В августе 2020 года, после периода продолжительной засухи и сильных дождей, плотина, расположенная возле реки Сомджин в Корее, во время сброса воды испытала переполнение, в результате чего ущерб превысил 100 миллиардов вон (76 миллионов долларов США). Причиной наводнения стало поддержание уровня воды на плотине на 6 метров выше нормы. Можно ли было предотвратить этот инцидент благодаря прогнозному управлению плотиной?
Исследовательская группа под руководством профессора Джонхуна Кама и Ынми Ли, доктора философии. кандидат из отдела экологических наук и инженерии Пхоханского университета науки и технологий (POSTECH) недавно применил методы глубокого обучения для тщательного изучения моделей работы плотин и оценки их эффективности. Их выводы были опубликованы в Журнале гидрологии.
Корея сталкивается с пиком осадков летом, полагаясь на плотины и связанную с ними инфраструктуру для управления водными ресурсами. Однако эскалация глобального климатического кризиса привела к возникновению непредвиденных тайфунов и засух, усложняющих эксплуатацию плотин. В ответ появилось новое исследование, целью которого является превзойти традиционные физические модели за счет использования потенциала модели искусственного интеллекта (ИИ), обученной на обширных больших данных.
Команда сосредоточилась на создании модели искусственного интеллекта, направленной не только на прогнозирование режимов работы плотин в бассейне реки Сомджин, уделяя особое внимание плотине реки Сомджин, плотине Джуам и контрольной плотине Джуам, но и на понимании процессов принятия решений обученные модели ИИ.
Их цель заключалась в разработке сценария, описывающего методологию прогнозирования уровня воды в плотинах. Используя модель Gated Recurrent Unit (GRU), алгоритм глубокого обучения , команда обучила его, используя данные за период с 2002 по 2021 год с плотин вдоль реки Сомджин. Данные об осадках, притоке и оттоке служили входными данными, а почасовые уровни плотин служили выходными данными. Анализ продемонстрировал замечательную точность: индекс эффективности превысил 0,9.
Впоследствии команда разработала объяснимые сценарии, манипулируя входными данными на -40%, -20%, +20% и 40% каждой входной переменной, чтобы изучить, как обученная модель ГРУ реагировала на эти изменения входных данных. Хотя изменения количества осадков оказали незначительное влияние на уровень воды в плотине, колебания притока существенно повлияли на уровень воды на плотине. Примечательно, что одинаковое изменение стока привело к разным уровням воды на разных плотинах, подтверждая, что модель ГРУ эффективно усвоила уникальные эксплуатационные нюансы каждой плотины.
Профессор Джонхун Кам отметил: «Наше исследование выходило за рамки прогнозирования закономерностей работы плотин, чтобы обеспечить безопасность их эффективности с использованием моделей искусственного интеллекта. Мы представили методологию, направленную на косвенное понимание процесса принятия решений с помощью модели черного ящика на основе искусственного интеллекта, определяющей уровень воды в плотине».
Далее он заявил: «Мы надеемся, что это понимание будет способствовать более глубокому пониманию работы плотин и повышению их эффективности в будущем».
Исследование опубликовано в Журнале Гидрологии.
Теги: вода, ИИ, энергия
