Dobički:
- Sposobnost uporabe AI priprave podatkov in prispevka kalibracije pri karakterizaciji vodonosnika in modeliranju toka podzemne vode.
- Sposobnost analiziranja podatkov o kakovosti vode, nivoju in pretoku z AI in zaznavanjem nepravilnosti
- Sposobnost preverjanja rezultatov modela z ohranjanjem mase, hidravlično verodostojnostjo in meritvami na terenu
Podzemna voda je naravni vir, ki ga ne moremo videti, a o njem sprejemati največ odločitev. Koliko vode da vodnjak, koliko vode se izpusti v rudnik, koliko časa traja, da onesnaževalo doseže zalogo pitne vode – vse je odvisno od obnašanja vode, ko se počasi premika skozi pore in razpoke pod zemljo. Hidrogeologija (znanost o podzemni vodi) rekonstruira ta nevidni tok iz redkih opazovalnih vrtin, geoloških prerezov in fizikalnih zakonov. Umetna inteligenca je močan pripomoček pri tem delu: čisti neurejene časovne vrste, integrira manjkajoče podatke, ujame anomalije in pospeši kalibracijo modela. Toda en zakon prevladuje nad vsem: ohranjanje mase. Količina vode, ki vstopa, izstopa in hrani sistem, mora biti dosledna; Noben inteligenten model ne more porušiti tega ravnovesja.
V tej enoti bomo pokrili tri vidike umetne inteligence študije podzemne vode: pripravo podatkov in odkrivanje anomalij (obdelava nizov ravni, pretoka in kakovosti), karakterizacijo vodonosnika (napoved lastnosti plasti, ki nosi podzemno vodo) in kalibracijo modela toka (usklajevanje numeričnega modela z opazovanjem). Na vsakem koraku bomo umetno inteligenco uporabljali ne kot kalkulator, temveč kot generator prepiha, katerega rezultat testirate z vodno bilanco in meritvijo na terenu.
Vodonosnik in osnovni pojmi
Najprej vzpostavimo skupni jezik. Vodonosnik je geološka enota (npr. plast peska in gramoza), ki lahko prenese in sprosti dovolj vode. Hidravlična prevodnost (K) meri, kako lahko voda teče skozi skalo/zemljo; Običajno je reda velikosti metrov na dan za pesek in mikroskopsko nizka za glino. Hidravlična višina (glava) je tlak in višinska energija vode v točki; voda vedno teče od velike obremenitve k nizki obremenitvi. Skladiščni koeficient podaja količino vode, ki jo vodonosnik sprosti/shrani na enoto spremembe obremenitve. Te štiri količine so temelj vsega modeliranja.
Bistveno je poznati te koncepte pri delu z umetno inteligenco, saj mora vsako število, ki ga poda model, ustrezati tem fizičnim obsegom. Vrednost K za peščeni vodonosnik se giblje od nekaj centimetrov do deset metrov na dan; Če model pravi "3 kilometre na dan", je fizikalna napaka. To je hidrogeološko specifična oblika sidra reda velikosti v prejšnjih enotah.
Korak za korakom: Priprava podatkov, anomalija in kalibracija
1. korak — Čiščenje časovnih vrst. Podatki o nivoju iz opazovalnih vrtin so pogosto nepravilni: manjkajoči dnevi, preskoki senzorjev, zmeda enot, učinek atmosferskega tlaka. AI poravna te serije, označi vrzeli in zazna morebitne napake senzorjev (nenaden skok, ravna črta = zamrznjen senzor). Toda "dopolnjevanje" manjkajoče vrednosti in "označevanje" sta različni; Če naj bi se izvajalo polnjenje, mora biti metoda pregledna in odobrena od geologov.
2. korak — Odkrivanje nepravilnosti. Nenadna sprememba kakovosti vode (npr. prevodnost, nitrati, težke kovine); nepričakovan padec ravni; preskok pretoka — ti so znak resničnega dogodka (kontaminacija, prekoračitev, puščanje) ali merilne napake. Umetna inteligenca razvršča anomalije kandidatov; Hidrogeolog odloči, kateri je pravi.
3. korak — Karakterizacija vodonosnika. K in koeficient skladiščenja sta pridobljena iz podatkov o preskusu črpanja (črpanje vode iz vodnjaka s konstantnim pretokom in spremljanje padca nivoja v sosednjih vodnjakih). AI pospeši prilagajanje krivulje in alternativne modele vodonosnika (zaprt/prost/polprepusten); Toda združljivost izbranega modela z geologijo polja je človeško delo.
4. korak — Umerjanje numeričnega modela. Model končnih razlik/elementov razdeli vodonosnik na celice in določi pretok vode v vsaki celici. Kalibracija je namenjena prilagoditvi parametrov modela (porazdelitev K, ponovno polnjenje), da so združljivi z nivoji opazovalnih vrtin. AI/optimizacija pospeši to nastavitev; Vendar obstaja nevarnost: model se lahko dobro prilega opazovanjima, vendar s fizikalno nepravilnimi parametri (overfit). Zato je nadzor vodne bilance po kalibraciji bistven.
Namig: preden sprejmete umerjen model, vprašajte "ali je vodna bilanca izklopljena?" Vprašajte: skupni vnos (dovod + stranski pretok) minus skupni izhod (vlek + izpust) plus/minus sprememba skladiščenja mora biti ≈ 0. Če se ne zapre, je model nezanesljiv, tudi če se ujema z ravnmi.
Trije mini kovčki: po številkah
Primer 1 – Odpravljanje napak senzorja. Ena mreža za spremljanje je imela 18 mesecev podatkov o ravni za 11 vrtin; skupaj približno 6000 zapisov. Skeniranje, ki ga poganja AI, je zaznalo "zamrznjen senzor" v dveh vrtinah (popolnoma enaka vrednost za 42 dni) in napako enote (vnesene noge namesto metrov) v eni vrtini. Te tri napake, za katere bi trajalo več ur, da jih ročno odkrijemo, bi lahko resno vplivale na kalibracijo modela; Ekstrakcija je naredila model zanesljiv, še preden je bil vzpostavljen.
Primer 2 – past masne bilance. Model izpusta vode iz rudnika je ustrezal vsem opazovalnim vrtinam bolje kot 5 % in ekipa je bila tik pred tem, da potrdi model. Preverjanje vodne bilance je pokazalo, da je bilo skupno polnjenje trikrat večje, kot je bilo mogoče s podatki o padavinah v regiji; manekenka je "kupila" harmonijo z nefizično prehrano. Parametri so bili vrnjeni v realno območje in ponovno umerjeni. Dobro prileganje ni pomenilo pravega modela.
Primer 3 – Zgodnji znak kontaminacije. V seriji prevodnosti vodnjaka v bazenu s pitno vodo je umetna inteligenca zaznamovala počasen dvig, ki je odstopal od sezonskega vzorca. Inšpekcijski pregled kraja je odkril puščanje iz bližnjega skladiščnega prostora in ukrepali so, preden je onesnaženje doseglo pitni vodnjak. Manekenka se ni odločila; usmeril pozornost hidrogeologa na pravilno vrtino.
Šibek poziv / močan poziv
Šibek poziv:
Poglej te podatke o vrtini in mi povej, kakšen je vodonosnik in kam teče voda. [tabela ravni]
Močan poziv:
Vaša vloga: Hidrogeolog asistent. PREGLEJTE niz nivojev opazovalnih vodnjakov spodaj, vendar je parameter vodonosnika NAMEŠČEN. Naredite naslednje:1) Kakovost podatkov: navedite sume manjkajočega, zamrznjenega senzorja, enoto/odstopno vrednost, vrtino in datum.2) Splošni trend (vzpon/padec/sezonsko) in možne fizične razlage.3) Določite, kateri podatki (preskus črpanja, padavine, gravitacijski zapis) so potrebni v naslednjem koraku. Fizična interpretacija in kalibracija pripada hidrogeologu; navedite to. Podatki so anonimni.
Zmogljiv poziv postavi model v vlogo upravljavca podatkov in urejevalnika vprašanj; izrecno prepoveduje prilagajanje parametrov.
Štiri kopirane predloge
1) Pregled kakovosti serije ravni:
V nizu nivoja opazovalne vrtine označite: manjkajoče dneve, zaporedno enako vrednost (zamrznjen senzor), nenaden skok, morebitno napako enote (m/čevlje/cm). Seznam samo z well_id in datumskim obsegom; polnjenje ali brisanje vrednosti.
2) Določanje prednosti anomalij:
Navedite spremembe v seriji kakovosti vode (parameter: prevodnost), ki odstopajo od sezonskega vzorca, začenši z najverjetnejšimi. Za vsakega kandidata: napišite, kakšna dodatna kontrola je potrebna za razlikovanje med resničnim dogodkom in merilno napako. Odločitev je v rokah hidrogeologa.
3) Kontrolni seznam vodne bilance:
Izvlecite korake nadzora vodne bilance za kalibriran model podzemne vode: vhodne postavke, izhodne postavke, variacijo shranjevanja in sprejemljivo mejo napake zaprtja. Primeri situacij, ko je model morda v skladu z ravnmi, vendar krši ravnovesje.
4) Razlaga preskusa črpanja vleka:
Za podatke o času črpanja pri preskusu črpalke: navedite, kateri modeli vodonosnika (neomejen, omejen, polprepusten) bi lahko bili ustrezni in kako je vsak povezan z geologijo lokacije. Navedba točne številke za K in skladiščenje; Navedite razumen obseg in potrebne predpostavke.
Podatki o podzemni vodi in validacijska sidra
podatki/izhod
Prispevek AI
Glavno tveganje
sidro za preverjanje
Nivo časovne vrste
Čiščenje, odkrivanje napak
prilegajoče polnilo
Neobdelani podatki + snemanje terena
serije kakovosti vode
Razvrščanje anomalij
Lažni preplah/zgrešena
Ponovite vzorec + laboratorij
črpalni test
Hitrost prilagajanja krivulje
Napačen model vodonosnika
geološka harmonija
Umerjanje numeričnega modela
Optimizacija parametrov
Prekomerno opremljanje, nefizično K
Vodna bilanca + opazovalni vodnjak
Ocena hranjenja/privlačnosti
fuzija podatkov
kršitev ravnotežja
Evidenca o padavinah/delovanju
Pozor: model podzemne vode je napoved in ne prerokba. Rezultati, ki projicirajo desetletja v prihodnost (npr. nivo vode v rudniku po zaprtju), so scenariji, ki jih je treba posodabljati, ko se merijo. Predstavitev ene same "gotove" krivulje prihodnosti ustvarja lažno zaupanje s prikrivanjem negotovosti.
Pogoste napake
- Ne preverjanje vodne bilance. Najpogostejša in nevarna napaka je sprejeti model, ki se dobro prilega stopnjam brez preverjanja ohranjanja mase.
- Tiho izpolnjevanje manjkajočih podatkov. Če se vrednosti "polnjenja", ki jih ustvari AI, zamenjajo za dejanske meritve, je kalibracija na šibki podlagi.
- Sprejemanje parametrov, ki presegajo fizični obseg. Toleriranje nerealnih K ali hranilnih vrednosti zaradi skladnosti.
- Samodejno upoštevanje anomalije kot resnične. Vsako odstopanje ni kontaminacija; Možnost merilne napake odpravimo s terenskim in ponovnim vzorčenjem.
- Zmanjšanje negotovosti na eno krivuljo. Predstavljanje dolgoročnih napovedi kot končnih rezultatov in ne kot scenarijev.
Če povzamem
- Hidrogeologija konstruira neviden tok iz redkega opazovanja; Vsak izhod umetne inteligence je testiran glede na ohranjanje mase (vodna bilanca).
- Umetna inteligenca je zmogljiva pri nivoju čiščenja/serijah kakovosti, zaznavanju nepravilnosti in pospeševanju kalibracije; ne bi smel ustrezati parametrom.
- Tudi če se model dobro ujema z opazovanji, je lahko netočen z nefizikalnimi parametri (overfit); Nadzor vodne bilance je obvezen.
- Vsaka številka mora ustrezati fizičnemu območju (K za pesek ≈ metrov/dan); Red velikosti sidra velja tudi v hidrogeologiji.
- Model je napoved; Dolgoročni rezultati so predstavljeni kot scenariji z negotovostjo in se posodabljajo, ko se merijo.
Aplikacijska naloga
Pridobite anonimiziran niz ravni opazovalnih vrtin (ali reprezentativne podatke). Naj model poišče napake v podatkih s predlogo »Preverjanje kakovosti niza ravni«; Dodajte vsaj en domnevno zamrznjen senzor ali enoto in preizkusite, ali ga ujame. Nato zaženite predlogo "kontrolni seznam vodne bilance" za scenarij umerjenega modela in s primerom napišite, kako bi lahko model kršil ravnovesje, tudi če je v skladu z ravnmi.
kontrolni seznam
- [ ] Poznam koncepte in tipične razpone vodonosnika, hidravlične prevodnosti, višine in skladiščenja.
- [ ] Pridobil sem refleks za preverjanje izločanja podzemne vode z ohranjanjem mase (vodna bilanca).
- [ ] Za čiščenje podatkov in razvrščanje anomalij uporabljam AI, odločitev o parametrih pa prepuščam hidrogeologu.
- [ ] Zavedam se tveganja pretiranega opremljanja in menim, da dobro prileganje ni pravi model.
- [ ] Dolgoročne rezultate modela predstavljam kot scenarije z negotovostjo.