Zyski:
- Zrozumienie zastosowań sztucznej inteligencji w mapowaniu podatności na osuwiska, zagrożeniu sejsmicznym i ocenie upłynnienia.
- Możliwość tworzenia klasyfikacji ryzyka i przepływu pracy wczesnego ostrzegania na podstawie wielowymiarowych danych o zagrożeniach
- Możliwość weryfikacji sygnałów wyjściowych dotyczących zagrożeń z uwzględnieniem odpowiedzialności za bezpieczeństwo życia, bilansu fałszywych alarmów i dowodów terenowych
Przedmiotem tej jednostki jest najbardziej odpowiedzialna dziedzina inżynierii geologicznej: katastrofy naturalne i ocena zagrożeń geologicznych. Kosztem błędu nie są tutaj pieniądze, ale życie ludzkie. Jeśli mapa podatności na osuwiska błędnie pokazuje okolicę jako „bezpieczną”, nie są podejmowane żadne działania; Jeśli ocena upłynnienia błędnie odczyta grunt pod szpitalem, konstrukcja może zatonąć podczas trzęsienia ziemi. W tej dziedzinie sztuczna inteligencja wnosi prawdziwą wartość w przetwarzaniu danych wielowymiarowych, wychwytywaniu wzorców i filtrowaniu sygnałów wczesnego ostrzegania. Ale to właśnie w tym obszarze weryfikacja musi być najbardziej rygorystyczna, zgoda inżyniera najbardziej absolutna, a zarządzanie niepewnością jak najbardziej precyzyjne, ponieważ koszt nieprawidłowego wyniku jest najwyższy.
W tej części rozważymy trzy rodzaje zagrożeń przez pryzmat sztucznej inteligencji: mapowanie podatności na osuwiska (przewidywanie na podstawie danych wielowymiarowych, które zbocza są narażone na osunięcie), zagrożenie sejsmiczne (możliwa intensywność ruchu gruntu po trzęsieniu ziemi) i upłynnianie (kiedy nasycony luźny piasek zachowuje się jak ciecz podczas trzęsienia ziemi i traci swoją nośność). Naszym wspólnym tematem jest to, dlaczego fałszywie negatywny wynik w wynikach dotyczących zagrożeń (klasyfikacja faktycznie niebezpiecznego obszaru jako bezpiecznego) jest śmiertelny i jak ustalić progi na korzyść bezpieczeństwa życia.
Bilans fałszywie ujemnych i fałszywie dodatnich
Istnieją dwa rodzaje błędów w klasyfikacji zagrożeń. Fałszywy alarm oznacza klasyfikację bezpiecznego obszaru jako niebezpiecznego; Rezultatem są niepotrzebne koszty, dodatkowa kontrola, być może opóźnienie projektu – jest to bezpieczne z punktu widzenia życia. Fałszywy wynik negatywny oznacza klasyfikację niebezpiecznego obszaru jako bezpiecznego; Rezultatem jest niezastosowanie środków ostrożności i możliwa utrata życia/mienia. Te dwa błędy nie są sobie równe. W obszarach bezpieczeństwa życia próg wybiera się ostrożnie, aby zminimalizować liczbę wyników fałszywie ujemnych; Oznacza to, że w razie wątpliwości przechodzi na niebezpieczną stronę i jest potwierdzany przez potwierdzenie w terenie.
Modele AI zazwyczaj wybierają progi, które maksymalizują ogólną dokładność. Jednak w nauce o zagrożeniach celem nie jest całkowita dokładność, ale ograniczenie liczby fałszywych negatywów. Dlatego też wynikiem modelu powinno być skalibrowane prawdopodobieństwo, a nie „klasa”, a ekspert ds. zagrożeń powinien wyznaczyć próg, znając konsekwencje. Dokładność modelu osuwisk wynosząca 92% jest bezwartościowa, jeśli pomija połowę rzeczywistych osuwisk.
Uwaga: nie daj się zwieść wysokiej ogólnej dokładności modelu zagrożeń. Sprawdź współczynnik chybień (fałszywie ujemny) w przypadku rzadkich, ale śmiertelnych zdarzeń (osuwiska, upłynnienie). Kryterium bezpieczeństwa życia nie polega na tym, aby mieć rację przeciętnie, ale nie przegapić tego, co niebezpieczne.
Mapowanie podatności na osuwiska
Podatność na osuwiska, „czy to miejsce osunie się, gdy zostaną spełnione wszystkie warunki?” odpowiada na pytanie, podając zmienne geologiczne i topograficzne. Dane wejściowe obejmują zazwyczaj: nachylenie, wygląd, litologię, orientację nieciągłości, użytkowanie gruntów, opady, historyczną inwentaryzację osuwisk i wody gruntowe. Sztuczna inteligencja łączy te warstwy i tworzy mapę podatności, ucząc się wzorców występujących wokół poprzednich osuwisk.
Są dwa punkty krytyczne. Po pierwsze, model uczy się na podstawie wcześniejszych inwentaryzacji osuwisk; Jeśli inwentaryzacja jest niekompletna (nie zarejestrowano wielu osuwisk), model w ogóle nie widzi tych wzorców i daje fałszywe wyniki negatywne. Po drugie, wrażliwość nie daje wyzwalacza (kiedy należy się przesunąć), ale podatność (gdzie się przesunąć, jeśli zaistnieją warunki); Mylenie tych dwóch pojęć jest niebezpieczne. Mapa nie może być wykorzystana jako podstawa do podjęcia decyzji bez weryfikacji przez geologa terenowego obserwacji wychodni, pomiarów nieciągłości i śladów przeszłych ruchów.
Zagrożenie sejsmiczne i upłynnianie
Ocena zagrożenia sejsmicznego zapewnia probabilistyczną ocenę ruchu gruntu (przyspieszenia), którego przekroczenia oczekuje się w danym miejscu w danym okresie. Sztuczna inteligencja pomaga w przetwarzaniu baz danych rekordów, porównywaniu zależności przewidywania ruchu gruntu i generowaniu scenariuszy. Jednakże określenie źródeł uskoków, częstotliwości ich powtarzania i wzmocnienia gruntu wymaga wiedzy geologiczno-sejsmologicznej; model nie może do nich pasować.
Ocena upłynnienia mierzy ryzyko utraty nośności nasyconego luźnego piasku w wyniku wibracji wywołanych trzęsieniem ziemi. Klasyczna metoda polega na porównaniu wartości SPT-N (lub CPT) z częstotliwością cykli napięcia wytwarzanego przez trzęsienie ziemi i wyznaczeniu współczynnika bezpieczeństwa. Sztuczna inteligencja porządkuje dane i szybko skanuje potencjał upłynniania w polu wieloodwiertowym; ale wynik jest weryfikowany poprzez ręczne obliczenia przy użyciu metody standardowej (np. lokalnego kodu trzęsienia ziemi). Fałszywy wynik ujemny oznacza, że konstrukcja zapada się w ziemię podczas trzęsienia ziemi.
Trzy mini etui: w liczbach
Przypadek 1 — Uchwycenie brakujących zapasów. Na mapie osuwisk hrabstwa model wyglądał „dobrze” z dokładnością 89%; ale geolog terenowy znalazł trzy stare blizny po osuwiskach (niezarejestrowane) na zboczu doliny, które na mapie uznano za bezpieczne. Model nie mógł nauczyć się tego wzorca, ponieważ inwentarz był niekompletny. Po zaktualizowaniu inwentarza i odnowieniu mapy nachylenie to zostało przełączone na wysoką czułość. Dokładność na poziomie 89% pozwalała ukryć brak najbardziej krytycznego obszaru.
Przypadek 2 – Próg upłynnienia. W miejscu zasypywania plaży model oznaczył 6 z 42 odwiertów jako „ryzyko upłynnienia” z najwyższym średnim progiem dokładności. Kiedy ekspert przesunął próg na stronę konserwatywną, aby ograniczyć liczbę wyników fałszywie ujemnych, oznaczono 11 sondowań; Standardowe obliczenia ręczne potwierdziły, że kolejnych pięć jest naprawdę ryzykownych. Konserwatywny próg pozwolił uniknąć pięciu potencjalnych wyników fałszywie negatywnych; wzrost kosztów był znikomy w porównaniu z potencjalnym ryzykiem dla życia.
Przypadek 3 – Wczesny sygnał ostrzegawczy. Sztuczna inteligencja przetwarzająca dane z radaru i czujnika nachylenia na zboczu odkrywki zasygnalizowała powolne przyspieszenie tempa deformacji i podniosła alarm. Zespół ewakuował obszar; 40 godzin później na zboczu doszło do poważnego osunięcia się, ale nikt nie został ranny. Modelka nie podała dokładnego dnia/godziny; Uwidoczniło to przyspieszający ruch i dało czas ludzkiemu podejmowaniu decyzji.
Słaba podpowiedź/silna podpowiedź
Słaba zachęta:
Czy w tym regionie istnieje ryzyko osunięcia się ziemi? Przyjrzyj się danym i oceń, czy są one bezpieczne czy niebezpieczne. [dane warstwy]
Potężny monit:
Twoja rola: Asystent geologa ds. zagrożeń naturalnych. Nadanie DOKŁADNEJ etykiety „bezpieczny/niebezpieczny” z następującymi zmiennymi. Zamiast tego: 1) Wyjaśnij czynniki, które wpływają na nastroje i kierunek każdego z nich.2) Ustal raczej skalibrowaną logikę prawdopodobieństwa niż klasę; Podaj, dlaczego próg bezpieczeństwa życia powinien być wybierany ostrożnie, aby ograniczyć liczbę fałszywych wyników ujemnych.3) Napisz, w jaki sposób wyniki mogą wprowadzać w błąd, jeśli historyczna inwentaryzacja osuwisk jest niekompletna.4) Wymień 4 punkty, które wymagają potwierdzenia w terenie. Ostateczna ocena należy do upoważnionego inżyniera. Dane są anonimowe.
Cztery szablony do kopiowania
1) Żądanie prawdopodobieństwa zamiast klasy niebezpieczeństwa:
Interpretuj wyniki modelu zagrożenia jako skalibrowane prawdopodobieństwo, a nie ostrą klasę. Porównaj konsekwencje wyników fałszywie negatywnych i fałszywie pozytywnych w tym zakresie i uzasadnij, w którą stronę należy przesunąć próg ze względu na bezpieczeństwo życia.
2) Kontrola niedoborów magazynowych:
Wymień wszelkie przesłanki świadczące o tym, że inwentarz, na podstawie którego tworzony jest model podatności na osuwiska, może być niekompletny (rekordowe lata, objęty obszar, luki w danych). Zaznacz, w których obszarach ten niedobór zwiększyłby ryzyko fałszywie negatywnych wyników.
3) Szkic przesiewania upłynniania:
W przypadku potencjału upłynniania w miejscu wykonywania wielu odwiertów: zalecić przesiew, w przypadku którego odwierty zawierają nasycony luźny piasek, i wymagać podstawowych obliczeń ręcznych. Określ, że musi to zostać zweryfikowane metodą standardową; nie należy podawać dokładnego współczynnika bezpieczeństwa.
4) Interpretacja sygnału wczesnego ostrzegania:
Podsumowanie zmian prędkości i przyspieszenia w serii monitorowania deformacji (nachylenie/radar); Czy występuje alarmujący wzór przyspieszenia? Podanie dokładnego oszacowania czasu; Określ, kiedy/dane są potrzebne do ludzkiej oceny.
Rodzaj zagrożenia, wynik fałszywie negatywny i weryfikacja
Niebezpieczeństwo
Wkład AI
Wynik fałszywie negatywny
Obowiązkowa weryfikacja
podatność na osuwiska
Fuzja warstw, wzór
Myśląc, że pływający obszar jest bezpieczny
Pole + aktualny stan magazynowy
zagrożenie sejsmiczne
Baza danych/scenariusz
Niedocenianie ruchu naziemnego
Ekspert sejsmologiczny + standard
upłynnianie
Skanowanie wielodołkowe
Budynek zapadający się w ziemię
Ręczne obliczenia SPT/CPT + regulacja
wczesne ostrzeganie o zboczu
Filtrowanie sygnału śledzenia
opóźnić wytrysk
Ludzki osąd + potwierdzenie w terenie
Wskazówka: Zawsze sprawdzaj sygnał alarmowy za pomocą pytania „Czy uważa się to za fałszywy alarm, czy za chybiony?” Przeczytaj z pytaniem. Jeśli chodzi o bezpieczeństwo życia, o wiele bardziej akceptowalne jest zniesienie kilku fałszywych alarmów niż jedno przeoczone zagrożenie.
Typowe błędy
- Dać się zwieść ogólnej prawdzie. Wysoka dokładność może przeoczyć rzadkie zdarzenia śmiertelne; Prawdziwym miernikiem jest odsetek wyników fałszywie ujemnych.
- Pozostawienie progu modelowi. Próg bezpieczeństwa życia ustalany jest ostrożnie przez eksperta, który zna konsekwencje; nie jest to automatyczny „najlepszy” próg.
- Ignorowanie brakujących zapasów. Model nie widzi wzorca, którego się nie nauczył; Jeśli brakuje ekwipunku, mapa oszuka bezpieczną stronę.
- Mylenie predyspozycji z wyzwalaczem. Wrażliwość to kwestia „gdzie”, wyzwalacz to kwestia „kiedy”; Obydwa wymagają osobnej weryfikacji.
- Mylenie wczesnego ostrzeżenia z ostateczną przepowiednią. System oszczędza czas; Decyzja i odpowiedzialność za ewakuację należy do danej osoby.
Podsumowując
- Zagrożenia naturalne to najcięższy obszar odpowiedzialności inżynierii geologicznej; Kosztem nieprawidłowego wydruku może być życie.
- Fałszywie negatywny (mylenie niebezpiecznego z bezpiecznym) jest znacznie poważniejszy niż fałszywie pozytywny; Próg wybierany jest ostrożnie, na korzyść życia.
- Ogólna dokładność jest myląca; Kryterium stanowi odsetek pominięć rzadkich zdarzeń śmiertelnych; Dane wyjściowe powinny być skalibrowane prawdopodobieństwem, a nie klasą.
- Model osuwiska nie może uczyć się na podstawie niekompletnej inwentaryzacji; Każda mapa zagrożeń jest weryfikowana poprzez weryfikację terenową i ekspercką.
- Wczesne ostrzeganie oszczędza czas, ale nie jest przepowiednią; Decyzja o ewakuacji i podjęciu środków ostrożności należy do upoważnionego inżyniera i urzędnika.
Zadanie aplikacji
Uzyskaj anonimowy scenariusz zagrożeń (warstwy osuwisk lub odwierty do upłynniania; reprezentatywne dane). Unikaj nadawania modelowi ostrych etykiet i spraw, aby omówił fałszywie ujemny/dodatni bilans za pomocą szablonu „zapytaj o prawdopodobieństwo zamiast klasy zagrożenia”. Następnie skorzystaj ze wzoru „audyt braków magazynowych”, aby dowiedzieć się, gdzie wydruk może wprowadzać w błąd i zapisz listę trzech punktów wymagających weryfikacji terenowej.
lista kontrolna
- [ ] Zrozumiałem różnicę pomiędzy wynikiem fałszywie negatywnym a fałszywie pozytywnym i jej znaczenie dla bezpieczeństwa życia.
- [ ] Oceniam wynik zagrożenia na podstawie współczynnika chybień, a nie ogólnej dokładności.
- [ ] Uważam, że próg powinien być wyznaczany przez eksperta ostrożnie i na korzyść życia.
- [ ] Rozumiem, że model osuwiska nie może uczyć się na podstawie niekompletnej inwentaryzacji i wymaga potwierdzenia w terenie.
- [ ] Używam systemu wczesnego ostrzegania nie jako przepowiedni, ale jako narzędzia, które pozwala zaoszczędzić czas na ludzkie decyzje.