בינה מלאכותית (AI) התפתחה ככלי רב עוצמה להפיכת החלטות מורכבות בשיקום סביבתי.על ידי מינוף אלגוריתמי למידת מכונה, AI יכול לחזות את הביצועים של מאמצי ניקוי עם רמה של דיוק ומהירות כי שיטות מסורתיות לא יכולות להתאים. היכולת הזאת מאפשרת למנהלי פרויקטים, הרגולטורים ובעלי עניין להקצות משאבים ביעילות רבה יותר, להפחית את אי הוודאות, ובסופו של דבר להשיג תוצאות סביבתיות טובות יותר.

הבנה של דחיפות ואתגריה

תיווך מתייחס לתהליך של הסרת מזהמים או ממזהמים מן הקרקע, מי הקרקע, הסחוס, או אוויר כדי להגן על בריאות האדם והסביבה.שדה זה מקיף מגוון רחב של פעילויות, ממצוץ אדמה מזוהמת להזרקת חמצון כימי לתוך אקוויפרים או שימוש בצמחים לספוג מתכות כבדות.

מורכבות וריאציות של אתרים מלוכדים

כל אתר מציג דרכים פיזיות, כימיות וביולוגיות ייחודיות.סוגים זיהום, ריכוזים, היסטרוגניות גיאולוגית, נתיבי זרימה במים קרקעיים וקהילות מיקרוביאליות משפיעים על האופן שבו אנשים מתנהגים וכיצד טכנולוגיות הפעלה מבוצעות. A טכניקה שעובדת טוב במיקום אחד עלולה להיכשל לחלוטין בשל הבדלים עדינים בנחיתות הקרקע או ב- pH.

עלויות גבוהות וקווי זמן ארוכים

פרויקטים של הגשה לעתים קרובות לאורך שנים או עשורים, עם עלויות לרוץ לתוך מיליוני דולרים.לדוגמה, מערכת דליפת מים טיפוסית וטיפול יכול לדרוש הפעלה רציפה במשך 30 שנים או יותר. מקבלי ההחלטות חייבים לבצע תקציבים משמעותיים מראש ללא ודאות כי הגישה שנבחרה תשיג מטרות ניקוי על לוחות הזמנים.

לחץ על בעלי המניות והלחץ

תקנות סביבתיות לעתים קרובות מחייבות רמות ניקוי ספציפיות ומשטרים ניטור.כישלון לעמוד אבני דרך יכול לגרום קנסות, פעולה משפטית וחוסר אמון ציבורי.באותו זמן, קהילות, קבוצות סביבתיות, וסוכנויות ממשלתיות דורשות שקיפות וראיות שהאסטרטגיה שנבחרה היא יעילה ויעילה גם עלות.

נתונים של Silos ו- אינטגרציה

נתונים סביבתיים נאספים לעתים קרובות על ידי ארגונים שונים באמצעות פורמטים ופרוטוקולים לא תואמים.נתוני חיישן, ניתוחי מעבדה, שכבות מידע גיאוגרפי (GIS) ורשומות היסטוריות שוכנות במאגרי נתונים נפרדים.ללא מסגרת מאוחדת, זה מאתגר להפיק תובנות הדורשות להפרת סוגי נתונים מרובים. AI, עם זאת, יכול לזרז ולמזג נתונים מתפוררים, לחלץ דפוסים כי אחרת נשאר חבוי.

תפקיד הבינה המלאכותית בשיקום

מערכות בינה מלאכותית, במיוחד אלה המבוססים על למידת מכונה (ML), מצטיינים בזיהוי מערכות יחסים לא לינאריות בתוך נתונים עתירי ממדים גבוהים. בהקשר של תיווך, מודלים אלה יכולים ללמוד מהצלחות קודמות וכישלונות לחזות תוצאות של התערבויות חדשות.על ידי עדכון מתמיד של תחזיות נתונים טריות, AI תומך ניהול הסתגלותי - יכולת חיונית לפרויקטים ארוכי טווח שבהם מתפתחים תנאים.

טכניקות למידה מכונות חיוניות בשימוש

כמה גישות ML הוכחות יעילות לחיזוי דחיפות:

  • (FLT:0) מכונות למידה סופר-בידורות 1 (Algorithms כמו יערות אקראיים, ⁇ חיזוק, תמיכה וקטור מכונות מאומן על נתונים מתוייגים (למשל, "remediation הצליחה" או "failed") לסווג תוצאות או לגנות ערכים מתמשכים כגון ריכוז לאחר טיפול.
  • (FLT:0) רשתות ניברליות FLT:1 - מודלים למידה עמוקה יכולים ללכוד תבניות ספירו-זמנית בגירדת צנרת contaminant, במיוחד כאשר להאכיל נתונים של זמן מ ניטור בארות.
  • (FLT:0) שיטות של Ensemblemia (FLT:1) - שילוב של מספר רב של לומדים חלשים מפחית את ההתאמה ושיפור הכללה על פני תנאי האתר השונים.טכניקות כמו השקיה והעלאת הם נפוצים ביישומים סביבתיים שבהם נתונים רועשים או לא שלמים.
  • (FLT:0) Reinforcement LearningFLT:1 - מקרי שימוש עתידיים כרוכים באימון סוכן AI כדי להתאים את הפרמטרים של תיווך בזמן אמת (למשל, שיעורי ההזרקה) כדי למקסם את יעילות ניקוי תוך צמצום עלויות, למידה באמצעות ניסוי וטעייה בסביבה מדומה.

מקורות מידע ואוסף

איכות גבוהה, נתונים מייצגים הוא הדלק עבור מודלים AI. עבור חיזוי , מקורות נתונים קריטיים כוללים:

  • (FLT:0 חיישנים של החלפת חומרים:1) - צגים בזמן אמת עבור pH, טמפרטורה, חמצן מומס, ריכוזים מדבקים ולחץ הידראולי.אינטרנט של דברים (IoT) עכשיו לאפשר זרימה מתמשכת לתוך פלטפורמות AI מבוססות ענן.
  • (FLT:0)Geographic מערכות מידע (GIS)BuildFLT:1) - שכבות ספוטאליות עבור טופוגרפיה, סוג אדמה, שימוש בקרקע, עומק מים קרקע, וסמיכות קולטנים רגישים.
  • (FLT:0) רשומות של EPA של remediation רשומות 1FLT: מאגרי נתונים שהוחזקו על ידי סוכנויות רגולטוריות (למשל, רשומות Superfund) מכילות היסטוריה מפורטת של מקרים: טכנולוגיה המשמשת, משך, עלות, רמות contaminant הסופי.
  • (FLT:0) ניתוחי עבודה (FLT:1) - אמירות כימיות וביולוגיה של דגימות אדמה ומים מספקים אמת קרקעית לזהות ולריכוז, המשמש לעתים קרובות כמשתנים היעד לאימון מודל.
  • (FLT:0)Remote sensing FLT:1) - לוויינים או מל"ט תמונות מציע נקודת מבט מאקרו על בריאות צמחייה, שחיקה ושימוש בקרקע שינויים, אשר יכול להצביע על היקף זיהום או יעילות תיווך.

מודל אימון ואימות

בניית מודל בינה מלאכותית אמין לחיזוי תיווך עוקב אחר צינור מובנה.1, נתונים גולמיים מנוקים, נורמטיביים ומורכבים-מעובדים: לדוגמה, קביעת יחסים של מזהמים לפירוק מוצרים, או חישוב מרחק עד מעקב קרוב ביותר טוב יותר.Next, ה-Dataset מחולק לאימון, אימות ובדיקות.המודל מאומנים באמצעות אלגוריתמים כמו שיפור או רשת עצבית, עם ציון דרך ביצועים רצופים (FRM) באופן מלא, הוא מ-מתאים באופן קבוע (מתאים) באמצעות ביצועים).

יתרון מפתח של AI על מודלים סטטיסטיים מסורתיים הוא היכולת שלה להתמודד עם נתונים חסרים או רועשים באמצעות טכניקות מזהמים או על ידי למידה תכונות חזקות. רבים נתונים סביבתיים הם מבולגנים, אבל מערכות AI מעוצב היטב עדיין יכול להפיק אות מן הרעש.

תחזיות בפרקטיקה

מודלים של AI יכולים לצפות כמה ממדים של ביצועים של התחדשות:

  • (FLT:0) אבולוציה של צנרת:1 ; חיזוי כיצד contaminant מומס יתפשט או יידרדר לאורך זמן תחת תרחישים הידראוליים שונים, המאפשר מיקום פרואקטיבי של בארות החילוץ.
  • (FLT:0) יעילות הסתברות גבוהה יותר (FLT:1) - הערכת הפחתת אחוז בזיהוי מסה חד-משמעית על ידי טכנולוגיה מסוימת (למשל, חמצון כימי, ביו-remediation) שניתנה תכונות האתר.
  • (הפסקה:0) שינוי לסגירה של FLT:1 - מתן קווי זמן פרובביליסטיים להשגת רמות ניקוי רגולטוריות, סיוע בתכנון תקציב ותקשורת בעלי מניות.
  • (FLT:0) estimationFLT:1 - תחזית עלות מחזור חיים הכוללת, כולל תפעול, תחזוקה, ניטור, בהתבסס על תכונות האתר והטכנולוגיה שנבחרה.
  • (ב) ⁇ (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

מחקר: AI in Groundwater Remediation

דוגמה בולטת מגיעה משותפות בין משרד האנרגיה והחוקרים האקדמיים של ארה"ב באתר ייצור לשעבר המזוהם עם trichloroethylene (TCE), מודל למידה עמוק הוכשר ב-20 שנות מעקב - כולל רמות מים, ריכוזי TCE, טמפרטורה ופעילות מיקרוביאלית - כמו תכונות מרחביות של GIS.

היתרונות והחזרה על ההשקעה

הגדלת AI לתוך התחדשות של זרימת עבודה מניב יתרונות קוונטיים מעבר לחיזוי פשוט. היתרונות האלה באופן קולקטיבי להפחית את העלות הכוללת של ניקוי האתר ולשפר את ההחזקה הסביבתית.

שיפור המוכנות וצמצום אי-ודאות

גישות מסורתיות דוגמנות מסתמכות לעתים קרובות על הנחות פשוטות על גיאולוגיה הומוגנית וזרימה יציבה של המדינה.AI יכול ללמוד heterogeneity ספציפי לאתר מהנתונים, לייצר תחזיות מדויקות יותר.זה מקטין את "התפלות המתוכננות" שמובילה לעלות על יתר על פני השטח ולקבוע עיכובים.לדוגמה, פרויקט שמוערך במקור לקחת 15 שנים עשוי להיות צפוי נכון 12 שנים, לחסוך מיליוני פעולות על פני ראש.

החלטות מהירות יותר - נביחת

בינה מלאכותית יכולה לעבד נתוני חיישן חדשים תוך זמן קצר ועדכון תחזיות בתוך דקות – ההשוואה לימים הדרושים למומחים אנושיים כדי להפעיל מחדש סימולציות באופן ידני.מהירות זו מאפשרת תגובה מהירה לשינויים בתנאים, כגון עלייה בריכוז בולט לאחר אירוע סערה. החלטות מהירות יותר למנוע ממזהמים להפיץ עוד ולהימנע מפיצות של חוסר התאמה רגולטורית.

חיסכון בעלויות באמצעות אופטימיזציה

על ידי זיהוי המשתנים המשפיעים ביותר (למשל, קצב ההזרקה, ריכוז חמצון, מיקום טוב), AI מסייע למהנדסים מבצעים בעלי הון טוב למזער את צריכת המשאבים תוך כדי למקסם את ההסרה המסווגת.במקרה לעיל, ירידה של 35% בשימוש כימי ישירות מתורגם לעלויות החומר וההספקות הנמוכות יותר.

ניהול הסתגלות

מסגרות רגולטוריות מעודדות יותר ויותר ניהול הסתגלותי – שבו אסטרטגיות מתואמים כמידע חדש הופך להיות זמין. AI מספק את המנוע האנליטי הדרוש ליישום גישה זו ביעילות.מודלים יכולים להיות מאומנים באופן רציף עם נתונים ניטור טרי, כלומר תחזיות משתפרות עם הזמן ולא להיות מסולקים.זה יוצר לולאה משוב שמניעה יעילות רבה יותר אי פעם.

תקשורת טובה יותר

AI יכול ליצור ויזואליזציה ותחזיות פרוביביליסטיות כי הם אינטואיטיביים יותר מאשר מפות הידרוגולוגיות מורכבות.לדוגמה, לוח ייעוץ קהילתי יכול לראות מפת הסתברות של כאשר contaminants ייפול מתחת לגבולות משפטיים, בניית אמון בתהליך השיקום. Clear, תקשורת המונעת על ידי נתונים מפחיתה התנגדות ומזרזת רכישה.

אתגרים ושיקולים אתיים

למרות הבטחתו, יישום AI להפעלה מחדש אינו ללא היורדים.מודעות לאתגרים אלה חיונית ליישום אחראי.

איכות נתונים וזמינות

מודלים של בינה מלאכותית הם רק טובים כמו הנתונים שהם מאומן על.ספאר או נתונים מוטהים - למשל, אם בארות ניטור ממוקמות רק באזורי ריכוז גבוהים - יכול להוביל לתחזיות overconfident כי מתגעגע כתמים חמים.בנוסף, רשומות היסטוריות עלולות לסבול מתקני דיווח לא עקביים.

חוסר יכולת ואמון

מודלים רבים בעלי ביצועים גבוהים, במיוחד רשתות עצביות עמוקות, פועלים כ"קופסאות שחורות" (Raulators ובעלי אתרים עשויים להיות חסרי מוטיבציה לבסס החלטות בשווי מיליון דולר על תחזיות שהם לא יכולים להבין.סבירו שיטות AI (XAI) כגון SHAP או LIME, יכולים לחשוף אילו תכונות מניעות תחזית - למשל, מראה כי תוכן פחמן אורגני הקרקע הוא הגורם הדומיננטי - אבל מורכבות מוסיף אמון דורשות של דיווח שקוף ותוצאות סופיות.

דרושים למומחה

בינה מלאכותית אינה יכולה להחליף את הידע המוקצב של הידרוגולוגים, גיאוצ'מיסטים ומהנדסים.מודל עשוי לזהות מתאם סטטיסטי שאין לו בסיס סיבתי, המוביל להחלטות הרסניות אם הן עוקבות אחר עיוורות.מערכות בינה מלאכותית יעילות מפותחות על ידי מדענים ואנשי מקצוע סביבתיים שיכולים לקרקע את האלגוריתמים במציאות הפיזית.

קבלה מוסרית והגנתית

מי אחראי אם החלטה המונעת על ידי בינה מלאכותית מובילה לטיהור לא שלם או לאירוע בריאות הציבור?חוק סביבתי נוכחי מציב אחריות על הבעלים או יועץ, לא האלגוריתם, שכן AI הופך להיות יותר אוטונומי, סוכנויות רגולטוריות כמו EPA עשוי להיות צריך לפתח הנחיות לאימות המודל ואישור.יש גם דאגה לגבי הטיה אלגוריתמית - אם נתוני הכשרה מגיעים בעיקר מאתרי Superfunded ממומן היטב, מודלים עשויים להיות תחת דירוג נמוך של קהילות פחות הקצאה של נתונים.

כיוונים עתידיים

הצומת של AI ו remediation מתפתח במהירות, מונע על ידי התקדמות מחשוב, רגיש ומדע סביבתי. מגמות מספר יעצבו את העשור הבא.

תאומים דיגיטליים ל-Time Control

תאום דיגיטלי הוא העתק וירטואלי של מערכת הפעלה גופנית, אשר מסנכרנת באופן מתמשך עם נתוני חיישן.תאומים דיגיטליים מופעלים על ידי AI יכול לדמות "מה אם" תרחישים - למשל, מה קורה אם אנו מכפילים את קצב ההזרקה החמצתית - ולאחר מכן לבצע פעולות אופטימליות באופן אוטומטי.

למידה מעודכנת לפרטיות נתונים

נתונים רבים של ניתוק נתונים מכילים מידע קנייני או רגיש. פדרated למידה מודלים AI על פני מקורות נתונים מבוזרים ללא העברת נתונים גולמי לשרת מרכזי.טכניקה זו מאפשרת לארגונים מרובים (למשל, חברות ייעוץ, רגולטורים) לבנות באופן קולקטיבי מודלים חזקים יותר תוך שמירה על פרטיות וסודיות.זה יכול להרחיב באופן דרמטי את מאגר האימונים עבור AI סביבתית.

Reinforcement Learning for אוטונומית

פרויקטים לטווח ארוך, כגון מעקב אחר אינטנסיביות טבעית, יכולים להפיק תועלת מסוכני למידה חיזוק אשר מתאמתים תדרי ניטור, לעורר טיפולים נוספים, או לסגור מערכות באופן פרואקטיבי.על ידי למידה של מדיניות אופטימלית באמצעות סימולציה, סוכנים אלה יכולים לפעול במשך שנים עם פיקוח אנושי מינימלי, צמצום עלויות העבודה ושיפור ההיענות.

שילוב עם מודלים אקלים

שינויי אקלים משנים את דפוסי המשקעים, שיעורי טעינה במים הקרקעיים, וטמפרטורות - כל הגורמים המשפיעים על גורל והובלתם של מודלים עתידיים AI לשלב תחזיות אקלים כדי לחזות כיצד אסטרטגיות תיווך יבצעו תחת תרחישים התחממות שונים.

מסקנה

אינטליגנציה מלאכותית אינה שרביט קסמים שיסלק את כל אי הוודאות בתיווך סביבתי.עם זאת, כאשר הוא מיושם בזהירות עם נתונים באיכות גבוהה מומחיות דומיין, AI מספק אמצעים חזקים לחיזוי ביצועי גומלין עם דיוק חסר תקדים.זה חוסך זמן, כסף ומשאבים, תוך מתן אסטרטגיות ניהול הסתגלות שיכולה להגיב המורכבות של אתרים מזוהמים.

לקריאה נוספת על יישומי AI במדעי הסביבה, ראה את ה-FLT:0research שפורסם ב-FLT:1Scientific Reports in the Environmental Science:2earFLT 3: on Machine for Groundwater contamination , או את הסקירה של FLT:4 של EPA של AI במחקר מים:5 .