Нейросети помогают гидроэлектростанциям защитить мигрирующих угрей

Новое ПО даёт гидроэлектростанциям детектировать рыбу в околореальном времени и точнее определять моменты, когда нужно ограничивать работу турбин.

Проект Deep Learning for Fish Identification from Sonar Data собрал в одну команду специалистов по машинному обучению, дата-сайентистов, биологов и инженеров. Штаб — Пало-Альто, Калифорния; полевые испытания проведены в Ричленде, штат Вашингтон.

Архитектура и обучение

Объект-детектор принимает сонарные изображения и видео, различает несколько видов рыб и отделяет их от мусора, пузырей и гидродинамических артефактов в толще воды. Команда перебирала архитектуры нейросетей, тюнинговала алгоритмы сегментации, расширяла тренировочный датасет и подбирала пороговые значения для финальной классификации.

На вход шли полевые записи с Eel Research Centre института EPRI — на них модель училась отличать силуэты угрей от прочих объектов в потоке. После лабораторных прогонов софт проверили в Aquatic Research Laboratory PNNL на реальных особях в контролируемых условиях. Цель — убедиться, что сеть держит точность на фоновых шумах, не выдаёт ложные срабатывания на турбулентностях и корректно отрабатывает граничные случаи, когда рыба проходит на краю луча сонара.

Эффект для операторов ГЭС

Старая схема — ручное ограничение мощности в сезон миграции, чтобы пропустить угрей без травм. Решение вслепую: операторы режут генерацию, даже если рыбы в створе нет. Новый стек даёт фактический сигнал о присутствии мигрантов и позволяет держать турбины под нагрузкой, когда угрей рядом нет. Прямой результат — меньше часов простоя, меньше потерь генерации, ниже ущерб популяции.

Для отрасли это редкий случай, когда машинное обучение одновременно решает экологическую и экономическую задачу: даёт энергетикам инструмент точной диагностики, а не сезонной перестраховки.

Что отслеживать дальше

Открытые параметры: кросс-валидация на разных типах сонаров и частотных диапазонах, поведение модели в мутной воде и на участках с сильным течением, расширение тренировочного набора на другие проходные виды. Пока не закрыты сезонные сдвиги акустики водоёма, биологические шумы вроде стай мелкой рыбы и общая устойчивость порогов к долгосрочной эксплуатации в полевых условиях.

Инженерный подход здесь тот же, что и в любой долгосрочной задаче: вкладываться в решение, которое не придётся переделывать через год — будь то нейросетевой детектор или выбор обоев, не выходящих из моды несколько сезонов.