Vyčistit znečištěnou lokalitu neznamená jen jednat, ale hlavně správně číst dění pod povrchem. Právě tam se totiž rozhoduje o tom, zda bude zásah rychlý, účinný a ekonomický. Nový projekt proto sází na umělou inteligenci, která má z dostupných informací odhalit skryté souvislosti a pomoct vybrat nejúčinnější technologii odstranění znečištění.
Sanační odborníci z praxe dobře vědí, že čím víc informací mají o lokalitě ještě před začátkem prací, tím větší je šance, že se podaří zvolit správný postup hned napoprvé. A právě z této potřeby vznikl projekt SanAI. Sází na přesnější práci s daty a na využití umělé inteligence a neuronových sítí, které mají pomoci lépe porozumět tomu, jak je znečištění v podzemí rozložené, kudy se šíří a kde je potřeba zasáhnout nejdříve. Cílem je vědět o lokalitě co nejvíc ještě předtím, než se vůbec začne s jejím čištěním.
SanAI: zkušenost z praxe i práce s daty
Projekt SanAI stojí na spolupráci skupiny vědců z různých oborů, od pokročilých metod odstraňování znečištění až po strojové učení, dolování dat a matematickou statistiku. „Naším cílem je spojit zkušenosti z praxe s možnostmi, které dnes nabízí umělá inteligence a pokročilá práce s daty,“ říká Jaroslav Nosek, který je řešitelem projektu za TUL. Hlavním řešitelem projektu je MEGA a.s. a další komerční partner společnost Dekonta, a.s.
Jak se skládal obraz znečištění dosud
Dosud se odborníci při hledání zdroje znečištění opírali hlavně o zkušenost, jednotlivé vrty, odebrané vzorky vody a hornin nebo o měření z terénu. Z těchto dílčích informací pak skládali představu o tom, co se pod zemí děje. Takový postup je cenný a v mnoha případech funguje, má ale své limity.
„Podzemí je složité prostředí a mezi dvěma vrty může zůstat skryté něco zásadního, třeba samotný zdroj znečištění, překážka v hornině nebo směr, kterým se znečištění šíří. V praxi to pak často znamená, že se znalosti o lokalitě musí postupně zpřesňovat, doplňovat další vrty a hledat správné řešení krok za krokem,“ vysvětluje Jaroslav Nosek s tím, že právě to celý proces prodlužuje a prodražuje.
Rychlejší a chytřejší tvorba map
Vědci začali v rámci SanAI automatizací tvorby map v programu Surfer. Pro geology to znamená velkou úsporu času, protože ruční vytváření map znečištění je pomalé a plné opakujících se kroků. Díky novým skriptům dokážou zpracovat více dat rychleji a přehledněji. Už si i ověřili, že tento postup funguje i na skutečných údajích z místa, kde právě probíhá odstraňování znečištění.
Tím ale tato práce teprve začíná. Automatická tvorba map je totiž důležitá i pro další fázi projektu. Pokud má umělá inteligence pomoci lépe porozumět tomu, co se děje pod zemí, musíme její výsledky umět také jasně zobrazit. Bez toho by data zůstala jen řadou čísel. Díky mapám ale dostanou srozumitelnou a prakticky využitelnou podobu.
Od jednotlivých měření k celkovému obrazu
K nejdůležitějším částem projektu patří vývoj nástrojů pro automatické zpracování údajů z podrobného průzkumu lokalit. Ty pomohou odhalit chybné hodnoty, průběžně vyhodnocovat výsledky a ukazovat, kde už máme dost informací a kde naopak stále zůstávají bílá místa. Je to podobné, jako když skládáte puzzle, ale většinu dílků zatím nemáte k dispozici. I z několika málo částí se přesto snažíte pochopit, jak vypadá celý obraz, a odhadnout, kde bude nejlepší odebrat další vzorky. Právě tak může už na začátku vzniknout chytře navržená síť vrtů.
„Je to výzva, která si vyžádá trpělivost a systematické experimentování, ale zároveň otevírá prostor pro originální vědecký přínos,“ zdůrazňuje Šárka Horská, expertka na techniky strojového učení a dolování dat.
Do budoucna by měla umělá inteligence odhadnout trojrozměrné rozložení znečištění pod zemí. Tedy nejen to, kde problém je, ale i jak se šíří a kde je potřeba zasáhnout co nejdříve. Výsledkem by měl být jakýsi trojrozměrný mrak znečištění, který ukáže, kde je jeho koncentrace nejvyšší a kde naopak slábne. To může výrazně zlepšit rozhodování a omezit zdlouhavé hledání správného postupu metodou pokus–omyl.
Cíl: lepší rozhodnutí, méně zdržení
Projekt je sice na začátku, ale pokud se tento přístup osvědčí, může do oboru přinést zásadní změnu. Lepší poznání lokality hned na začátku totiž znamená přesnější zásah, rychlejší odstranění zdrojů znečištění a efektivnější využití času i peněz. A právě to je ve světě odstraňování ekologických zátěží rozdíl, který může rozhodovat.
