利益:
- 帯水層の特性評価と地下水の流れのモデリングにおいて、AI のデータ準備とキャリブレーションの貢献を使用する機能。
- AIと異常検知による水質、水位、流量データの分析機能
- 質量保存、水理的妥当性、現場測定によりモデル出力を検証する機能
地下水は、私たちが目に見えず、ほとんどの意思決定を行う天然資源です。井戸から得られる水の量、鉱山に排出される水の量、汚染物質が飲料水供給源に到達するまでにかかる時間などはすべて、地下の細孔や亀裂をゆっくりと移動する水の挙動によって決まります。水文地質学 (地下水の科学) は、まばらな観測井戸、地質断面、物理法則からこの目に見えない流れを再構築します。人工知能は、この作業において強力な助けとなります。人工知能は、乱雑な時系列を整理し、欠落しているデータを統合し、異常を検出し、モデルのキャリブレーションを高速化します。しかし、すべてに優先する法則は 1 つあります。それは質量保存です。システムに流入、流出、貯留される水の量は一定でなければなりません。インテリジェントなモデルはこのバランスを破ることはできません。
この単元では、地下水研究の 3 つの AI 側面について説明します。データの準備と異常検出 (水位、流量、水質系列の処理)、帯水層の特性評価 (地下水含有層の特性の予測)、および流れモデルの校正 (数値モデルと観測値の調整) です。あらゆる段階で、人工知能を計算機としてではなく、水収支と現場測定で結果をテストするドラフト生成装置として使用します。
帯水層と基本概念
まずは共通言語を確立しましょう。帯水層は、十分な水を運び、放出できる地質単位 (砂砂利層など) です。透水伝導率 (K) は、水が岩や土壌をどれだけ容易に流れるかを測定します。通常、砂の場合は 1 日あたり数メートルのオーダーですが、粘土の場合は顕微鏡的に低い値です。水頭（ヘッド）は、ある点における水の圧力と高度のエネルギーです。水は常に高負荷から低負荷へ流れます。貯留係数は、単位負荷変化当たり帯水層によって放出/貯留される水の量を示します。これら 4 つの量は、すべてのモデリングの基礎となります。
モデルによって与えられるすべての数値がこれらの物理的範囲に適合する必要があるため、人工知能を使用する場合はこれらの概念を理解しておくことが不可欠です。砂帯水層の K 値は 1 日あたり数センチメートルから数十メートルの範囲です。モデルが「1 日あたり 3 キロメートル」と言っている場合は、物理エラーがあります。これは、前の単元における桁違いのアンカーの水文地質学に特有の形式です。
ステップバイステップ: データの準備、異常、およびキャリブレーション
ステップ 1 — 時系列のクリーニング。観測井からのレベルデータは、欠落日、センサーのスキップ、単位の混乱、大気圧の影響など、不規則であることがよくあります。 AI はこれらの系列を調整し、ギャップにフラグを立て、センサー エラーの可能性 (突然のジャンプ、平坦な線 = フリーズしたセンサー) を検出します。ただし、欠損値を「埋める」ことと欠損値に「マークを付ける」ことは異なります。埋め立てを行う場合、その方法は透明性があり、地質学者の承認が必要です。
ステップ 2 — 異常の検出。水質の突然の変化（導電率、硝酸塩、重金属など）。予期せぬレベルの低下。流量のジャンプ - これらは実際のイベント (汚染、オーバードラフト、漏れ) または測定エラーのいずれかの兆候です。人工知能は異常の候補をランク付けします。どちらが本物であるかを決めるのは水文地質学者です。
ステップ 3 — 帯水層の特性評価。 K と貯留係数は、揚水試験 (一定の流量で井戸から水を汲み上げ、隣接する井戸の水位低下を監視する) データから抽出されます。 AI はカーブフィッティングと代替帯水層モデル (限定/自由/半透水) を加速します。しかし、選択したモデルと現場の地質との適合性は人間の仕事です。
ステップ 4 — 数値モデルのキャリブレーション。有限差分/要素モデルは、帯水層をセルに分割し、各セル内の水の流れを解析します。キャリブレーションとは、観測井戸のレベルと互換性があるようにモデルのパラメータ (K 分布、再充電) を調整することです。 AI/最適化により、この設定が高速化されます。しかし、危険もあります。モデルは観測値によく適合しているものの、物理的に間違ったパラメーター (過剰適合) を使用している可能性があります。したがって、校正後の水分バランス管理は必須です。
ヒント: 校正済みのモデルを受け入れる前に、「水のバランスは崩れていますか?」と尋ねてください。質問: 総投入量 (供給 + 側方流) から総排出量 (喫水 + 排出) を引いたプラス/マイナスの貯蔵変化が ≈ 0 である必要があります。閉じない場合、たとえレベルが一致していても、モデルは信頼できません。
3 つのミニケース: 数字で見る
ケース 1 — センサーのデバッグ。ある監視ネットワークには、11 個の井戸の 18 か月分のレベル データがありました。合計約6000件のレコード。 AI を活用したスキャンでは、2 つの井戸で「凍結センサー」（42 日間まったく同じ値）が検出され、1 つの井戸では単位誤差（メートルではなくフィートが入力）が検出されました。これら 3 つのエラーは手作業で発見するには何時間もかかり、モデルのキャリブレーションに重大な偏りをもたらす可能性があります。抽出により、モデルが確立される前から信頼できるものになりました。
ケース 2 — マスバランス トラップ。鉱山の放水モデルはすべての観測井に 5% 以上適合しており、チームはモデルを検証しようとしていました。水収支チェックの結果、総涵養量はその地域の降雨量データで可能な量の 3 倍であることが判明しました。モデルは非肉体的な食事で調和を「買った」のです。パラメータは現実的な範囲に戻され、再調整されました。フィット感が良いからといって、モデルが適切であるとは限りません。
ケース 3 — 汚染の初期の兆候。人工知能は、飲料水盆地の井戸の導電率系列で、季節パターンから逸脱したゆっくりとした上昇をマークしました。現場検査の結果、近くの保管場所からの漏洩が発見され、汚染が飲用井戸に到達する前に措置が講じられた。モデルが決定したわけではありません。水文地質学者の注意を正しい井戸に向けました。
弱いプロンプト / 強いプロンプト
弱いプロンプト:
この井戸のデータを見て、帯水層がどのようなもので、水がどこへ行くのかを教えてください。 【レベル表】
強力なプロンプト:
あなたの役割: 水文地質学者の助手。以下の観測井戸レベルのシリーズを調べてください。ただし、帯水層パラメータは適合しています。次の手順を実行します。1) データの品質: 欠落、凍結センサー、単位/外れ値、供給油井と日付の疑いをリストします。2) 一般的な傾向 (上昇/下降/季節) および考えられる物理的説明。3) 次のステップで必要なデータ (揚水試験、降水量、重力記録) を指定します。物理的な解釈と校正は水文地質学者が行います。データは匿名です。
強力なプロンプトにより、モデルはデータ管理者および質問編集者の役割を果たします。パラメータフィッティングを明示的に禁止します。
4 つのコピー可能なテンプレート
1) レベルシリーズの品質検査:
一連の観測井戸レベルに次の点をマークします: 欠落日数、連続した同一値 (センサーの凍結)、突然のジャンプ、単位誤差の可能性 (m/フィート/cm)。 Well_id と日付範囲のみを含むリスト。値を入力または削除します。
2) 異常の優先順位付け:
季節パターンから逸脱する水質系列 (パラメーター: 導電率) の変化を、最も可能性の高いものから順にリストします。候補ごとに、実際のイベントと測定エラーを区別するためにどのような追加の制御が必要かを書き留めます。決定は水文地質学者にあります。
3) 水分バランスチェックリスト:
校正された地下水モデルの水バランス制御ステップ (入力項目、出力項目、保管変動、閉鎖誤差の許容限界) を抽出します。モデルがレベルに準拠しているものの、平衡に違反している可能性がある状況の例。
4) ドラフトポンプ試験の解釈:
ポンプ テストのドローダウン時間データの場合: どの帯水層モデル (非限定、限定、半透水) が適切であるか、またそれぞれがサイトの地質にどのように関連しているかを概説します。 K とストレージの正確な数を指定します。合理的な範囲と必要な前提を述べます。
地下水データと検証アンカー
データ/出力
AIの貢献
主なリスク
検証アンカー
レベル時系列
クリーニング、エラー検出
フィッティング詰め物
生データ + フィールドレコーディング
水質シリーズ
異常の選別
誤報/見逃し
サンプル + ラボを繰り返します
ポンピングテスト
曲線フィッティング速度
間違った帯水層モデル
地質学的調和
数値モデルの校正
パラメータの最適化
過学習、非物理的な K
水収支+観察井戸
餌付け・魅力推定
データ融合
バランス違反
降雨量・運行実績
注意: 地下水モデルは予測であり、預言ではありません。数十年先の将来を予測する出力（鉱山の閉山後の水位など）は、測定に応じて更新する必要があるシナリオです。単一の「確実な」将来曲線を提示すると、不確実性が曖昧になり、誤った信頼が生まれます。
よくある間違い
- 水分バランスをチェックしていない。最も一般的で危険な間違いは、質量保存を検証せずに、レベルによく適合するモデルを受け入れることです。
- 不足しているデータを黙って埋める。 AI によって生成された「塗りつぶし」値が実際の測定値と誤って認識される場合、キャリブレーションは薄っぺらな基盤の上にあることになります。
- 物理的範囲を超えるパラメータを受け入れる。コンプライアンスのために非現実的なKや栄養価を容認する。
- 自動的に異常が本物であるとみなします。すべての逸脱が汚染であるわけではありません。フィールドサンプリングと繰り返しサンプリングにより、測定誤差の可能性が排除されます。
- 不確実性を単一の曲線に削減します。シナリオではなく長期予測を最終結果として提示します。
要約すれば
- 水文地質学は、まばらな観察から目に見えない流れを構築します。すべての AI 出力は質量保存 (水分バランス) に対してテストされます。
- AI は、洗浄レベル/品質シリーズ、異常検出、および校正の高速化において強力です。パラメータが適合しないはずです。
- モデルが観測値によく適合したとしても、非物理パラメーターでは不正確になる可能性があります (オーバーフィット)。水分バランス管理は必須です。
- 各数値は物理的な範囲内に収まる必要があります (砂の場合は K ≈ メートル/日)。大きさのオーダーのアンカーは水文地質学にも適用されます。
- モデルは予測です。長期的な結果は不確実性を伴うシナリオとして提示され、測定されるたびに更新されます。
アプリケーションタスク
匿名化された観測井戸レベル系列 (または代表的なデータ) を取得します。 「レベル シリーズ品質チェック」テンプレートを使用して、モデルにデータ エラーを検出させます。凍結の疑いのあるセンサーまたはユニットを少なくとも 1 つ追加し、それが検出されるかどうかをテストします。次に、キャリブレーションされたモデル シナリオの「水バランス チェックリスト」テンプレートを実行し、モデルがレベルに準拠している場合でもバランスにどのように違反する可能性があるかを例とともに書きます。
チェックリスト
- [ ] 私は帯水層、透水係数、落差、貯留の概念と典型的な範囲を知っています。
- [ ] 質量保全（水収支）を伴う地下水出力を検証する反射神経を獲得しました。
- [ ] データのクリーニングと異常の分類には AI を使用し、パラメータの決定は水文地質学者に任せています。
- [ ] 過剰適合のリスクを認識しているため、適切な適合が適切なモデルであるとは思いません。
- [ ] 私は長期モデルの出力を不確実性のあるシナリオとして提示します。