Моделирование

Согласно требованиям СП 502.1325800.2021 в районе шпуровых скважин требуется проводить эмиссионную съёмку, на основании которой следует рассчитывать суммарные выбросы компонентов биогаза для выбора типа системы дегазации и подбора утилизационного оборудования. Съёмку мы делаем локально, а свалочный газ выходит практически из каждой точки поверхности полигона. Поэтому, чтобы посчитать суммарные выбросы, необходимо прибегать к методам интерполяции, которые позволяют установить искомые значения в местах, где полевые исследования не выполнялись. Возникает вопрос: Какой метод интерполяции выбрать? Сегодня я провел небольшой численный эксперимент на исходных данных одного полигона и попробовал применить для оценки суммарных выбросов метана разные методы интерполяции. Если вы посмотрите на картинку, то увидите, что распределение потоков и соответствующее им суммарное значение выброса метана очень сильно разнятся. Это значит, что от правильности выбора метода интерполяции может зависеть адекватность выбора оборудования для утилизации свалочного газа, стоимость которого составляет десятки, а иногда и сотни миллионов рублей. Предлагаю сходу на выбор несколько вариантов оценки правильности выбора метода интерполяции: 1. Получить среднее значение суммарного выброса метана по всем методам; 2. Принять среднее значение суммарного выброса метана по большинству методов, у которых схожие значения; 3. Рассчитать суммарный выброс метана по эмпирическим методам и выбрать тот метод интерполяции, который даёт наиболее близкое к полученному результату значение; 4. Провести новые замеры эмиссии в полевых условиях, но в других местах и снова построить карты, выбрав тот метод, который даёт более устойчивый результат по двум выборкам. Каждый из этих способов имеет свои ограничения в применимости, достоинства и недостатки. Если тема интересна, то пишите своё мнение в комментариях, предлагайте свои подходы к оценке выбора методики.

Самые интересные открытия совершаются на стыке двух направлений, между которыми на первый взгляд нет ничего общего. И действительно, что может быть общего между палеогеологией и свалками ТКО? Однако, именно применение принципов палеогеологии помогло нам обосновать параметры вертикальной противофильтрационной завесы, которая защитила грунтовые воды от проникновения в них фильтрата из свалочного тела, не имеющего в своём основании гидроизоляционных слоёв. В процессе анализа результатов геологического бурения мы не стали линейно соединять границы инженерно-геологических элементов на разрезах скважин, а попробовали посмотреть на слои грунтов через призму палеобстановки осадконакопления. Например, для прогнозирования формы песчаного элемента, через который просачивался фильтрат в грунтовые воды, на основании анализа карт его толщин, построенных различными методами интерполяции, была принята за основу гипотеза о том, что данный слой формировался в русле древней реки, течение которой намывало мощные слои из песка, вытянутые с запада на северо-восток. В этом же направлении по результатам химического анализа проб грунтовой воды был установлен максимальный вынос вредных веществ за пределы границ свалочного тела. Теория генезиса образования геологических слоёв позволила нам подобрать правильные коэффициенты анизотропии и экстраполировать развитие проницаемого песчаного слоя в области отсутствия бурения скважин. Правильность выбранной гипотезы и согласованных с ней коэффициентов анизотропии впоследствии подтвердилось результатами дополнительного бурения - с помощью построенной геологической модели мы смогли предсказывать послойную геологическую обстановку с точностью до 30 см. В свою очередь точное воспроизведение габаритов проницаемого геологического тела позволило обосновать правильные параметры вертикальной противофильтрационной завесы и перебить канал выноса вредных веществ, защитив от них окружающую среду.

Как обучается и работает нейросеть в ИИ? На самом деле объяснить суть можно довольно просто. Нейросеть - это многомерная регрессия более сложного порядка, нежели те, которые описываются простыми уравнениями. Возьмите в Экселе два столбца точек, постройте точечную диаграмму и включите линию тренда, которая максимально близко описывает траекторию формы облака этих точек. И вот вы уже получили элементарную нейросеть, способную количественно предсказывать как изменится один параметр при изменении другого. Более сложная нейросеть может предсказывать множество событий при изменении множества факторов или условий. Чтобы стать такой прозорливой, нейросеть обучается на миллионах предметов, которые имеют персональные атрибуты (свойства) и имена. Нейросеть смотрит на эти атрибуты и понимает, что в выборке есть группы с одинаковыми именами и имеющими схожие свойства, изменяющиеся в ограниченно-узком диапазоне. И в следующий раз, когда нейросеть столкнется с предметом, которого раньше не встречала в обучающей выборке, она, сравнив его со своим полученным опытом, с большей долей вероятности угадает его имя. Такой принцип обучения называется "обучение с учителем" и применяется в продвинутых оптических сепараторах для распознавания большого количества различных фракций отходов. Несмотря на большую стоимость оборудования, сепараторы с ИИ окупаются в разы быстрее, чем простые оптические сепараторы, работающие по принципу простого считывания интенсивности отраженной от проезжающих на ленте отходов световой волны. Но самое главное достоинство сепараторов с ИИ заключается в том, что встроенную в него нейросеть можно постоянно дообучать, повышая тем самым процент извлечённых полезных фракций, без какой-либо физической модернизации оборудования.

В эпоху интенсивного развития искусственного интеллекта, в вопросе «Стоит ли ИИ давать полную свободу для принятия решений в важных для человечества делах?», люди разбились на два лагеря. Одни считают, что ИИ умнее и лучше справится с поставленными задачами, другие не хотят отдавать пальму первенства в мышлении каким-то бездушным программным кодами. Сегодня, алгоритмы ИИ начинают активно применять и в области экологических вопросов, позволяя им прогнозировать наиболее вероятные события и давать рекомендации человеку как ему жить, чтобы не допустить какой-нибудь беды. В обозначенном вопросе лично я пока больше склоняюсь к мнению второго лагеря, но вовсе не потому, что моё ЭГО не даёт мне признать превосходства ИИ над его создателем. Я считаю, что ИИ не имеет страха и с уверенностью сделает выбор, который может оказаться судьбоносным в плохом смысле этого выражения. И вероятность этого высока, поскольку любая нейронная сеть обучается хоть и на гигантском количестве, но всё же информации, собранной и скормленной ей человеком, мало ещё что понимающим в устройстве нашего мира. Именно осознание своего глобального незнания и непонимание масштаба и знака последствий останавливает человека от того, чтобы уверенно нажать «красную» кнопку там, где ИИ её нажмёт без колебаний, взвесив всего лишь математически вероятность успеха. И когда я читаю восторженные публикации о том, что где то искусственный интеллект принял стратегически эффективное решение в каком-нибудь важном экологическом вопросе, то прежде, чем действительно поверить в эту эффективность, мне хочется для начала пообщаться с учителем ИИ и понять его философию.