science >> Wetenschap >  >> Natuur

Kan machine learning de waarschuwing voor afvalstroom verbeteren?

Krediet:CC0 Publiek Domein

Machine learning kan een extra uur waarschuwingstijd opleveren voor puinstromen langs de Illgraben-stroom in Zwitserland, onderzoekers rapporteren op de jaarlijkse bijeenkomst van de Seismological Society of America (SSA) in 2021.

Puinstromen zijn mengsels van water, sediment en gesteente dat snel van steile heuvels afdaalt, veroorzaakt door hevige neerslag en vaak met tienduizenden kubieke meters materiaal. Hun destructieve potentieel maakt het belangrijk om monitoring- en waarschuwingssystemen te hebben om mensen en infrastructuur in de buurt te beschermen.

In haar presentatie op SSA, Małgorzata Chmiel van ETH Zürich beschreef een machine learning-benadering voor het detecteren en waarschuwen tegen puinstromen voor de Illgraben-torrent, een site in de Europese Alpen die elk jaar aanzienlijke puinstromen en hevige gebeurtenissen meemaakt.

Seismische gegevens van stations in het stroomgebied van Illgraben, van 20 eerdere puinstroomgebeurtenissen, werden gebruikt om een ​​algoritme te trainen om de seismische signalen van de vorming van puinstromen te herkennen, het nauwkeurig detecteren van vroege stromen 90% van de tijd.

Het machine learning-systeem was in staat om alle 13 puinstromen en hevige gebeurtenissen te detecteren die plaatsvonden gedurende een periode van drie maanden in 2020. Het alarm dat door het systeem werd geactiveerd, vond plaats tussen 20 minuten en anderhalf uur eerder dan de geschatte aankomsttijd van de stroom op de eerste dam van de torrent, afhankelijk van de stroomsnelheid.

Puinstroomwaarschuwingen voor de Illgraben-stroom komen van geofoons bij drie controledammen en sensoren die de stroomhoogte meten. Dertig controledammen werden in het onderste deel van het kanaal geïnstalleerd na een rampzalige gebeurtenis in 1961 die het kanaal overstroomde en een brug vernietigde.

Het huidige systeem beperkt de detectie van puinstromen tot een dam die zich onder het bovenste stroomgebied van de bergstroom bevindt. "Echter, puinstromen vormen zich meestal in het bovenste stroomgebied, hierboven check dam een, " legde Chmiel uit. "Om het huidige waarschuwingssysteem te verbeteren, we zouden de hevige gebeurtenissen in hun initiële vormingsfase moeten detecteren voordat ze bij controledam één aankomen."

De regelmaat en variabiliteit van Illgraben puinstromen overtuigde de onderzoekers ervan dat de torrent een goede plek zou zijn om hun machine learning-model als alternatief waarschuwingssysteem uit te testen.

"We dachten dat de omvang van de dataset voldoende zou moeten zijn om een ​​machine learning-model te trainen voor robuuste detectie. Bovendien, wat machine learning bijzonder aantrekkelijk maakt voor Illgraben, is dat de detector elk jaar kan worden verbeterd, met gegevens van nieuwe evenementen, iets dat niet mogelijk is met traditionele benaderingen, ' zei Chmiël.

Chmiel zei dat het systeem goed werkt bij het onderscheiden van hevige gebeurtenissen van seismische signalen geproduceerd door menselijke activiteit, regenval en aardbevingen. De volgende stap, merkte ze op, zal zijn om te onderzoeken of het machine learning-model ook onderscheid kan maken tussen kleine en grotere en mogelijk meer schadelijke puinstromen.

De meeste puinstromen in Illgraben worden geactiveerd door zware zomerregens, hoewel smeltende sneeuw de helling kan beïnvloeden en mogelijk in de late lente of vroege zomer enkele stromingen kan veroorzaken, zei Chmiël. Een grote puinstroom kan het dorp Susten bedreigen, naast het onderste deel van de stroom, of de populaire wandelpaden in de omgeving rond het kanaal.