이득:
- 대수층 특성화 및 지하수 흐름 모델링에 AI의 데이터 준비 및 교정 기여를 사용할 수 있는 능력.
- AI 및 이상 감지를 통해 수질, 수위 및 유량 데이터를 분석하는 기능
- 질량 보존, 수리학적 타당성 및 현장 측정을 통해 모델 출력을 검증하는 기능
지하수는 우리가 볼 수는 없지만 가장 많은 결정을 내리는 천연자원입니다. 우물에서 생산되는 물의 양, 광산으로 배출되는 물의 양, 오염 물질이 식수 공급원에 도달하는 데 걸리는 시간 등 모두 물이 기공을 통해 천천히 이동하고 지하 균열을 일으키는 물의 거동에 따라 달라집니다. 수리지질학(지하수의 과학)은 희박한 관찰 우물, 지질 단면 및 물리 법칙에서 보이지 않는 흐름을 재구성합니다. 인공 지능은 이 작업에 강력한 도움이 됩니다. 지저분한 시계열을 정리하고, 누락된 데이터를 통합하고, 이상 현상을 포착하고, 모델 보정 속도를 높입니다. 그러나 모든 것보다 우선하는 법칙은 질량 보존입니다. 시스템에 들어오고 나가고 저장되는 물의 양은 일정해야 합니다. 어떤 지능형 모델도 이 균형을 위반할 수 없습니다.
이 단원에서는 지하수 연구의 세 가지 AI 측면, 즉 데이터 준비 및 이상 탐지(수위, 유량 및 수질 시리즈 처리), 대수층 특성화(지하수 함유층의 특성 예측) 및 흐름 모델 교정(수치 모델을 관찰과 정렬)을 다룰 것입니다. 모든 단계에서 우리는 인공 지능을 계산기가 아닌 물 균형 및 현장 측정으로 결과를 테스트하는 드래프트 생성기로 사용할 것입니다.
대수층과 기본 개념
먼저 공통 언어를 확립합시다. 대수층은 충분한 물을 운반하고 방출할 수 있는 지질 단위(예: 모래-자갈 층)입니다. 수력 전도도(K)는 물이 암석/토양을 통해 얼마나 쉽게 흐르는지를 측정합니다. 일반적으로 모래의 경우 하루 미터 단위이고 점토의 경우 현미경으로 낮습니다. 유압 헤드(head)는 한 지점에서 물의 압력과 고도 에너지입니다. 물은 항상 높은 부하에서 낮은 부하로 흐릅니다. 저장 계수는 단위 부하 변화당 대수층에 의해 방출/저장되는 물의 양을 나타냅니다. 이 네 가지 수량은 모든 모델링의 초석입니다.
모델에서 제공하는 모든 숫자는 이러한 물리적 범위에 맞아야 하기 때문에 인공 지능으로 작업할 때 이러한 개념을 아는 것이 중요합니다. 모래 대수층의 K 값은 하루에 몇 센티미터에서 수십 미터에 이릅니다. 모델에 "하루 3km"라고 표시되면 물리적 오류가 있는 것입니다. 이것은 이전 단위의 크기순 앵커의 수문지질학적 특정 형태입니다.
단계별: 데이터 준비, 이상 징후 및 교정
1단계 — 시계열 정리. 관측 우물의 수위 데이터는 누락된 날짜, 센서 건너뛰기, 단위 혼동, 대기압 효과 등 불규칙한 경우가 많습니다. AI는 이러한 시리즈를 정렬하고 간격을 표시하며 가능한 센서 오류를 감지합니다(갑자기 점프, 플랫 라인 = 센서 정지). 그러나 누락된 값을 "채우는 것"과 "표시하는 것"은 다릅니다. 충전을 하려면 방법이 투명해야 하고 지질학자의 승인을 받아야 합니다.
2단계 - 이상 탐지. 수질의 급격한 변화(예: 전도성, 질산염, 중금속) 예상치 못한 레벨 하락; 유량 급증 - 이는 실제 사건(오염, 초과 인출, 누출) 또는 측정 오류의 징후입니다. 인공 지능은 후보 변칙의 순위를 매깁니다. 수리지질학자는 어느 것이 진짜인지 결정합니다.
3단계 - 대수층 특성화. K와 저장계수는 펌핑 테스트(일정한 유속으로 우물에서 물을 끌어오고 인접한 우물의 수위 저하를 모니터링하는) 데이터에서 추출됩니다. AI는 곡선 피팅 및 대체 대수층 모델(제한/자유/반투과성)을 가속화합니다. 그러나 선택한 모델과 현장의 지질학적 호환성은 인간의 작업입니다.
4단계 - 수치 모델 교정. 유한 차분/요소 모델은 대수층을 셀로 나누고 각 셀의 물 흐름을 해결합니다. 교정은 관측 우물 수준과 호환되도록 모델 매개변수(K 분포, 재충전)를 조정하는 것입니다. AI/최적화는 이 설정 속도를 높입니다. 그러나 위험이 있습니다. 모델이 관측값에 잘 맞을 수 있지만 물리적으로 잘못된 매개변수(과적합)가 있을 수 있습니다. 따라서 교정 후 수분 밸런스 조절이 필수적입니다.
팁: 보정된 모델을 승인하기 전에 "물 균형이 맞지 않습니까?"라고 물어보십시오. 질문: 총 입력(공급 + 측면 흐름)에서 총 출력(초안 + 방류) +/- 저장 변화를 뺀 값은 ≒ 0이어야 합니다. 닫히지 않으면 모델이 수준과 일치하더라도 신뢰할 수 없습니다.
세 가지 미니 케이스: 숫자로 알아보기
사례 1 - 센서 디버깅. 한 모니터링 네트워크에는 11개 유정에 대한 18개월 간의 수준 데이터가 있었습니다. 총 약 6000개의 레코드. AI 기반 스캔은 두 개의 우물에서 '동결된 센서'(42일 동안 정확히 동일한 값)와 한 우물에서 단위 오류(미터 대신 피트 입력)를 감지했습니다. 손으로 찾는 데 몇 시간이 걸리는 이 세 가지 오류는 모델 보정을 심각하게 편향시킬 수 있습니다. 추출을 통해 모델이 확립되기도 전에 신뢰할 수 있게 되었습니다.
사례 2 — 물질수지 트랩. 광산 방류 모델은 모든 관측 우물에 5% 이상 잘 들어맞았고, 팀은 모델을 검증하려고 했습니다. 물 균형 점검을 통해 총 재충전량이 해당 지역의 강수량 데이터로 가능한 것보다 3배 더 많은 것으로 나타났습니다. 모델은 비신체적 식단과의 조화를 "구매"했습니다. 매개변수를 현실적인 범위로 되돌리고 재보정했습니다. 핏이 좋다는 것이 꼭 맞는 모델을 의미하는 것은 아닙니다.
사례 3 - 오염의 초기 신호. 식수통 우물의 전도도 계열에서는 인공지능이 계절적 패턴을 벗어나 완만하게 상승하는 모습을 보였다. 현장 조사 결과 인근 저장 공간에서 누출이 발견되었으며 오염 물질이 식수원에 도달하기 전에 조치가 취해졌습니다. 모델이 결정한 것이 아닙니다. 수문지질학자의 주의를 올바른 우물로 향하게 했습니다.
약한 프롬프트 / 강한 프롬프트
약한 프롬프트:
이 우물 데이터를 보고 대수층이 어떤지, 물이 어디로 가는지 말해주세요. [레벨 테이블]
강력한 프롬프트:
귀하의 역할: 수문지질학자 조수. 아래 관측 우물 수준 시리즈를 검토하세요. 그러나 대수층 매개변수는 FITTED입니다. 다음을 수행하십시오. 1) 데이터 품질: 누락, 동결 센서, 단위/이상치, 유정 및 날짜에 대한 의심 목록을 나열하십시오. 2) 일반적인 추세(상승/하강/계절) 및 가능한 물리적 설명. 3) 다음 단계에 필요한 데이터(펌프 테스트, 강수량, 중력 기록)를 지정하십시오. 물리적 해석 및 보정은 수문지질학자에게 속합니다. 이것을 명시하십시오. 데이터는 익명입니다.
강력한 프롬프트는 모델을 데이터 컨트롤러 및 질문 편집자의 역할에 배치합니다. 매개변수 피팅을 명시적으로 금지합니다.
복사 가능한 템플릿 4개
1) 레벨 시리즈 품질 검사:
관측 우물 레벨 시리즈에서 다음을 표시하십시오: 누락된 일수, 연속 동일한 값(센서 정지), 급격한 점프, 가능한 단위 오류(m/feet/cm). Well_id 및 날짜 범위만 나열합니다. 값을 채우거나 삭제합니다.
2) 이상 징후 우선순위:
계절 패턴에서 벗어나는 수질 계열(매개변수: 전도도)의 변화를 가능성이 가장 높은 것부터 나열합니다. 각 후보에 대해 실제 사건과 측정 오류를 구별하기 위해 어떤 추가 제어가 필요한지 적어 보십시오. 결정은 수문지질학자에게 달려 있습니다.
3) 수분 균형 체크리스트:
보정된 지하수 모델에 대한 물 균형 제어 단계(입력 항목, 출력 항목, 저장 변동 및 폐쇄 오류 허용 한계)를 추출합니다. 모델이 수준을 준수하지만 평형을 위반하는 상황의 예입니다.
4) 드래프트 펌핑 테스트 해석:
펌프 테스트 감소 시간 데이터의 경우: 어떤 대수층 모델(비제한, 제한, 반투과성)이 적절할 수 있는지, 그리고 각 모델이 해당 지역의 지질학적 특성과 어떻게 관련되는지 설명합니다. K 및 저장에 대한 정확한 숫자 제공 합리적인 범위와 필요한 가정을 기술하십시오.
지하수 데이터 및 검증 앵커
데이터/출력
AI 기여
주요 위험
검증 앵커
레벨 시계열
청소, 오류 감지
피팅 채우기
원시 데이터 + 현장 기록
수질 시리즈
이상 정렬
허위 경보/실패
샘플 + 실험실 반복
펌핑 테스트
곡선 피팅 속도
잘못된 대수층 모델
지질학적 조화
수치 모델 교정
매개변수 최적화
과적합, 비물리적 K
유수지 + 관찰우물
먹이주기/유인력 추정
데이터 융합
잔액 위반
강우량/운영기록
주의: 지하수 모델은 예측이 아니라 예측입니다. 수십 년 후의 미래를 예상하는 산출물(예: 광산 폐쇄 후 수위)은 측정 시 업데이트되어야 하는 시나리오입니다. 하나의 "확실한" 미래 곡선을 제시하면 불확실성을 모호하게 하여 잘못된 확신을 갖게 됩니다.
일반적인 실수
- 수분 밸런스를 확인하지 않습니다. 가장 흔하고 위험한 실수는 질량 보존을 검증하지 않고 수준에 잘 맞는 모델을 받아들이는 것입니다.
- 누락된 데이터를 자동으로 채웁니다. AI가 생성한 "채우기" 값을 실제 측정값으로 착각하는 경우 보정이 허약한 기반에 있습니다.
- 물리적 범위를 초과하는 매개변수를 허용합니다. 규정 준수를 위해 비현실적인 K 또는 영양가를 용인합니다.
- 자동으로 이상 현상을 현실로 간주합니다. 모든 편차가 오염인 것은 아닙니다. 현장 및 반복 샘플링을 통해 측정 오류 가능성이 제거됩니다.
- 불확실성을 단일 곡선으로 줄입니다. 시나리오가 아닌 최종 결과로 장기적인 예측을 제시합니다.
요약하면
- 수문지질학은 드문드문한 관찰을 통해 보이지 않는 흐름을 구성합니다. 모든 AI 출력은 질량 보존(물 균형)에 대해 테스트됩니다.
- AI는 청소 수준/품질 시리즈, 이상 감지 및 교정 가속화에 강력합니다. 매개변수에 맞지 않아야 합니다.
- 모델이 관측값에 잘 맞는 경우에도 비물리적 매개변수(과적합)로 인해 부정확할 수 있습니다. 수분 균형 조절은 필수입니다.
- 각 숫자는 물리적 범위(모래의 경우 K ≒ 미터/일) 내에 맞아야 합니다. 크기 앵커의 순서는 수문지질학에도 적용됩니다.
- 모델은 예측입니다. 장기적인 결과는 불확실성이 있는 시나리오로 제시되며 측정 시 업데이트됩니다.
응용과제
익명화된 관측 우물 수준 시리즈(또는 대표 데이터)를 검색합니다. 모델이 "레벨 시리즈 품질 확인" 템플릿을 사용하여 데이터 오류를 찾도록 합니다. 얼어붙은 것으로 의심되는 센서 또는 장치를 하나 이상 추가하고 이를 감지하는지 테스트하십시오. 그런 다음 보정된 모델 시나리오에 대해 "물 균형 체크리스트" 템플릿을 실행하고 모델이 수준을 준수하더라도 어떻게 균형을 위반할 수 있는지 예를 들어 작성합니다.
체크리스트
- [ ] 나는 대수층, 수리 전도도, 수두 및 저장소의 개념과 일반적인 범위를 알고 있습니다.
- [ ] 대량보존(물수지)을 통해 지하수 생산량을 검증하는 반사능력을 획득했습니다.
- [ ] 저는 데이터 정리와 이상 현상 정렬에 AI를 사용하고 매개변수 결정은 수문지질학자에게 맡깁니다.
- [ ] 과적합의 위험을 인식하고 있어, 적합도가 좋은 모델은 적합하지 않다고 생각합니다.
- [ ] 나는 장기적인 모델 결과를 불확실성이 있는 시나리오로 제시합니다.