare un elenco di tre punti che richiedono la verifica sul campo.
lista di controllo
- [ ] Ho capito la differenza tra falso negativo e falso positivo e la sua importanza per la sicurezza della vita.
- [] Valuto l'output del rischio in base al tasso di errori piuttosto che alla precisione complessiva.
- [ ] Credo che la soglia debba essere fissata da un esperto con cautela e in favore della vita.
- [ ] Comprendo che il modello della frana non può apprendere da un inventario incompleto e richiede una conferma sul campo.
- [ ] Utilizzo il sistema di allerta precoce non come una profezia, ma come uno strumento che fa risparmiare tempo alle decisioni umane.