Lợi nhuận:
- Khả năng sử dụng đóng góp chuẩn bị và hiệu chỉnh dữ liệu của AI trong mô hình hóa đặc tính tầng ngậm nước và dòng nước ngầm.
- Khả năng phân tích dữ liệu chất lượng nước, mực nước và dòng chảy bằng AI và phát hiện bất thường
- Khả năng xác minh kết quả đầu ra của mô hình với bảo toàn khối lượng, tính hợp lý về thủy lực và đo lường hiện trường
Nước ngầm là nguồn tài nguyên thiên nhiên mà chúng ta không thể nhìn thấy nhưng đưa ra nhiều quyết định nhất. Một giếng tạo ra bao nhiêu nước, bao nhiêu nước xả vào mỏ, mất bao lâu để chất gây ô nhiễm tiếp cận nguồn cung cấp nước uống - tất cả đều phụ thuộc vào hành vi của nước khi nó di chuyển chậm qua các lỗ rỗng và nứt ra dưới lòng đất. Địa chất thủy văn (khoa học về nước ngầm) tái tạo lại dòng chảy vô hình này từ các giếng quan sát thưa thớt, mặt cắt địa chất và các quy luật vật lý. Trí tuệ nhân tạo là một trợ thủ đắc lực trong công việc này: nó dọn dẹp chuỗi thời gian lộn xộn, tích hợp dữ liệu còn thiếu, phát hiện những điểm bất thường và tăng tốc độ hiệu chỉnh mô hình. Nhưng có một định luật chiếm ưu thế hơn tất cả: bảo toàn khối lượng. Lượng nước vào, ra và lưu trữ vào hệ thống phải ổn định; Không có mô hình thông minh nào có thể vi phạm sự cân bằng này.
Trong phần này, chúng ta sẽ đề cập đến ba khía cạnh AI của nghiên cứu nước ngầm: chuẩn bị dữ liệu và phát hiện bất thường (xử lý chuỗi mực nước, tốc độ dòng chảy và chất lượng), đặc tính tầng chứa nước (dự đoán tính chất của lớp chứa nước ngầm) và hiệu chỉnh mô hình dòng chảy (căn chỉnh mô hình số với quan sát). Ở mỗi bước, chúng tôi sẽ sử dụng trí tuệ nhân tạo không phải như một máy tính mà như một máy tạo dự thảo có kết quả mà bạn kiểm tra bằng cân bằng nước và đo đạc hiện trường.
Tầng ngậm nước và các khái niệm cơ bản
Trước tiên hãy thiết lập một ngôn ngữ chung. Tầng chứa nước là một đơn vị địa chất (ví dụ: lớp cát-sỏi) có thể vận chuyển và giải phóng đủ nước. Độ dẫn thủy lực (K) đo lường mức độ nước chảy qua đá/đất dễ dàng như thế nào; Nó thường ở mức mét mỗi ngày đối với cát và thấp đến mức hiển vi đối với đất sét. Cột áp (đầu) thủy lực là áp suất và năng lượng độ cao của nước tại một điểm; nước luôn chảy từ tải cao đến tải thấp. Hệ số lưu trữ cho biết lượng nước được giải phóng/lưu trữ bởi tầng chứa nước trên mỗi đơn vị tải trọng thay đổi. Bốn đại lượng này là nền tảng của mọi mô hình.
Điều cần thiết là phải biết những khái niệm này khi làm việc với trí tuệ nhân tạo, bởi vì mọi con số do mô hình đưa ra đều phải phù hợp với các phạm vi vật lý này. Giá trị K của tầng chứa nước cát dao động từ vài cm đến hàng chục mét mỗi ngày; Nếu mô hình hiển thị "3 km một ngày" thì có lỗi vật lý. Đây là dạng neo bậc độ lớn đặc trưng cho địa chất thủy văn trong các phần trước.
Từng bước: Chuẩn bị dữ liệu, bất thường và hiệu chỉnh
Bước 1 - Làm sạch chuỗi thời gian. Dữ liệu mức từ các giếng quan sát thường không đều: thiếu ngày, bỏ qua cảm biến, nhầm lẫn đơn vị, hiệu ứng áp suất khí quyển. AI căn chỉnh các chuỗi này, gắn cờ các khoảng trống và phát hiện các lỗi cảm biến có thể xảy ra (nhảy đột ngột, đường thẳng = cảm biến bị đóng băng). Nhưng "điền" giá trị còn thiếu và "đánh dấu" nó là khác nhau; Nếu việc lấp đầy được thực hiện, phương pháp này phải minh bạch và được nhà địa chất phê duyệt.
Bước 2 - Phát hiện sự bất thường. Chất lượng nước thay đổi đột ngột (ví dụ độ dẫn điện, nitrat, kim loại nặng); giảm cấp độ bất ngờ; tốc độ dòng chảy tăng vọt - đây là dấu hiệu của một sự kiện thực tế (ô nhiễm, thấu chi, rò rỉ) hoặc lỗi đo lường. Trí tuệ nhân tạo xếp hạng những điểm bất thường của ứng viên; Nhà địa chất thủy văn quyết định cái nào là có thật.
Bước 3 - Đặc tính tầng chứa nước. K và hệ số tích trữ được trích ra từ dữ liệu thử nghiệm bơm (lấy nước từ giếng với tốc độ dòng chảy không đổi và theo dõi mức giảm ở các giếng lân cận). AI tăng tốc việc điều chỉnh đường cong và các mô hình tầng chứa nước thay thế (hạn chế/tự do/bán thấm); Nhưng sự tương thích của mô hình đã chọn với địa chất của hiện trường là công việc của con người.
Bước 4 - Hiệu chỉnh mô hình số. Mô hình sai phân/phần tử hữu hạn chia tầng chứa nước thành các ô và giải quyết dòng nước trong mỗi ô. Hiệu chuẩn là điều chỉnh các tham số mô hình (phân phối K, nạp lại) để tương thích với mực nước giếng quan sát. AI/tối ưu hóa tăng tốc cài đặt này; Nhưng có một mối nguy hiểm: mô hình có thể phù hợp tốt với các quan sát nhưng lại có các tham số vật lý không chính xác (quá phù hợp). Vì vậy, việc kiểm soát cân bằng nước sau khi hiệu chuẩn là điều cần thiết.
Mẹo: Trước khi chấp nhận mô hình đã hiệu chỉnh, hãy hỏi "cân bằng nước có bị tắt không?" Hỏi: tổng đầu vào (cấp + dòng bên) trừ tổng đầu ra (dòng nháp + xả) cộng/trừ thay đổi lưu trữ phải bằng ≈ 0. Nếu nó không đóng, mô hình không đáng tin cậy, ngay cả khi nó phù hợp với các cấp độ.
Ba trường hợp nhỏ: Bằng những con số
Trường hợp 1 - Gỡ lỗi cảm biến. Một mạng lưới giám sát có dữ liệu cấp độ trong 18 tháng cho 11 giếng; tổng cộng khoảng 6000 hồ sơ. Quá trình quét được hỗ trợ bởi AI đã phát hiện ra “cảm biến bị đóng băng” trong hai giếng (có cùng giá trị trong 42 ngày) và lỗi đơn vị (nhập feet thay vì mét) trong một giếng. Ba lỗi này, có thể mất hàng giờ để tìm ra bằng tay, có thể làm sai lệch nghiêm trọng việc hiệu chuẩn mô hình; Việc trích xuất đã làm cho mô hình trở nên đáng tin cậy trước khi nó được thiết lập.
Trường hợp 2 - Bẫy cân bằng khối lượng. Một mô hình xả nước mỏ phù hợp với tất cả các giếng quan sát tốt hơn 5% và nhóm sắp xác nhận mô hình. Việc kiểm tra cân bằng nước cho thấy tổng lượng nạp lại lớn hơn ba lần so với mức có thể thực hiện được với dữ liệu lượng mưa của khu vực; người mẫu đã "mua" được sự hài hòa với chế độ ăn kiêng phi vật chất. Các thông số được kéo về phạm vi thực tế và hiệu chỉnh lại. Phù hợp tốt không có nghĩa là đúng mẫu.
Trường hợp 3 - Dấu hiệu sớm của sự ô nhiễm. Trong chuỗi độ dẫn điện của giếng trong lưu vực nước uống, trí tuệ nhân tạo đánh dấu sự gia tăng chậm chạp, lệch khỏi mô hình theo mùa. Một cuộc kiểm tra hiện trường đã phát hiện thấy rò rỉ từ khu vực lưu trữ gần đó và hành động đã được thực hiện trước khi chất ô nhiễm lan đến giếng nước uống. Mô hình không quyết định; hướng sự chú ý của nhà thủy văn vào đúng giếng.
Nhắc yếu / Nhắc mạnh
Dấu nhắc yếu:
Hãy nhìn vào dữ liệu giếng này và cho tôi biết tầng ngậm nước trông như thế nào và nước sẽ chảy đi đâu. [bảng cấp độ]
Lời nhắc mạnh mẽ:
Vai trò của bạn: Trợ lý nhà địa chất thủy văn. KIỂM TRA chuỗi mức độ giếng quan sát bên dưới, nhưng thông số tầng chứa nước là PHÙ HỢP. Thực hiện như sau:1) Chất lượng dữ liệu: liệt kê các nghi ngờ về cảm biến bị thiếu, bị đóng băng, đơn vị/ngoại lệ, giếng và ngày tháng.2) Xu hướng chung (tăng/giảm/theo mùa) và các giải thích vật lý có thể có.3) Chỉ định dữ liệu nào (thử nghiệm bơm, lượng mưa, ghi lại trọng lực) được yêu cầu trong bước tiếp theo. Giải thích vật lý và hiệu chuẩn thuộc về nhà địa chất thủy văn; nêu rõ điều này. Dữ liệu được ẩn danh.
Lời nhắc mạnh mẽ đặt mô hình vào vai trò người kiểm soát dữ liệu và người soạn câu hỏi; rõ ràng cấm việc điều chỉnh tham số.
Bốn mẫu có thể sao chép
1) Kiểm tra chất lượng hàng loạt cấp độ:
Đánh dấu các mục sau trong chuỗi mức giếng quan sát: ngày thiếu, giá trị giống hệt liên tiếp (cảm biến bị đóng băng), nhảy đột ngột, sai số đơn vị có thể xảy ra (m/feet/cm). Chỉ liệt kê với well_id và phạm vi ngày; điền hoặc xóa các giá trị.
2) Ưu tiên bất thường:
Liệt kê những thay đổi trong chuỗi chất lượng nước (thông số: độ dẫn điện) khác với mô hình theo mùa, bắt đầu từ trường hợp có khả năng xảy ra cao nhất. Đối với mỗi ứng viên: viết ra những biện pháp kiểm soát bổ sung cần thiết để phân biệt giữa sự kiện thực tế và sai số đo lường. Quyết định thuộc về nhà địa chất thủy văn.
3) Danh sách kiểm tra cân bằng nước:
Trích xuất các bước kiểm soát cân bằng nước cho mô hình nước ngầm đã hiệu chỉnh: hạng mục đầu vào, hạng mục đầu ra, biến thể lưu trữ và giới hạn chấp nhận của lỗi đóng. Các tình huống ví dụ trong đó mô hình có thể tuân thủ các cấp độ nhưng vi phạm trạng thái cân bằng.
4) Giải thích thí nghiệm bơm mớn nước:
For pump test drawdown time data: outline which aquifer models (unconfined, confined, semi-permeable) might be appropriate and how each relates to the geology of the site. Đưa ra con số chính xác về K và dung lượng lưu trữ; Nêu rõ phạm vi hợp lý và các giả định cần thiết.
Groundwater Data and Validation Anchors
dữ liệu/đầu ra
Đóng góp của AI
Rủi ro chính
neo xác minh
Level time series
Vệ sinh, phát hiện lỗi
nhồi phù hợp
Dữ liệu thô + ghi hiện trường
loạt chất lượng nước
Sắp xếp bất thường
Báo động sai/bỏ lỡ
Lặp lại mẫu + phòng thí nghiệm
kiểm tra bơm
Tốc độ lắp đường cong
Mô hình tầng chứa nước không chính xác
sự hài hòa về địa chất
Hiệu chuẩn mô hình số
Tối ưu hóa thông số
K quá trang bị, phi vật chất
Cân bằng nước + giếng quan sát
Ước tính cho ăn/thu hút
hợp nhất dữ liệu
vi phạm cân bằng
Kỷ lục về lượng mưa/vận hành
Thận trọng: Mô hình nước ngầm là một dự đoán, không phải là một lời tiên tri. Các kết quả đầu ra dự báo về tương lai hàng thập kỷ (ví dụ: mực nước sau khi đóng cửa mỏ) là các kịch bản phải được cập nhật khi chúng được đo lường. Việc trình bày một đường cong tương lai “chắc chắn” duy nhất sẽ tạo ra sự tự tin sai lầm bằng cách che khuất sự không chắc chắn.
Những lỗi thường gặp
- Không kiểm tra cân bằng nước. Sai lầm phổ biến và nguy hiểm nhất là chấp nhận một mô hình phù hợp với các cấp độ mà không kiểm chứng sự bảo toàn khối lượng.
- Âm thầm điền dữ liệu còn thiếu. Nếu các giá trị "điền" do AI tạo ra bị nhầm lẫn với các phép đo thực, thì việc hiệu chuẩn chỉ có nền tảng mỏng manh.
- Chấp nhận các tham số vượt quá phạm vi vật lý. Dung nạp các giá trị K hoặc dinh dưỡng không thực tế vì mục đích tuân thủ.
- Tự động coi sự bất thường là có thật. Không phải mọi sai lệch đều là ô nhiễm; Khả năng sai số đo được loại bỏ bằng cách lấy mẫu tại hiện trường và lấy mẫu lặp lại.
- Giảm độ không chắc chắn xuống một đường cong duy nhất. Trình bày những dự đoán dài hạn dưới dạng kết quả cuối cùng thay vì kịch bản.
Tóm lại
- Địa chất thủy văn xây dựng dòng chảy vô hình từ quan sát thưa thớt; Mọi đầu ra AI đều được kiểm tra để bảo toàn khối lượng (cân bằng nước).
- AI mạnh mẽ ở loạt mức độ/chất lượng làm sạch, phát hiện bất thường và tăng tốc hiệu chuẩn; không nên phù hợp với các thông số.
- Ngay cả khi mô hình phù hợp tốt với các quan sát, nó có thể không chính xác với các tham số phi vật lý (overfit); Kiểm soát cân bằng nước là bắt buộc.
- Mỗi số phải nằm trong phạm vi vật lý (K đối với cát ≈ mét/ngày); Thứ tự cường độ neo cũng được áp dụng trong địa chất thủy văn.
- Mô hình là một dự đoán; Các kết quả dài hạn được trình bày dưới dạng các kịch bản, không chắc chắn và được cập nhật khi chúng được đo lường.
Nhiệm vụ ứng dụng
Truy xuất chuỗi cấp độ giếng quan sát ẩn danh (hoặc dữ liệu đại diện). Yêu cầu mô hình tìm lỗi dữ liệu bằng mẫu "Kiểm tra chất lượng chuỗi cấp độ"; Thêm ít nhất một cảm biến hoặc thiết bị nghi ngờ bị đông lạnh và kiểm tra xem nó có bắt được không. Sau đó, chạy mẫu "danh sách kiểm tra cân bằng nước" cho kịch bản mô hình đã hiệu chỉnh và viết ví dụ về cách mô hình có thể vi phạm sự cân bằng ngay cả khi nó tuân thủ các cấp độ.
danh sách kiểm tra
- [ ] Tôi biết các khái niệm và phạm vi điển hình của tầng ngậm nước, độ dẫn thủy lực, cột nước và bể chứa.
- [ ] Tôi có được phản xạ để xác minh sản lượng nước ngầm có bảo toàn khối lượng (cân bằng nước).
- [ ] Tôi sử dụng AI để làm sạch dữ liệu và sắp xếp các điểm bất thường và để nhà địa chất thủy văn quyết định thông số.
- [ ] Nhận thức được nguy cơ của việc trang bị quá mức, tôi không nghĩ mô hình phù hợp là phù hợp.
- [ ] Tôi trình bày kết quả đầu ra của mô hình dài hạn dưới dạng các kịch bản không chắc chắn.