Прибыль:
- Понимание использования ИИ для картирования подверженности оползням, оценки сейсмической опасности и разжижения.
- Способность создавать классификацию рисков и рабочий процесс раннего предупреждения на основе многомерных данных об опасностях.
- Возможность проверки выходных данных об опасностях с учетом ответственности за безопасность жизни, баланса ложных тревог и доказательств на местах
Предметом данного раздела является наиболее ответственная область инженерно-геологической деятельности: оценка стихийных бедствий и геологической опасности. Цена ошибки здесь – не деньги, а человеческая жизнь. Если на карте подверженности оползням район неправильно указан как «безопасный», никаких действий не предпринимается; Если оценка разжижения неверно определит грунт под больницей, конструкция может затонуть во время землетрясения. В этой области искусственный интеллект приносит реальную пользу при обработке многомерных данных, выявлении закономерностей и фильтрации сигналов раннего предупреждения. Но именно в этой области проверка должна быть самой строгой, инженерное одобрение - самым абсолютным, а управление неопределенностью - самым точным, потому что цена неправильного результата самая высокая.
В этом разделе мы рассмотрим три типа опасностей через призму искусственного интеллекта: картирование оползнеопасности (прогнозирование на основе многомерных данных того, какие склоны подвержены риску оползня), сейсмическая опасность (возможная интенсивность землетрясения, движение грунта) и разжижение (когда насыщенный рыхлый песок во время землетрясения действует как жидкость и теряет несущую способность). Наша общая тема — почему ложноотрицательный результат по опасным выводам (отнесение действительно опасной зоны к безопасной) является фатальным и как установить пороговые значения в пользу безопасности жизнедеятельности.
Баланс ложноотрицательных и ложноположительных результатов
При классификации опасностей выделяют два типа ошибок. Ложное срабатывание классифицирует безопасную зону как опасную; Результатом являются ненужные затраты, дополнительная проверка и, возможно, задержка проекта — это безопасно с точки зрения жизни. Ложноотрицательный результат означает, что опасная зона классифицируется как безопасная; Результатом является несоблюдение мер предосторожности и возможная гибель людей/имущества. Эти две ошибки не равны. В области безопасности жизнедеятельности порог выбирается осторожно, чтобы свести к минимуму ложноотрицательные результаты; То есть при возникновении сомнений он перекатывается в опасную сторону и подтверждается полевыми подтверждениями.
Модели ИИ обычно выбирают пороговые значения, которые максимизируют общую точность. Но в науке об опасностях целью является не абсолютная точность, а снижение количества ложноотрицательных результатов. Следовательно, выходные данные модели должны представлять собой калиброванную вероятность, а не «класс», а пороговое значение должен устанавливать эксперт по опасностям, зная последствия. Точность модели оползней в 92% бесполезна, если она не учитывает половину реальных оползней.
Внимание: не обманывайтесь высокой общей точностью модели опасностей. Посмотрите на частоту промахов (ложноотрицательный результат) для редких, но смертельных событий (оползней, разжижения). Критерий безопасности жизнедеятельности – не оказаться правым в среднем, а не пропустить опасное.
Картирование подверженности оползням
Подверженность оползням: «Будет ли это место скользить, когда будут соблюдены все условия?» отвечает на вопрос с помощью геологических и топографических переменных. Входными данными обычно являются: уклон, аспект, литология, ориентация неоднородностей, землепользование, осадки, историческая инвентаризация оползней и грунтовые воды. Искусственный интеллект объединяет эти слои и создает карту восприимчивости, изучая закономерности прошлых оползней.
Есть два критических момента. Во-первых, модель учится на прошлых обвалах; Если инвентаризация неполная (многие оползни не зафиксированы), модель вообще не может увидеть эти закономерности и выдает ложноотрицательные результаты. Во-вторых, чувствительность дает не триггер (когда смещаться), а восприимчивость (куда смещаться, если возникнут условия); Опасно путать эти два понятия. Карту нельзя использовать в качестве основы для принятия решения без проверки ее наблюдениями полевых геологов, измерениями разрывов и следами прошлых перемещений.
Сейсмическая опасность и сжижение
Оценка сейсмической опасности дает вероятностную оценку движения грунта (ускорения), которое, как ожидается, будет превышено в определенный период времени на площадке. Искусственный интеллект помогает обрабатывать базы данных записей, сравнивать зависимости прогнозирования движения грунта и генерировать сценарии. Однако определение источников разломов, периодичности повторяемости и усиления грунта требует геолого-сейсмологической экспертизы; модель им не подходит.
Оценка разжижения позволяет оценить риск потери несущей способности насыщенного рыхлого песка из-за сейсмической вибрации. Классический метод заключается в сравнении значения SPT-N (или CPT) с частотой цикла напряжения, вызванного землетрясением, и получения коэффициента безопасности. ИИ систематизирует данные и быстро сканирует потенциал сжижения на многоскважинном месторождении; но результат проверяется ручным расчетом с использованием стандартного метода (например, местного кода землетрясения). Ложноотрицательный результат здесь означает, что конструкция проваливается в землю во время землетрясения.
Три мини-кейса: в цифрах
Случай 1. Сбор недостающих запасов. На карте округа модель выглядела «хорошо» с точностью 89%; но полевой геолог обнаружил три старых шрама от оползня (неучтенных) на склоне долины, который, по карте, был безопасным. Модель не смогла изучить эту закономерность, поскольку инвентарь был неполным. Когда инвентарь был обновлен и карта обновлена, этот наклон переключился на высокую чувствительность. Точность 89% скрыла промах наиболее важной области.
Случай 2. Порог разжижения. На участке насыпи на пляже модель пометила 6 из 42 бурений как «риск разжижения» с самым высоким средним порогом точности. Когда эксперт переместил порог в консервативную сторону, чтобы уменьшить количество ложноотрицательных результатов, было отмечено 11 зондирований; Еще пять были подтверждены как действительно рискованные стандартным ручным расчетом. Консервативный порог позволил сохранить пять потенциальных ложноотрицательных результатов; увеличение стоимости было незначительным по сравнению с потенциальным риском для жизни.
Случай 3. Сигнал раннего предупреждения. Искусственный интеллект, обрабатывающий данные радара и датчиков уклона на откосе карьера, отметил медленное ускорение скорости деформации и поднял тревогу. Группа покинула этот район; Спустя 40 часов на склоне произошел крупный оползень, но никто не пострадал. Модель не назвала точный день/время; Это сделало ускоряющееся движение видимым и дало время человеку для принятия решений.
Слабая подсказка/Сильная подсказка
Слабая подсказка:
Есть ли риск оползней в этом регионе? Посмотрите на данные и скажите, безопасно это или опасно. [данные слоя]
Мощная подсказка:
Ваша роль: Помощник геолога по опасным природным явлениям. Присвоение ТОЧНОЙ метки «безопасно/опасно» со следующими переменными. Вместо этого: 1) Объясните факторы, влияющие на настроения, и направление каждого из них. 2) Установите выверенную вероятностную логику, а не класс; Укажите, почему порог безопасности жизни следует выбирать осторожно, чтобы уменьшить количество ложноотрицательных результатов. 3) Напишите, как результаты могут вводить в заблуждение, если историческая инвентаризация оползней неполна. 4) Перечислите 4 пункта, которые необходимо подтвердить на местах. Окончательная оценка принадлежит уполномоченному инженеру. Данные анонимны.
Четыре копируемых шаблона
1) Запрос вероятности вместо класса опасности:
Интерпретируйте выходные данные модели опасностей как калиброванную вероятность, а не как точный класс. Сравните последствия ложноотрицательных и ложноположительных результатов в этой области и обоснуйте, в какую сторону следует сместить порог безопасности жизнедеятельности.
2) Аудит товарно-материальных запасов:
Перечислите любые признаки того, что кадастр, на котором построена модель восприимчивости к оползням, может быть неполным (рекордные годы, охваченная территория, пробелы в данных). Отметьте, в каких областях этот недостаток может увеличить риск ложноотрицательных результатов.
3) Эскиз скрининга сжижения:
В случае потенциального разжижения на участке с несколькими буровыми установками: рекомендовать проверку того, какие скважины содержат насыщенный рыхлый песок и требуют первичного ручного расчета. Укажите, что оно должно быть проверено стандартным методом; не дают точного коэффициента безопасности.
4) Интерпретация сигналов раннего предупреждения:
Обобщить изменения скорости и ускорения в серии мониторинга деформаций (наклон/радар); Есть ли тревожная тенденция ускорения? Даем точную оценку времени; Укажите, когда/данные необходимы для человеческого суждения.
Тип опасности, ложноотрицательный результат и проверка
Опасность
Вклад ИИ
Результат ложноотрицательного результата
Обязательная верификация
подверженность оползням
Слияние слоев, узор
Думая, что плавучая зона безопасна
Поле + текущий инвентарь
сейсмическая опасность
База данных/сценарий
Недооценка движения земли
Сейсмолог + стандарт
сжижение
Многоскважинное сканирование
Здание проваливается под землю
Ручной расчет SPT/CPT + регулировка
раннее предупреждение о уклоне
Фильтрация трассировочного сигнала
задержка эякуляции
Человеческое суждение + подтверждение на местах
Совет: Всегда проверяйте сигнал бедствия с помощью вопроса «Считается ли это ложной тревогой или промахом?» Читай с вопросом. В сфере безопасности жизнедеятельности гораздо более приемлемо пережить несколько ложных тревог, чем одну пропущенную опасность.
Распространенные ошибки
- Быть обманутым общей истиной. Высокая точность может пропустить редкие фатальные события; Настоящая метрика — это уровень ложноотрицательных результатов.
- Оставляем порог модели. Порог безопасности жизни осторожно устанавливается экспертом, который знает последствия; не автоматический «лучший» порог.
- Игнорирование недостающего инвентаря. Модель не может увидеть шаблон, который она не усвоила; Если инвентарь отсутствует, карта обманет безопасную сторону.
- Путаница предрасположенности с триггером. Чувствительность — это вопрос «где», триггер — вопрос «когда»; Оба требуют отдельной проверки.
- Принятие раннего предупреждения за окончательное пророчество. Система экономит время; Решение и ответственность за эвакуацию принадлежат самому человеку.
В заключение
- Природные опасности являются самой тяжелой зоной ответственности инженерно-геологической службы; Цена неправильного результата может стоить жизни.
- Ложноотрицательный результат (принятие опасного за безопасное) гораздо серьезнее, чем ложноположительный; Порог выбран осторожно, в пользу жизни.
- Общая точность вводит в заблуждение; Критерием является частота пропуска редких фатальных событий; Выходными данными должна быть калиброванная вероятность, а не класс.
- Модель оползня не может учиться на неполной инвентаризации; Каждая карта опасностей проверена полевыми и экспертными проверками.
- Раннее предупреждение экономит время, но не является пророчеством; Решение об эвакуации и принятии мер предосторожности принадлежит уполномоченному инженеру и должностному лицу.
Задача приложения
Получите анонимный сценарий опасности (слои оползней или скважины для разжижения; репрезентативные данные). Не позволяйте модели давать резкие ярлыки и заставьте ее обсуждать ложноотрицательный/положительный баланс с помощью шаблона «запрашивайте вероятность вместо класса опасности». Затем воспользуйтесь шаблоном «Аудит нехватки запасов», чтобы выяснить, где распечатка может вводить в заблуждение, и запишите список из трех пунктов, требующих проверки на местах.
контрольный список
- [ ] Я понял разницу между ложноотрицательными и ложноположительными результатами и их важность для безопасности жизни.
- [ ] Я оцениваю выходную опасность по частоте промахов, а не по общей точности.
- [ ] Я считаю, что порог должен устанавливаться экспертом осторожно и в пользу жизни.
- [ ] Я понимаю, что модель оползня не может учиться на неполной инвентаризации и требует подтверждения на местах.
- [ ] Я использую систему раннего предупреждения не как пророчество, а как инструмент, который экономит время для принятия человеком решений.