Mga nadagdag:
- Unawain ang mga paggamit ng AI sa pagmamapa ng pagkamaramdamin sa pagguho ng lupa, panganib ng seismic at pagtatasa ng pagkatunaw.
- Kakayahang lumikha ng pag-uuri ng panganib at maagang babala sa daloy ng trabaho mula sa multivariate na data ng panganib
- Kakayahang i-verify ang mga output ng panganib na may pananagutan sa kaligtasan ng buhay, maling balanse ng alarma at ebidensya sa larangan
Ang paksa ng yunit na ito ay ang pinaka responsableng bahagi ng geological engineering: natural disaster at geological hazard assessment. Ang halaga ng isang pagkakamali dito ay hindi pera, ngunit buhay ng tao. Kung ang isang mapa ng pagkamaramdamin sa pagguho ng lupa ay hindi tama na nagpapakita ng isang kapitbahayan bilang "ligtas," walang aksyon na gagawin; Kung mali ang pagkabasa ng liquefaction assessment sa lupa sa ilalim ng ospital, maaaring lumubog ang istraktura sa panahon ng lindol. Sa larangang ito, ang artificial intelligence ay gumagawa ng tunay na halaga sa pagproseso ng multivariate na data, pagkuha ng mga pattern at pag-filter ng mga signal ng maagang babala. Ngunit tiyak sa lugar na ito na ang pag-verify ay dapat na pinaka mahigpit, pag-apruba ng engineer na pinaka-ganap, at pamamahala ng kawalan ng katiyakan pinaka-tumpak, dahil ang halaga ng hindi tamang output ay pinakamataas.
Sa unit na ito, isasaalang-alang namin ang tatlong uri ng mga panganib sa pamamagitan ng lens ng artificial intelligence: landslide susceptibility mapping (paghula mula sa multivariate na data kung saan ang mga slope ay nasa panganib ng pag-slide), seismic hazard (posibleng intensity ng earthquake ground motion), at liquefaction (kapag ang saturated loose sand ay kumikilos na parang likido sa panahon ng lindol at nawawala ang kapasidad nito). Ang aming karaniwang tema ay kung bakit ang isang maling negatibo sa mga output ng peligro (pag-uuri sa isang aktwal na mapanganib na lugar bilang ligtas) ay nakamamatay at kung paano magtakda ng mga limitasyon na pabor sa kaligtasan ng buhay.
Balanse ng Mga Maling Negatibo at Maling Positibo
Mayroong dalawang uri ng mga pagkakamali sa pag-uuri ng panganib. Ang isang maling positibo ay pag-uuri ng isang ligtas na lugar bilang mapanganib; Ang resulta ay hindi kinakailangang gastos, dagdag na pagsisiyasat, marahil ay naantala ang isang proyekto — ito ay nasa ligtas na bahagi sa mga tuntunin ng buhay. Ang isang maling negatibo ay pag-uuri ng isang mapanganib na lugar bilang ligtas; Ang resulta ay kabiguang gumawa ng mga pag-iingat at posibleng pagkawala ng buhay/pag-aari. Ang dalawang error na ito ay hindi pantay. Sa mga lugar na pangkaligtasan sa buhay, maingat na pinipili ang threshold upang mabawasan ang mga maling negatibo; Iyon ay, kapag may pagdududa, ito ay gumulong sa mapanganib na bahagi at kinumpirma ng kumpirmasyon sa field.
Karaniwang pinipili ng mga modelo ng AI ang mga threshold na magpapalaki sa pangkalahatang katumpakan. Ngunit sa hazard science, ang layunin ay hindi kabuuang katumpakan ngunit panatilihing mababa ang mga maling negatibo. Samakatuwid, ang output ng modelo ay dapat na isang naka-calibrate na probabilidad, hindi isang "klase", at ang threshold ay dapat itakda ng dalubhasa sa panganib, alam ang mga kahihinatnan. Walang kwenta ang 92% na katumpakan ng isang modelo ng landslide kung makaligtaan nito ang kalahati ng aktwal na pagguho ng lupa.
Babala: Huwag magpalinlang sa mataas na pangkalahatang katumpakan ng isang hazard model. Tingnan ang miss rate (false negative) para sa bihirang ngunit nakamamatay na mga kaganapan (landslide, liquefaction). Ang pamantayan sa kaligtasan sa buhay ay hindi tama sa karaniwan, ngunit hindi makaligtaan ang mapanganib.
Pagmamapa ng Susceptibility ng Pagguho ng Lupa
Landslide susceptibility, "magdududa ba ang lugar na ito kapag natugunan ang lahat ng kundisyon?" sumasagot sa tanong na may mga variable na geological at topographic. Ang mga input ay karaniwang: slope, aspect, lithology, discontinuity orientation, paggamit ng lupa, precipitation, historical landslide inventory, at groundwater. Pinagsasama-sama ng artificial intelligence ang mga layer na ito at gumagawa ng susceptibility map sa pamamagitan ng pag-aaral ng pattern sa paligid ng mga nakaraang landslide.
Mayroong dalawang kritikal na punto. Una, natututo ang modelo mula sa nakaraang imbentaryo ng pagguho ng lupa; Kung hindi kumpleto ang imbentaryo (maraming landslide ang hindi naitala) hindi makikita ng modelo ang mga pattern na iyon at maglalabas ng mga maling negatibo. Pangalawa, ang sensitivity ay hindi nagbibigay ng trigger (kung kailan lilipat) ngunit ang susceptibility (kung saan lilipat kung ang mga kondisyon ay lumitaw); Delikado kung malito ang dalawa. Ang mapa ay hindi maaaring gamitin bilang batayan para sa pagpapasya nang hindi nabe-verify ng outcrop observation ng field geologist, pagsukat ng discontinuity at mga nakaraang bakas ng paggalaw.
Seismic Hazard at Liquefaction
Ang pagtatasa ng seismic hazard ay nagbibigay ng probabilistikong pagtatantya ng paggalaw sa lupa (pagpabilis) na inaasahang lalampas sa isang takdang panahon sa isang site. Nakakatulong ang artificial intelligence sa pagproseso ng mga database ng record, paghahambing ng mga relasyon sa paghula ng paggalaw sa lupa at pagbuo ng mga sitwasyon. Gayunpaman, ang kahulugan ng mga pinagmumulan ng fault, recurrence interval at ground amplification ay nangangailangan ng geological-seismological expertise; hindi magkasya ang modelo sa kanila.
Sinusukat ng pagtatasa ng liquefaction ang panganib ng saturated loose sand na mawala ang kapasidad nito sa pagdadala sa pamamagitan ng vibration ng lindol. Ang klasikal na paraan ay upang ihambing ang halaga ng SPT-N (o CPT) sa boltahe cycle rate na ginawa ng lindol at makakuha ng isang kadahilanan sa kaligtasan. Ang AI ay nag-aayos ng data at mabilis na nag-scan para sa potensyal ng pagkatunaw sa isang multi-well field; ngunit ang resulta ay napatunayan sa pamamagitan ng pagkalkula ng kamay gamit ang karaniwang pamamaraan (hal. lokal na code ng lindol). Ang maling negatibo dito ay nangangahulugan na ang isang istraktura ay lumulubog sa lupa sa panahon ng lindol.
Tatlong Mini Cases: By the Numbers
Kaso 1 — Pagkuha ng nawawalang imbentaryo. Sa isang mapa ng landslide ng county, ang modelo ay mukhang "maganda" na may 89% katumpakan; ngunit natagpuan ng field geologist ang tatlong lumang peklat ng pagguho ng lupa (hindi naitala) sa isang libis ng lambak na ipinakita ng mapa bilang ligtas. Hindi matutunan ng modelo ang pattern na ito dahil hindi kumpleto ang imbentaryo. Kapag na-update ang imbentaryo at na-renew ang mapa, lumipat ang slope na iyon sa mataas na sensitivity. Itinago ng 89% na katumpakan na nawawala ang pinaka-kritikal na lugar.
Case 2 — Liquefaction threshold. Sa isang beach fill site, na-flag ng modelo ang 6 sa 42 drilling bilang “liquefaction risk” na may pinakamataas na average na threshold ng katumpakan. Nang ilipat ng eksperto ang threshold sa konserbatibong bahagi upang bawasan ang mga maling negatibo, 11 tunog ang na-flag; Ang karagdagang lima ay nakumpirma na tunay na mapanganib sa pamamagitan ng karaniwang pagkalkula ng kamay. Ang konserbatibong threshold ay nag-save ng limang potensyal na maling negatibo; ang pagtaas ng gastos ay bale-wala kumpara sa potensyal na panganib sa buhay.
Kaso 3 — Senyales ng maagang babala. Nag-flag ang artificial intelligence processing radar at slope sensor data sa isang open-pit slope ng mabagal na acceleration sa deformation rate at nagtaas ng alarma. Ang koponan ay lumikas sa lugar; Pagkalipas ng 40 oras, isang malaking slide ang naganap sa slope, ngunit walang nasaktan. Hindi sinabi ng modelo ang eksaktong araw/oras; Ginawa nitong nakikita ang bumibilis na kilusan at nagbigay ng panahon sa paggawa ng desisyon ng tao.
Mahina Prompt / Malakas na Prompt
Mahinang prompt:
Mayroon bang panganib sa pagguho ng lupa sa rehiyong ito? Tingnan ang data at sabihin kung ito ay ligtas o mapanganib.[layer data]
Napakahusay na prompt:
Ang iyong tungkulin: Assistant natural hazard geologist. Pagbibigay ng EKSAKtong "safe/delikado" na label na may mga sumusunod na variable. Sa halip:1) Ipaliwanag ang mga salik na nag-aambag sa damdamin at ang direksyon ng bawat isa.2) Magtatag ng naka-calibrate na lohika ng probabilidad kaysa sa klase; Sabihin kung bakit dapat piliin nang maingat ang threshold para sa kaligtasan ng buhay upang mabawasan ang mga maling negatibo.3) Isulat kung paano maaaring mapanlinlang ang output kung hindi kumpleto ang makasaysayang imbentaryo ng pagguho ng lupa.4) Maglista ng 4 na puntos na kailangang kumpirmahin sa field.Ang huling pagtatasa ay pagmamay-ari ng awtorisadong inhinyero. Anonymous ang data.
Apat na Nakokopyang Template
1) Paghiling ng posibilidad sa halip na klase ng panganib:
Bigyang-kahulugan ang output ng hazard model bilang isang naka-calibrate na posibilidad sa halip na isang matalas na klase. Ihambing ang mga kahihinatnan ng mga maling negatibo at maling positibo sa larangang ito at bigyang-katwiran kung saang paraan dapat ilipat ang threshold para sa kaligtasan ng buhay.
2) Pag-audit ng kakulangan sa imbentaryo:
Ilista ang anumang mga indikasyon na ang imbentaryo kung saan sinanay ang modelo ng pagkamaramdamin sa pagguho ng lupa ay maaaring hindi kumpleto (mga taon ng record, sakop ng lugar, mga data gaps). Markahan kung aling mga bahagi ang kakulangan na ito ay magpapataas ng panganib ng mga maling negatibo.
3) Sketch ng pag-screen ng liquefaction:
Para sa potensyal na pag-liquefaction sa isang multi-drill site: magrekomenda ng screening kung saan ang mga borehole ay naglalaman ng saturated loose sand at nangangailangan ng pangunahing pagkalkula ng kamay. Tukuyin na dapat itong ma-verify sa pamamagitan ng karaniwang pamamaraan; huwag magbigay ng eksaktong koepisyent ng kaligtasan.
4) Interpretasyon ng signal ng maagang babala:
Upang ibuod ang mga pagbabago sa bilis at acceleration sa deformation monitoring series (slope/radar); Mayroon bang nakababahala na pattern ng acceleration? Pagbibigay ng eksaktong pagtatantya ng oras; Tukuyin kung kailan/data ang kailangan para sa paghatol ng tao.
Uri ng Hazard, Maling Negatibo, at Pag-verify
Panganib
kontribusyon ng AI
Resulta ng maling negatibo
Mandatoryong pagpapatunay
pagkamaramdamin sa pagguho ng lupa
Layer fusion, pattern
Iniisip na ligtas ang lumulutang na lugar
Field + kasalukuyang imbentaryo
panganib ng seismic
Database/scenario
Minamaliit ang paggalaw ng lupa
Seismological expert + standard
pagkatunaw
Multi-well scanning
Paglubog ng gusali sa lupa
Pagkalkula ng kamay ng SPT/CPT + regulasyon
slope maagang babala
Trace signal filtering
antalahin ang bulalas
Paghuhusga ng tao + kumpirmasyon sa larangan
Tip: Palaging suriin ang distress output na may tanong na "Itinuturing ba itong false alarm o miss?" Basahin kasama ang tanong. Sa kaligtasan ng buhay, mas katanggap-tanggap na magtiis ng ilang maling alarma kaysa sa isang hindi nakuhang panganib.
Mga karaniwang pagkakamali
- Nalinlang ng pangkalahatang katotohanan. Maaaring makaligtaan ang mataas na katumpakan ng mga bihirang nakamamatay na kaganapan; Ang tunay na sukatan ay ang maling negatibong rate.
- Iniiwan ang threshold sa modelo. Ang threshold sa kaligtasan ng buhay ay maingat na itinakda ng eksperto na nakakaalam ng mga kahihinatnan; hindi isang awtomatikong "pinakamahusay" na threshold.
- Hindi pinapansin ang nawawalang imbentaryo. Hindi makikita ng modelo ang pattern na hindi nito natutunan; Kung nawawala ang imbentaryo, lolokohin ng mapa ang ligtas na panig.
- Nakalilito na predisposition sa trigger. Ang sensitivity ay isang tanong ng "saan", ang trigger ay isang tanong ng "kailan"; Parehong nangangailangan ng hiwalay na pag-verify.
- Napagkakamalang isang maagang babala bilang isang tiyak na hula. Ang sistema ay nakakatipid ng oras; Ang desisyon at responsibilidad na lumikas ay pag-aari ng tao.
Sa buod
- Ang natural na panganib ay ang pinakamabigat na lugar ng responsibilidad ng geological engineering; Ang halaga ng maling output ay maaaring buhay.
- Ang maling negatibo (napagkakamalang mapanganib para sa ligtas) ay mas seryoso kaysa sa maling positibo; Ang threshold ay pinili nang maingat, pabor sa buhay.
- Ang pangkalahatang katumpakan ay nakaliligaw; Ang pamantayan ay ang rate ng nawawalang mga bihirang nakamamatay na kaganapan; Ang output ay dapat na naka-calibrate na posibilidad, hindi klase.
- Ang modelo ng landslide ay hindi maaaring matuto mula sa hindi kumpletong imbentaryo; Ang bawat mapa ng peligro ay na-verify sa pamamagitan ng pag-verify ng field at eksperto.
- Ang maagang babala ay nakakatipid ng oras ngunit hindi isang propesiya; Ang desisyon na lumikas at gumawa ng mga pag-iingat ay pagmamay-ari ng awtorisadong inhinyero at opisyal.
Gawain ng aplikasyon
Kumuha ng hindi kilalang senaryo ng peligro (mga layer ng landslide o liquefaction borehole; data ng kinatawan). Panatilihin ang modelo sa pagbibigay ng malupit na mga label at gawin itong talakayin ang maling negatibo/positibong balanse na may template na "humingi ng posibilidad sa halip na klase ng peligro." Pagkatapos ay gamitin ang template na "pag-audit ng kakulangan sa imbentaryo" upang malaman kung saan maaaring mapanlinlang ang printout at isulat ang isang listahan ng tatlong puntos na nangangailangan ng pag-verify sa field.
checklist
- [ ] Naunawaan ko ang pagkakaiba ng false negative at false positive at ang kahalagahan nito sa kaligtasan ng buhay.
- [ ] Sinusuri ko ang hazard output sa pamamagitan ng miss rate kaysa sa pangkalahatang katumpakan.
- [ ] Naniniwala ako na ang threshold ay dapat itakda ng isang eksperto nang maingat at pabor sa buhay.
- [ ] Naiintindihan ko na ang modelo ng landslide ay hindi maaaring matuto mula sa hindi kumpletong imbentaryo at nangangailangan ng kumpirmasyon sa field.
- [ ] Ginagamit ko ang sistema ng maagang babala hindi bilang isang propesiya, ngunit bilang isang tool na nakakatipid ng oras para sa mga desisyon ng tao.