Apmokyto GRU modelio modeliuojamo užtvankos vandens lygio pokyčiai pagal paaiškinamus scenarijus. Kreditas: POSTECH 2020 m. rugpjūčio mėn., po užsitęsusios sausros ir intensyvių liūčių, Korėjoje netoli Seomjino upės esanti užtvanka išsiliejo vandeniui, todėl padaryta žala viršijo 100 mlrd. vonų (76 mln. USD). Potvynis buvo siejamas su užtvankos vandens lygio palaikymu 6 metrais aukščiau nei įprasta. Ar šio incidento buvo galima išvengti nuspėjamuoju užtvankos valdymu?
Tyrimų grupė, vadovaujama profesoriaus Jonghun Kam ir Eunmi Lee, Ph.D. kandidatas iš Pohango mokslo ir technologijos universiteto (POSTECH) Aplinkos mokslų ir inžinerijos skyriaus neseniai panaudojo giluminio mokymosi metodus, kad ištirtų užtvankų veikimo modelius ir įvertintų jų efektyvumą. Jų išvados buvo paskelbtos Hidrologijos žurnalas.
Vasarą Korėjoje iškrenta didžiausias kritulių kiekis, nes ji priklauso nuo užtvankų ir susijusios vandens valdymo infrastruktūros. Tačiau didėjanti pasaulinė klimato krizė paskatino nenumatytų taifūnų ir sausrų atsiradimą, apsunkinančių užtvankų darbus. Reaguodama į tai, atsirado naujas tyrimas, kuriuo siekiama pranokti įprastus fizinius modelius, panaudojant dirbtinio intelekto (AI) modelio, parengto remiantis dideliais duomenimis, potencialą.
Komanda sutelkė dėmesį į AI modelio kūrimą, skirtą ne tik numatyti Seomjin upės baseino užtvankų veikimo modelius, ypač sutelkdama dėmesį į Seomjin upės užtvanką, Juam užtvanką ir Juam Control Dam, bet ir suprasti sprendimų priėmimo procesus. apmokyti AI modeliai.
Jų tikslas buvo suformuluoti scenarijų, kuriame būtų išdėstyta užtvankų vandens lygio prognozavimo metodika. Naudodama Gated Recurrent Unit (GRU) modelį, gilaus mokymosi algoritmą, komanda apmokė jį naudodama duomenis nuo 2002 iki 2021 metų iš užtvankų palei Seomjin upę. Kritulių, įtekėjimo ir ištekėjimo duomenys buvo įvesties duomenys, o valandiniai užtvankos lygiai buvo išvestis. Analizė parodė nepaprastą tikslumą – efektyvumo indeksas viršija 0,9.
Vėliau komanda sukūrė paaiškinamus scenarijus, manipuliuodama kiekvieno įvesties kintamojo įvestimis -40%, -20%, +20% ir 40%, kad ištirtų, kaip apmokytas GRU modelis reagavo į šiuos įvesties pokyčius. Nors kritulių kiekio pokyčiai turėjo nedidelį poveikį užtvankos vandens lygiui, srauto kitimas turėjo reikšmingos įtakos užtvankos vandens lygiui. Pažymėtina, kad identiškas nutekėjimo pokytis lėmė skirtingą vandens lygį prie skirtingų užtvankų, patvirtinančių, kad GRU modelis veiksmingai išmoko unikalius kiekvienos užtvankos veikimo niuansus.
Profesorius Jonghun Kam pažymėjo: „Mūsų tyrimas neapsiribojo užtvankų operacijų modelių numatymu, kad būtų užtikrintas jų efektyvumas naudojant AI modelius. Mes pristatėme metodiką, skirtą netiesiogiai suprasti dirbtinio intelekto pagrindu sukurto juodosios dėžės modelio, nustatančio užtvankos vandens lygį, sprendimų priėmimo procesą.”
Jis taip pat pareiškė: „Mūsų siekis yra, kad ši įžvalga prisidėtų prie gilesnio užtvankų veiklos supratimo ir padidintų jų efektyvumą ateityje”.
Tyrimas paskelbtas Hidrologijos žurnalas.
Daugiau informacijos: Eunmi Lee ir kt., „Gilaus mokymosi juodosios dėžės iššifravimas daugiafunkciniam užtvankos veikimo modeliavimui naudojant paaiškinamus scenarijus“, Hidrologijos žurnalas (2023). DOI: 10.1016/j.jhydrol.2023.130177
Citata: AI naudojimas siekiant padėti užtvankoms važiuoti išmaniau (2023 m. lapkričio 17 d.), gauta 2023 m. lapkričio 17 d. iš https://techxplore.com/news/2023-11-ai-smarter.html
Šis dokumentas yra saugomas autorių teisių. Išskyrus bet kokius sąžiningus sandorius privačių studijų ar mokslinių tyrimų tikslais, jokia dalis negali būti atkuriama be raštiško leidimo. Turinys pateikiamas tik informaciniais tikslais.
