الگوهای نوآورانه هوش مصنوعی برای پیش بینی فرونشست زمین به سوی چارچوب های هوش مصنوعی جغرافیایی، چندوجهی آگاه از علل و مبتنی بر فیزیک

فرونشست زمین به ویژه در دشت هایی با بهره برداری شدید از آب زیرزمینی و نواحی معدنی به یکی از جدی ترین مخاطرات ژئوتکنیکی و محیط زیستی تبدیل شده است. در سال های اخیر مدل های یادگیری ماشین و یادگیری عمیق با بهره گیری از داده های سنجش از دور، مشاهدات InSAR چاه های مشاهده ای و پارامترهای ژئوتکنیکی پیش بینی فرونشست را با دقت بالاتری ممکن ساخته اند. با این حال، اغلب این مدل ها صرفا داده محور و فاقد پیوند صریح با مکانیزم های فیزیکی تحکیم و تخلخل-تنش هستند و نسبت به تغییرات سناریوهای بهره برداری مدیریت پمپاژ، تغییر الگوی کشت، توسعه زیرساخت فاقد تفسیر علی اند و از هم جوشی سازمان یافته ی داده های چند منبع و چند مقیاس InSAR، داده های بهره برداری، مدل های عددی (ECM) به صورت سیستماتیک استفاده نمی کنند. این مقاله با مرور انتقادی ادبیات ۲۰۲۰-۲۰۲۵، شکاف های کلیدی در کاربرد هوش مصنوعی برای پیش بینی فرونشست را شناسایی کرده و چند ایده ی فناورانه و نو را پیشنهاد می کند که می توانند به عنوان چارچوب های نسل بعدی GeoAI برای فرونشست توسعه یابند. چارچوب چندریختی مولتی مودال (Multi-Modal) GeoAI مبتنی بر مدل های بنیانی برای هم جوشی مشترک داده های InSAR، شبکه ی چاه ها، هیدروژئولوژی و سری های زمانی بهره برداری؛ چارچوب علی آگاه هوش مصنوعی جغرافیایی که از یادگیری علی و مدل های ساختاری برای شبیه سازی سناریوهای مدیریتی کنترل، کاهش پمپاژ و تغییر کاربری (سازه ای) و برآورد اثرات آنها بر فرونشست استفاده می کند؛ چارچوب فیزیک آگاه (PINO-SUB) که معادلات تحکیم و پوروالاستیسیته را در داخل شبکه ی عصبی رمزگذاری کرده و با داده های InSAR و چاه تلفیق می کند؛ هوشمند فرونشست Digital Twin بر پایه ی یادگیری فعال و پایش نزدیک به زمان با داده های اکستنسومتر چندعمقی و InSAR در کنار تشریح مفهومی این ایده ها، معماری کلی هر چارچوب، نوع داده های مورد نیاز، نحوه ی آموزش، شاخص های ارزیابی و مسیرهای پیاده سازی عملی در معادن و دشت های ایران پیشنهاد می شود. این مطالعه می تواند به عنوان نقشه ی راه پژوهشی برای توسعه ی نسل بعدی سامانه های پیش بینی و هشدار سریع فرونشست در محیط های با داده نامتوازن و سناریوهای مدیریتی پویا مورد استفاده قرار گیرد.

کلیدواژه ها:

فرونشست زمین ، هوش مصنوعی ، یادگیری عمیق ، مدل های فیزیک آگاه ، یادگیری علی ، Digital Twin ، InSAR ، داده های چند منبعی