Hydraulisen painekorkeusdatan analysointityökalun kehitys Posiva Oy:n tarpeisiin
2.96 MB
avoin
Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
Lataukset1
Pysyvä osoite
Verkkojulkaisu
DOI
Tiivistelmä
Posiva Oy valmistelee käytetyn ydinpolttoaineen loppusijoitusta Olkiluodon kallioperään, mikä edellyttää tarkkaa ja jatkuvaa pohjaveden hydraulisen painekorkeuden seurantaa. Monitorointidataa on kerätty 1990-luvun alusta lähtien, ja sitä hyödynnetään muun muassa numeeristen virtausmallien kalibroinnissa ja rakentamisen aikaisten vaikutusten arvioinnissa. Haasteena on ollut raakadatassa esiintyvien virhepiikkien ja muiden poikkeamien siivoaminen, joka on tähän asti tehty pitkälti manuaalisesti. Työssä lähestytään ongelmaa hyödyntämällä modernia koneoppimista ja ohjelmistokehitystä datan laadunvarmistusprosessin parantamiseksi.
Työn tavoitteena oli kehittää käyttäjäystävällinen, Python-pohjainen analysointityökalu (SIHTI), joka kykenee erottamaan virheellisen mittausdatan luonnollisista pohjaveden paineilmiöistä. Tarkoituksena oli vähentää manuaaliseen tarkastustyöhön kuluvaa aikaa ja parantaa Posivan tutkimustietokantaan vietävän prosessoidun datan luotettavuutta.
Aineistona käytettiin pohjaveden automaattisen painekorkeusseurannan tuottamaa aikasarjadataa maanpäällisiltä syväkairarei’iltä ja maanalaisilta tutkimusrei’iltä. Kehitetty SIHTI-ohjelma hyödyntää ohjaamatonta koneoppimista, Isolation Forest -algoritmia, poikkeamien tunnistamiseen. Ohjelmisto sisältää sääntöpohjaista jälkisuodatusta ja graafisen käyttöliittymän, joka mahdollistaa asiantuntijan tekemän validoinnin ennen datan lopullista hyväksymistä.
Kehitetty työkalu osoittautui teknisesti suorituskykyiseksi ja tarkaksi. Se tunnisti luotettavasti paitsi suuret virhepiikit, myös vaikeammin havaittavat ilmiöt, kuten vikaantuneiden antureiden aiheuttamat tasomaiset virhepiikit. Ohjelmalla pystyttiin myös tunnistamaan todellisia hydrogeologisia vasteita, kuten ONK-DTPH6-kairausten aiheuttamia paineenalenemia, ja erottamaan ne teknisistä häiriöistä. Testauksessa havaittiin, että optimaalinen tulos vaatii tasapainoilua tunnistusherkkyyden ja spesifisyyden välillä, minkä vuoksi ohjelmaan toteutettiin säädettävät parametrit eri käyttötarkoituksia varten.
Työn tuloksena syntynyt SIHTI-ohjelma tehostaa merkittävästi Posivan painekorkeusdatan laadunvarmistusprosessia vähentämällä manuaalisia työvaiheita. Modernien Python-kirjastojen ja koneoppimisen hyödyntäminen mahdollistaa tarkemman anomaliatunnistuksen kuin perinteiset menetelmät. Työ osoittaa, että automaattinen tunnistus yhdistettynä asiantuntijan visuaaliseen varmistukseen on tehokas tapa hallita suuria hydrogeologisia aikasarja-aineistoja loppusijoitushankkeen kaltaisessa ympäristössä.