Evaluation of potential hazard due to off-stream reservoir failure using machine learning techniques

Abstract

(English) Hazard classification for dams and off-stream reservoirs, which entails identifying potential damages in the event of structural failure, is a crucial tool for implementing local-level risk reduction plans. Consequently, national administrations have developed guidelines including suggested methodologies and tools.

The modification of the Spanish Regulation of the Public Hydraulic Domain (Royal Decree 849/1986, of April 11), carried out through Royal Decree 9/2008, of January 11, obliges owners of off-stream reservoirs with a height of 5 meters or a capacity higher than 100,000 m3, whether public or private, to develop a classification study based on the potential risk of their failure (Articles 356 and 367). This represented a significant paradigm shift, under the former regulation, such a study was only required for dams exceeding 15 m in height or those with a height between 10 and 15 m and a capacity exceeding 100,000 m3.

The procedure for this classification is time and resource-consuming, and in the specific case of owners of off-stream reservoirs, they may not have these assets. Therefore, this research proposes a simplified methodology to classify off-stream reservoirs, utilizing a surrogate Machine Learning (ML) model that is simpler and has a lower computational cost than conventional approaches. Additionally, the influence of two sources of uncertainties on hazard classification is analysed.

This research is based on the generation of synthetic data. A specialized tool in Iber was developed to generate massive 2D hydraulic models of synthetic off-stream reservoir failures, which make all the processes of construction, calculation and extraction of results automatic.

The first analysis was focused on the effect of selecting a breach parametric model on the hydraulic variables, the potential damages, and the hazard classification of the structures. Three common parametric models were compared, using a set of synthetic cases and a real off-stream reservoir. The results highlighted that the choice of the model has significant effects. Notably, the erodibility of the material exerts a high influence, surpassing that of the failure mode. The use of an inappropriate model or a lack of information regarding dike material can lead to overly conservative or underestimated results, consequently affecting hazard classification.

The ML model constructed for the simplified methodology was a Random Forest classifier capable of identifying potential damages at any point in the vicinity of an off-stream reservoir. This ML model was trained using synthetic data, offering an estimation of potential damages by considering the physical characteristics of the structure, the surrounding terrain, and vulnerable areas. During a real case application, the simplified methodology achieved an accuracy rate of 91%. The simplified methodology allows owners and administration to obtain a pre-classification without the need to make a 2D hydraulic model, which saves time and money.

Furthermore, an interface called ACROPOLIS was developed, integrating the ML model. Users can apply the simplified methodology through ACROPOLIS, which guides them step by step, providing the overall classification of the off-stream reservoir based on Spanish regulations.

Finally, the analysis of uncertainties related to breach formation and the location of the breaking points in reservoirs was integrated. This involved comparing the current deterministic approach for hazard classification and a newly proposed fourth-step probabilistic approach that accounts for uncertainties in constructing hazard maps. The study revealed variations in classifications between scenarios, as different breaking points and breach formations generate diverse classifications that can affect emergency plans. Additionally, the proposed visualization can be used for various purposes, including tracking the evolution of categorization over time due to land use changes.

(Català) La classificació de preses i basses en funció del risc potencial implica la identificació de possibles danys en cas de fallida estructural, i és una eina crucial per a la implementació de plans d'emergència per a la reducció de riscos a nivell local. En conseqüència, les administracions nacionals han desenvolupat directrius que inclouen metodologies i eines suggerides per a dur a terme aquesta anàlisi.

Amb la modificació del Reglament del Domini Públic Hidràulic espanyol (Reial decret 849/1986, de l'11 d'abril), realitzada a través del Reial decret 9/2008, de l'11 de gener, obliga els propietaris de basses amb una altura de 5 metres o un volum superior a 100.000 m³, siguin públics o privats, a desenvolupar un estudi de classificació basat en el risc potencial (Articles 356 i 367). Això va representar un canvi de paradigma significatiu, ja que sota la regulació anterior, aquest estudi només era requerit per a preses que excedissin els 15 m d'altura o aquelles amb una altura entre 10 i 15 m i una capacitat superior a 100.000 m³.

Realitzar un estudi de classificació requereix una alta inversió de temps i recursos econòmics, els quals, en molts casos, els propietaris de basses poden no tenir disponibles. Per tant, aquesta investigació proposa una metodologia simplificada per classificar basses, utilitzant un model de Machine Learning, que és més senzill i té un cost computacional menor que els mètodes convencionals. A més, es presenta una anàlisi de la influència de dues fonts d'incertesa en la classificació de les basses.

Aquesta investigació es basa en dades sintètiques. Es va desenvolupar una eina especialitzada en Iber que permet generar models hidràulics massius en 2D de falles de basses amb geometria sintètica, automatitzant tots els processos de construcció, càlcul i extracció de resultats.

La primera anàlisi es va centrar en la influència de seleccionar un model paramètric per calcular la geometria de la bretxa sobre les variables hidràuliques, els possibles béns en risc i la classificació de les basses. Es van comparar tres models paramètrics comuns, utilitzant un conjunt de casos sintètics i una bassa real. Els resultats van destacar que l'elecció del model té efectes significatius. En particular, l'erodabilitat del dic exerceix una alta influència, superant la del mode de fallida.

El model de ML utilitzat per a la metodologia simplificada va ser un classificador Random Forest, capaç d'identificar si un bé està en risc en qualsevol punt proper a una bassa. Aquest model va ser entrenat amb dades sintètiques, oferint una estimació de les possibles àrees en risc considerant les característiques físiques de l'estructura i el terreny circumdant. La metodologia simplificada permet als propietaris i a l'administració obtenir una preclassificació sense necessitat de realitzar un model hidràulic en 2D, estalviant temps i diners.

A més, es va desenvolupar una interfície anomenada ACROPOLIS, integrant el model de ML. Els usuaris poden aplicar la metodologia simplificada de manera senzilla a través d'ACROPOLIS, que els guia pas a pas, proporcionant la classificació general del pantà fora de cauce segons la normativa espanyola.

Finalment, es va realitzar una integració de l'anàlisi de les incerteses relacionades amb la formació i ubicació de bretxes. Això va implicar una comparació entre l'enfocament determinista actual i un nou enfocament de quatre passos que té en compte les incerteses en la construcció de mapes de perills. L'estudi va revelar variacions en les classificacions entre escenaris, ja que diferents punts de ruptura i formacions de bretxes generen classificacions diverses que poden afectar els plans d'emergència. A més, la visualització proposada pot usar-se per a diversos fins, inclòs el seguiment de l'evolució de la categorització al llarg del temps a causa dels canvis en l'ús del sòl.

(Español) La clasificación de presas y balsas en función del riesgo potencial implica la identificación de posibles daños en caso de fallo estructural, y es una herramienta crucial para la implementación de planes de emergencia para la reducción de riesgos a nivel local. En consecuencia, las administraciones nacionales han desarrollado directrices que incluyen metodologías y herramientas sugeridas para llevar a cabo dicho análisis.

Con la modificación del Reglamento del Dominio Público Hidráulico español (Real Decreto 849/1986, de 11 de abril), llevada a cabo a través del Real Decreto 9/2008, de 11 de enero, obliga a los propietarios de balsas con una altura de 5 metros o un volumen mayor a 100.000 m3, ya sean públicos o privados, a desarrollar un estudio de clasificación basado en el riesgo potencial (Artículos 356 y 367). Esto representó un cambio de paradigma significativo, ya que bajo la regulación anterior, dicho estudio solo era requerido para presas que excedieran los 15 m de altura o aquellas con una altura entre 10 y 15 m y una capacidad superior a 100.000 m3.

Realizar un estudio de clasificación requiere una alta inversión de tiempo y recursos económicos, los cuales, en muchos casos, los dueños de balsas pueden no tener disponibles. Por lo tanto, esta investigación propone una metodología simplificada para clasificar balsas, utilizando un modelo de Machine Learning, que es más sencillo y tiene un costo computacional menor que los métodos convencionales. Además, se presenta un análisis de la influencia de dos fuentes de incertidumbre en la clasificación de las balsas.

Esta investigación se basa en datos sintéticos. Se desarrolló una herramienta especializada en Iber que permite generar modelos hidráulicos masivos en 2D de fallos de balsas con geometría sintética, automatizando todos los procesos de construcción, cálculo y extracción de resultados.

El primer análisis se centró en la influencia de seleccionar un modelo paramétrico para calcular la geometría de la brecha sobre las variables hidráulicas, los posibles bienes en riesgo y la clasificación de las balsas. Se compararon tres modelos paramétricos comunes, utilizando un conjunto de casos sintéticos y una balsa real. Los resultados destacaron que la elección del modelo tiene efectos significativos. En particular, la erodabilidad del dique ejerce una alta influencia, superando la del modo de fallo.

El modelo de ML utilizado para la metodología simplificada fue un clasificador Random Forest, capaz de identificar si un bien está en riesgo en cualquier punto cercano a una balsa. Este modelo fue entrenado con datos sintéticos, ofreciendo una estimación de las posibles áreas en riesgo al considerar las características físicas de la estructura y el terreno circundante. La metodología simplificada permite a los dueños y a la administración obtener una preclasificación sin necesidad de realizar un modelo hidráulico en 2D, lo que ahorra tiempo y dinero.

Además, se desarrolló una interfaz llamada ACROPOLIS, integrando el modelo de ML. Los usuarios pueden aplicar la metodología simplificada de manera sencilla a través de ACROPOLIS, que los guía paso a paso, proporcionando la clasificación general del embalse fuera de cauce según la normativa española.

Finalmente, se realizó una integración del análisis de las incertidumbres relacionadas con la formación y ubicación de brechas . Esto implicó una comparación entre el enfoque determinista actual y un nuevo enfoque de cuatro pasos que tiene en cuenta las incertidumbres en la construcción de mapas de peligros. El estudio reveló variaciones en las clasificaciones entre escenarios, ya que diferentes puntos de ruptura y formaciones de brechas generan clasificaciones diversas que pueden afectar los planes de emergencia. Además, la visualización propuesta puede usarse para diversos fines, , incluido el seguimiento de la evolución de la categorización a lo largo del tiempo debido a los cambios en el uso del suelo.