В августе 2020 г. после продолжительной засухи и интенсивных дождей плотина, расположенная на реке Сомджинган в Южной Корее, переполнилась во время сброса воды, что привело к ущербу, превысившему $76 млн.
Исследовательская группа под руководством профессора Джонхуна Кама и кандидата наук Юнми Ли из Pohang University of Science and Technology (POSTECH) недавно применила методы глубокого обучения для тщательного анализа схем эксплуатации плотин и оценки их эффективности. Результаты исследования были опубликованы в журнале Journal of Hydrology.
В Корее пик осадков приходится на летний период, поэтому для управления водными ресурсами она полагается на плотины и сопутствующую инфраструктуру. Однако обострение глобального климатического кризиса привело к появлению непредвиденных тайфунов и засух, что осложняет эксплуатацию плотин. В связи с этим появилось новое исследование, цель которого - превзойти традиционные физические модели за счет использования модели ИИ, обученной на больших данных.
Команда исследователей сосредоточилась на создании модели искусственного интеллекта, позволяющей не только прогнозировать режимы работы плотин (Seomjingang Dam, Juam Dam и Juam Controlled Dam) в бассейне реки Сомджинган, но и понимать процессы принятия решений обученными моделями ИИ. Задача состояла в том, чтобы сформулировать сценарий, описывающий методику прогнозирования уровня воды в плотине. Используя модель Gated Recurrent Unit (GRU), представляющую собой алгоритм глубокого обучения, команда обучила ее, используя данные с 2002 по 2021. В качестве входных данных использовались данные об осадках, притоке и оттоке воды, а в качестве выходных - почасовые уровни плотин. Анализ продемонстрировал высокую точность, индекс эффективности превысил 0,9.
В дальнейшем команда разработала сценарии, изменяя входные данные на -40%, -20%, +20% и +40% по каждой переменной, чтобы изучить реакцию обученной модели GRU на эти изменения входных данных. Если изменение количества осадков оказывало незначительное влияние на уровень воды в плотине, то изменение притока существенно влияло на уровень воды в плотине. Примечательно, что одинаковое изменение притока приводило к разным уровням воды на разных плотинах, подтверждая, что модель GRU эффективно изучила уникальные эксплуатационные нюансы каждой плотины.
Профессор Джонхун Кам отметил: "Наше исследование вышло за рамки предсказания закономерностей работы плотин с целью секьюритизации их эффективности с помощью моделей ИИ. Мы представили методику, направленную на косвенное понимание процесса принятия решений моделью "черного ящика" на основе ИИ, определяющей уровень воды в плотине. Мы надеемся, что эти знания будут способствовать более глубокому пониманию работы плотин и повышению их эффективности в будущем".
Комментарии
(0) Добавить комментарий