Исследователи из Китая разработали модель искусственного интеллекта для прогнозирования деформаций склонов на три, семь и десять суток. Алгоритм учитывает историю перемещений грунтового массива, количество осадков и физические ограничения на изменение прогнозируемых смещений. По сравнению с базовой нейросетевой моделью TCN среднеквадратическая ошибка прогноза снизилась на 3,08–6,27%, следует из аннотации исследования, принятого к публикации в журнале Frontiers in Earth Science.
Работу выполнили Пэйпэй Чэнь, Сиюй Хуан, Цян Янь и Бин Бай из Пекинского университета строительства и архитектуры, компании Pinglu Canal Group и Пекинского транспортного университета.
Задача исследования заключалась в повышении точности краткосрочного прогнозирования деформаций склонов, а также в устранении резких и физически необоснованных колебаний, которые могут возникать при использовании обычных нейросетевых моделей.
Для разработки алгоритма использовали данные наблюдений за склоном канала, оборудованным четырьмя пунктами GNSS-мониторинга. Исходный массив включал суточные значения перемещений и атмосферных осадков.
Перед обучением модели исследователи выполнили временное согласование измерений, восстановление коротких пропусков в рядах наблюдений и обработку аномальных приращений смещений.
Для каждого прогноза формировали набор из 23 признаков, описывающих состояние склона, накопленное влияние осадков за разные периоды и качество исходных данных.
Алгоритм получил название PI-AH-TCN — Physics-Informed Attention Horizon-Aware Temporal Convolutional Network.
Его основу составляет временная свёрточная нейронная сеть, которая анализирует последовательности наблюдений и выявляет зависимости между предшествующими воздействиями и последующим развитием деформаций.
Для формирования прогноза используются данные за предыдущие 30 суток. Механизм внимания позволяет выделять наиболее значимые фрагменты этой истории, а специальный выходной блок рассчитывает приращения смещений для трёх горизонтов прогнозирования.
В отличие от подходов, при которых сеть непосредственно предсказывает суммарное перемещение, разработанная модель сначала определяет будущие приращения, а затем последовательно суммирует их.
Дополнительно при обучении учитываются ограничения, связанные с согласованностью прогнозируемых приращений и восстановленной последовательности общих смещений. Специальная регуляризация подавляет локальные колебания прогноза, не имеющие достаточного подтверждения в наблюдениях.
Эффективность разработки сравнили с алгоритмом случайного леса, архитектурой Transformer и обычной моделью TCN.
По данным авторов, новая система показала наименьшие значения среднеквадратической и средней абсолютной ошибки, а также наибольший коэффициент детерминации среди рассмотренных вариантов на всех трёх горизонтах.
Относительно базовой TCN снижение RMSE составило 3,08% для прогноза на трое суток, 5,74% — на семь суток и 6,27% — на десять суток.
Одновременно уменьшился показатель локальных колебаний прогнозируемых перемещений — jitter index. Для трёх горизонтов его значения составили 0,2422, 0,0952 и 0,0670 мм соответственно. По сравнению с базовой моделью сокращение достигло 20,50%, 63,33% и 69,39%.
Полученные результаты свидетельствуют о возможности повышения устойчивости краткосрочных прогнозов за счёт объединения методов машинного обучения с инженерными ограничениями.
Подобные системы потенциально могут использоваться при геотехническом мониторинге откосов, склонов и других объектов, где важно оценивать развитие перемещений на несколько суток вперёд.
Вместе с тем исследование не подтверждает способность модели самостоятельно определять момент возникновения оползня или гарантированно предупреждать аварийные ситуации. Приведённые показатели характеризуют точность прогнозирования деформаций на использованном авторами наборе данных.
Для практического применения алгоритма необходимо оценить его работу на независимых объектах с различными геологическими, гидрогеологическими и климатическими условиями.