பிரேசிலிய மாடல் கடலின் அடிப்பகுதியில் உள்ள சுற்றுச்சூழல் அமைப்புகளைப் பாதுகாக்க செயற்கை நுண்ணறிவைப் பயன்படுத்துகிறது

பிரேசிலிய கடற்கரையில் எண்ணெய் மற்றும் எரிவாயு ஆய்வு, குறிப்பாக உப்புக்கு முந்தைய பகுதியில், குறிப்பிடத்தக்க சுற்றுச்சூழல் அபாயங்களை உள்ளடக்கியது. கடற்பரப்பில் குழாய்கள் மற்றும் உபகரணங்களை நிறுவுவது உணர்திறன் சுற்றுச்சூழல் அமைப்புகளை பாதிக்கலாம். மிகவும் பாதிக்கப்படக்கூடிய ஒன்று சுண்ணாம்பு ஆல்கா ஆகும். முக்கிய ஆபத்து அதன் திடமான கட்டமைப்பிற்கு உடல் சேதம் ஆகும். கார்பன் சேமிப்பு போன்ற கடலின் இரசாயன செயல்முறைகளில் பங்கு வகிப்பதோடு, பல உயிரினங்களின் வாழ்விடமாகவும் இந்த கார்பேஸ் செயல்படுகிறது. அவை மிகவும் உணர்திறன் கொண்டவை மற்றும் கடல் சுற்றுச்சூழல் அமைப்பை நேரடியாக பாதிக்கும் என்பதால், அவை சுற்றுச்சூழல் குறிகாட்டிகளாக செயல்படுகின்றன.

எனவே, இந்த இனங்கள் இருக்கும் பகுதிகளில் பிரித்தெடுக்கும் நடவடிக்கைகளை கட்டுப்படுத்தும் விதிகள் உள்ளன, ஆனால் இதை அடையாளம் காண்பது ஒரு எளிய பணி அல்ல. செழிப்பாக இருந்தாலும், கடலின் ஆழம் அவற்றை அரிதாகவே பார்க்க வைக்கிறது. பாதிப்புகளைக் குறைக்க இந்த இடங்களை அடையாளம் காண வேண்டியது அவசியம். இந்தக் கண்காணிப்பை மேம்படுத்த, PUC-Rio இல் உள்ள மின் பொறியியல் துறையைச் சேர்ந்த எங்கள் குழு ஒரு செயற்கை நுண்ணறிவு மாதிரியை உருவாக்கியது.

எண்ணெய் மற்றும் எரிவாயு பிரித்தெடுப்பதற்கான பொதுவான துணைக்கடல் நிறுவலின் எடுத்துக்காட்டு. கவனிக்கப்பட்ட பல்வேறு உபகரணங்கள் மற்றும் குழாய்கள் சுண்ணாம்பு ஆல்கா சுற்றுச்சூழல் அமைப்பை பாதிக்கிறது.ஆசிரியர்களின் அசல் கட்டுரையிலிருந்து எடுக்கப்பட்ட படம்.

சுண்ணாம்பு ஆல்கா மீது கண்காணிப்பு நடவடிக்கைகளின் போது தொலைவிலிருந்து இயக்கப்படும் வாகனத்தின் பிரதிநிதித்துவம். டைவ் செய்யும் போது, ​​நீருக்கடியில் உபகரணங்களைப் பராமரிப்பதில் உதவுவது போன்ற சுற்றுச்சூழல் கண்காணிப்புக்கு அப்பாற்பட்ட கூடுதல் பணிகளை வாகனம் கொண்டுள்ளது என்பதைக் கவனத்தில் கொள்ள வேண்டும்.

சுண்ணாம்பு ஆல்கா சுற்றுச்சூழல் அமைப்பை பாதிக்கக்கூடிய கடலுக்கு அடியில் எண்ணெய் மற்றும் எரிவாயு பிரித்தெடுப்பதில் பயன்படுத்தப்படும் பொதுவான கூறுகள்: ( A ) பைப்லைன், ( B ) Flange மற்றும் ( C ) பைப்லைன் மிதவை.ஆசிரியர்களின் அசல் கட்டுரையிலிருந்து எடுக்கப்பட்ட படங்கள்.

கண்காணிப்பு சிரமங்கள்

இன்று, இந்த கண்காணிப்பு தொலைதூரத்தில் இயக்கப்படும் வாகனங்களின் உதவியுடன் செய்யப்படுகிறது, இது கடற்பரப்பின் படங்களை பிடிக்கிறது. இந்த படங்கள் ஆழமான கற்றல் மாதிரிகளின் ஆதரவுடன் இனங்களை அடையாளம் காணவும், காலப்போக்கில் ஆல்காவின் விநியோகத்தை வரைபடமாக்கவும் பகுப்பாய்வு செய்யப்படுகின்றன. புதிய உள்கட்டமைப்பை எங்கு நிறுவுவது மற்றும் அடுத்தடுத்த சுற்றுச்சூழல் தாக்கங்களை மதிப்பிடுவது பற்றிய வழிகாட்டுதல் முடிவுகளை எடுக்க இந்தத் தரவு உதவுகிறது.

இந்தப் பணியின் முக்கிய சவால்களில் ஒன்று, இந்தப் படங்கள் மிகவும் சத்தமில்லாத மாதிரிகள். தவறாகப் பெயரிடப்படும் அதிக ஆபத்து இருக்கும்போது நாம் பயன்படுத்தும் சொல் இதுவாகும். இயந்திரப் பயிற்சியில் பயன்படுத்தப்படும் தரவுத் தொகுப்பில் பிழைகள் உள்ள தகவல் இருக்கும் போது, ​​இது ஆழமான கற்றல் மாதிரிகளின் வலிமையைத் தீவிரமாக சமரசம் செய்கிறது. நிஜ உலக தரவுகளில் இது ஒரு பொதுவான சவாலாகும்.

சுண்ணாம்பு ஆல்காவைப் பொறுத்தவரை, சத்தம் முக்கியமாக நிபுணர்கள் அல்லாதவர்கள் அல்லது அதிக வேலை செய்யும் நிபுணர்களால் செய்யப்பட்ட குறிப்புகளிலிருந்து எழுகிறது. சத்தத்தின் பிற பொதுவான ஆதாரங்களில் தானியங்கு வலை வினவல்கள் மற்றும் கூட்டு லேபிளிங் மூலம் அறிமுகப்படுத்தப்பட்ட பிழைகள் அடங்கும். சில சவாலான வகைப்பாடு பணிகளை எதிர்கொள்ளும் போது நிபுணர்கள் கூட தவறான லேபிள்களை உருவாக்கலாம்.

முந்தைய இரைச்சல் அணுகுமுறைகள்

இந்த சிக்கலைக் கையாள்வதில் மிகவும் பரவலாக ஏற்றுக்கொள்ளப்பட்ட உத்திகளில் ஒன்று சிறிய இழப்பு அணுகுமுறை ஆகும். சரியாக பெயரிடப்பட்ட மாதிரிகள் குறைந்த பயிற்சி இழப்புகளை விளைவிக்கும் என்று அது கருதுகிறது. அதிக இழப்புகளைக் கொண்ட மாதிரிகள் சத்தமாகக் கருதப்பட்டு பயிற்சி செயல்முறையிலிருந்து நிராகரிக்கப்படுகின்றன. ஏனென்றால், அவை தவறாகப் பெயரிடப்பட்டிருக்க வாய்ப்புகள் அதிகம் என்று கருதப்படுகிறது.

இந்த அணுகுமுறையின் அடிப்படையில் மாதிரிகளை மேம்படுத்துவதற்கான ஒரு முறையாக நாங்கள் சமீபத்தில் நிராகரிக்கப்பட்ட மாதிரி மீட்டெடுப்பைச் சேர்த்துள்ளோம். இந்த அமைப்பு கைவிடப்பட்ட மாதிரிகளை மீட்டெடுப்பதை நோக்கமாகக் கொண்டது. பயிற்சித் தொகுப்பிற்குத் திரும்புவதை எளிதாக்கும் வகையில், அவர்களுக்கு மிகவும் நெகிழ்வான லேபிள்கள் (போலி லேபிள்கள்) ஒதுக்கப்பட்டன. அதே வேலையில், கூட்டு கற்பித்தல் முன்னுதாரணத்துடன் இணைந்த மாதிரியையும் நாங்கள் முன்மொழிகிறோம். அதில், இரண்டு நெட்வொர்க்குகள் லேபிள்களில் சத்தத்திற்கு எதிராக வலுவான தன்மையை மேம்படுத்த தகவல்களை பரிமாறிக்கொள்கின்றன.

இந்த சிகிச்சையானது நம்பிக்கைக்குரிய முடிவுகளைக் காட்டியிருந்தாலும், இறுதியில் சத்தமில்லாத மாதிரிகள் சரியாக அடையாளம் காணப்படுவதை இது இன்னும் முன்னிறுத்துகிறது. இருப்பினும், இந்த அனுமானம் நடைமுறையில் அரிதாகவே சந்திக்கப்படுகிறது. இரைச்சல் வடிகட்டுதல் மற்றும் போலி-லேபிளிங் நிலைகள் இரண்டும் பிழைகளுக்கு ஆளாகின்றன. எல்லாவற்றிற்கும் மேலாக, இந்த வகை மாதிரியில் இது ஒரு உள்ளார்ந்த பிரச்சனை.

ஒரு புதிய மாடல்

பகுப்பாய்வின் நம்பகத்தன்மையை மேம்படுத்துவதற்காக, ஸ்பிரிங்கர் நேச்சர் குழுவிலிருந்து, கணினி அறிவியல் மற்றும் பொறியியலுக்கான இயந்திர கற்றல் இதழில் சமீபத்தில் வெளியிடப்பட்ட புதிய அணுகுமுறையை நாங்கள் முன்மொழிந்தோம். சுய-கண்காணிப்பு கற்றல் நுட்பங்களை நாங்கள் இணைத்துள்ளோம், இது மனித லேபிள்களை மட்டும் நம்பாமல், தரவிலிருந்து நேரடியாக வடிவங்களைக் கற்றுக்கொள்ள கணினியை அனுமதிக்கிறது. குறிப்பாக, படங்களுக்கிடையே உள்ள ஒற்றுமைகள் மற்றும் வேறுபாடுகளை சிறப்பாக வேறுபடுத்தி அறிய உதவும் மாறுபட்ட கற்றல் என்று அழைக்கப்படுவதைப் பயன்படுத்துகிறோம். நடைமுறையில், இது தரவுகளில் நிச்சயமற்ற தன்மை இருக்கும்போது கூட அமைப்புகளை அடையாளம் காணும் திறனை அதிகமாக்குகிறது.

கூடுதலாக, மாதிரியின் நம்பிக்கை நிலைக்கு ஏற்ப, லேபிள்களுக்கு வெவ்வேறு எடைகளை ஒதுக்கும் பொறிமுறையைச் சேர்த்துள்ளோம். பின்னர் அது மிகவும் எளிதாக வகைப்படுத்தப்பட்ட படங்களை பிரிக்கிறது, அவை சரியாக பெயரிடப்பட்டிருக்கும். பிழைகள் அதிக வாய்ப்புள்ள எடுத்துக்காட்டுகள் எச்சரிக்கையுடன் கையாளப்படுகின்றன.

இப்பகுதியில் பரவலாகப் பயன்படுத்தப்படும் தரவுத்தளங்களைக் கொண்டு சோதனைகளை மேற்கொண்டோம். செயல்திறன் அளவீடுகளில் மாடல் 3% வரை முன்னேற்றத்தைக் காட்டியது. சுண்ணாம்பு ஆல்காவின் குறிப்பிட்ட வழக்கில், நாங்கள் 1.6% அதிகரிப்பை அடைந்தோம். முடிவு சுமாரானதாகத் தோன்றலாம், ஆனால் இது சுற்றுச்சூழல் பயன்பாடுகளில் பெரிய வித்தியாசத்தை ஏற்படுத்துகிறது, இதற்கு நிறைய துல்லியம் தேவைப்படுகிறது.

ஏற்கனவே விண்ணப்பத்தில் உள்ளது

புதிய மாடல் ஏற்கனவே பிரேசிலிய கடற்கரையில் கடல் பகுதிகளை கண்காணிப்பதில் இணைக்கப்பட்டுள்ளது, இது விரைவான மற்றும் விரிவான பகுப்பாய்வுகளை அனுமதிக்கிறது. இந்த சுற்றுச்சூழல் அமைப்புகளின் பரிணாம வளர்ச்சியை மிகவும் துல்லியமாக கண்காணிப்பதையும், சுற்றுச்சூழல் சீரழிவின் அறிகுறிகளைக் கண்டறிவதையும் இது எளிதாக்குகிறது.

கல்விச் சூழலில், செயற்கை நுண்ணறிவு அமைப்புகள் அவை பயிற்றுவிக்கப்பட்ட தரவின் தரத்தால் ஆழமாக பாதிக்கப்படுகின்றன என்பதையும் எங்கள் ஆய்வு வலுப்படுத்துகிறது. இந்தக் குறைபாடுகளைக் கையாள்வது, துறையில், குறிப்பாக நிஜ உலகச் சூழல்களில், மிகப்பெரிய தற்போதைய சவால்களில் ஒன்றாகத் தொடர்கிறது.

இந்த தொழில்நுட்பங்களின் பயன்பாட்டை விரிவுபடுத்துவதற்கு பாதகமான சூழ்நிலைகளிலும் கூட கற்கும் திறன் கொண்ட புதிய, பெருகிய முறையில் வலுவான முறைகளின் நிலையான வளர்ச்சி மிகவும் முக்கியமானது. லேபிளிங் பிழைகளுக்கு குறைவான உணர்திறன் கொண்ட மாதிரிகள் மற்றும் நன்றாகச் சரிசெய்வதற்கான தேவை வெவ்வேறு சூழல்களில் தத்தெடுப்பதை எளிதாக்கும். சுகாதாரம் முதல் விவசாயம் வரை, பெரிய அளவிலான தரவுகள் பெரும்பாலும் அபூரண நிலைமைகளின் கீழ் சேகரிக்கப்படுகின்றன. சிக்கலான மற்றும் முழுமையடையாத தரவை விளக்குவதை மேம்படுத்துவதன் மூலம், செயற்கை நுண்ணறிவின் புதிய பயன்பாடுகளுக்கு வழி வகுக்கும் நோக்கத்தை நாங்கள் கொண்டுள்ளோம். கடற்பரப்பு போன்ற சூழல்களில் கூட நேரடியாகக் கவனிப்பது இன்னும் சவாலாக உள்ளது.

Marco Aurélio Cavalcanti Pacheco Petrobras நிறுவனத்திற்கு ஆலோசனை வழங்குகிறார். இது பெட்ரோப்ராஸிடமிருந்து நிதியுதவி பெறுகிறது.

Manoela Kohler PUC-Rio இல் ஆராய்ச்சியாளராக உள்ளார், மேலும் நிறுவனத்துடன் வேலைவாய்ப்பு உறவு இல்லாமல், Petrobras உடன் இணைந்து மேற்கொள்ளப்படும் கல்வி ஆராய்ச்சி திட்டங்களில் பங்கேற்கிறார். அதன் ஆராய்ச்சி நடவடிக்கைகளின் ஒரு பகுதி பெட்ரோப்ராஸிடமிருந்து நிதியைப் பெறுகிறது.

இந்தக் கட்டுரையை வெளியிடுவதன் மூலம் பயனடையக்கூடிய எந்தவொரு நிறுவனம் அல்லது நிறுவனத்திடமிருந்தும் ஆலோசிக்கவோ, வேலை செய்யவோ, சொந்தமாகப் பங்குகள் பெறவோ அல்லது நிதியுதவி பெறவோ இல்லை, மேலும் அவரது கல்வி நிலைக்கு அப்பால் எந்த தொடர்புடைய உறவுகளையும் வெளியிடவில்லை.