پتانسیل و چالش های کاربرد هوش مصنوعی در علوم زمین (مطالعه موردی: پیش بینی نرخ نفوذ ماشین حفر تونل)

با افزایش حجم داده‌ها و پیچیدگی فرآیندهای زمین‌شناختی، استفاده از هوش مصنوعی به‌ ابزاری کارآمد برای تحلیل، مدل‌سازی و پیش‌بینی پدیده‌های طبیعی تبدیل شده است. افزایش کاربرد هوش مصنوعی در علوم زمین، به درک عمیق‌تر از فرآیند تصمیم‌گیری، به‌ویژه در کاربردهای حساس و پیچیده نیاز دارد. هدف این مقاله، بررسی فرصت‌ها و چالش‌های به‌کارگیری هوش مصنوعی در حوزه علوم زمین با تاکید بر اهمیت استفاده از مدل‌های تفسیرپذیر برای افزایش شفافیت در تصمیم‌گیری‌ها است. به عنوان مطالعه موردی، کارایی روش‌های سنتی هوش مصنوعی و مدل‌های تفسیرپذیر در پیش‌بینی نرخ نفوذ در ماشین حفر تونل، مقایسه شده است. نتایج نشان می‌دهند که مدل‌های تفسیرپذیر، با دقت مناسب، امکان تحلیل روابط میان ویژگی‌ها و خروجی را فراهم می‌کنند و درک بهتری از سازوکارهای فیزیکی ارائه می‌دهد. این یافته‌ها بر ضرورت توجه به تفسیرپذیری مدل‌ها در کاربردهای علوم زمین تاکید دارند.

potentials and challenges of using artificial intelligence in geosciences: case study on its application in predictive modeling

with the increase in data extent and complexity of geological processes, the use of artificial intelligence (ai) has become an efficient tool for analyzing, modeling, and predicting natural phenomena. the increasing use of ai in geosciences requires a deeper understanding of the decision-making process, especially in sensitive and complex applications. the purpose of this paper is to examine the opportunities and challenges of applying artificial intelligence in the field of earth sciences, emphasizing the importance of using explainable artificial intelligence (xai) models to increase transparency in decision-making. as a case study, the effectiveness of traditional artificial intelligence methods and explainable models in predicting the penetration rate in a tunnel boring machine (tbm) is compared. the results show that the explainable model, while providing appropriate accuracy, allows for the analysis of relationships between features and output and provides a better understanding of the physical mechanisms associated with the excavation process. these findings emphasize the need to pay attention to the interpretability of models in earth science applications.