اکنون هنگامی که پیشگامان انقلاب دیجیتال در مورد آینده صنعت صحبت می کنند، هوش مصنوعی (AI) تبدیل به یک نقطه عطف در همه جنبه ها شده است. این که آیا اولین بار از طریق فرهنگ عامه به شما معرفی شد یا به عنوان یک راه حل در دنیای واقعی برای چالش های مهم جهانی، به هر حال اکنون هوش مصنوعی بخشی از واژگان دیجیتال ما است. برای بخش آب، پیاده سازی هوش مصنوعی، به متخصصان آب این امکان را می دهد تا از داده های خود به طور موثر در تصمیم گیری بهتر استفاده کنند. در این قسمت به مبانی و مفاهیم هوش مصنوعی از جنبه ادارک نیازمندی های بخش آب خواهیم پرداخت.

1-1- اصول اولیه هوش مصنوعی

برای توضیح هوش مصنوعی، تشخیص آنچه ما "هوش" می دانیم مفید است. ما به طور کلی هوش را توانایی جمع آوری اطلاعات از محیط، یادگیری روندهای پیدا و پنهان در آن اطلاعات برای تصمیم گیری؛ و در نهایت تصمیم گیری آگاهانه و اقدام های بر اساس آن توصیف می کنیم.

به عنوان یک مثال ساده، تصور کنید که در خانه هستید و صدای چکه ای را می شنوید. با نگاه به بیرون می بینید که باران نمی بارد. حافظه شما شروع به کار می کند و به یاد می آورید که قبلاً این صدا را شنیده اید. شما استنباط می کنید که صدای چکه نشان می دهد که احتمالاً نشتی در جایی از خانه شما وجود دارد. به عنوان یک متخصص آب، شما تصمیم مسئولانه را برای یافتن نشت و رفع آن می-گیرید. همه اینها تا حدودی ناخودآگاه در مغز شما اتفاق می افتد، اما اگر مراحل را تجزیه کنید، آنها عبارتند از: جمع آوری اطلاعات، درس گرفتن از آنها، تصمیم گیری و اقدام. در زمینه هوش مصنوعی، این سوال مطرح می شود که آیا یک ماشین می تواند این مراحل را انجام دهد یا مراحل مشابه را با حداقل دخالت انسان انجام دهد؟

بنابراین هوش مصنوعی اصطلاحی است که برای توصیف نظریه و توسعه سیستم های کامپیوتری، قادر به انجام وظایفی هستند که به طور معمول به هوش انسان نیاز دارند. نمونه هایی از سیستم های نوع AI شامل سیستم های مختلف تخصصی، تشخیص گفتار و سیستم هایی است که برای معاملات مالی استفاده می شود. دو مفهوم مهم که اغلب در زمینه هوش مصنوعی ذکر می شود عبارتند از یادگیری ماشین و بینایی رایانه ای.

هوش مصنوعی، به عنوان یک تعریف کاربردی، یک "هوشمندی" است که توسط ماشین ها یا رایانه ها نمایش داده می شود؛ و به آنها اجازه می دهد تا کارهایی مانند درک، یادگیری، استدلال، برنامه ریزی و موارد دیگر را انجام دهند. به طور کلی، وقتی از هوش مصنوعی در کاربردهای فعلی آن صحبت می کنیم، در مورد سیستم هایی بحث می کنیم که قادر به حل منطقی مشکلات پیچیده، پیش بینی نتایج و اقدام در شرایط واقعی برای دستیابی به اهداف هستند. در حالی که هدف برخی از متخصصان هوش مصنوعی ایجاد هوش مصنوعی عمومی (AGI) است، وضعیت فعلی فناوری موجود در بازار، هوش مصنوعی محدود (ANI) است که یک هوش مصنوعی است و در یک زمینه تخصص دارد. ANI شامل پردازش زبان، مدل سازی پیش بینی، تشخیص تصویر و ابزارهای طبقه بندی است.

2-1- ماشین هایی که یاد می گیرند

یادگیری ماشین مطالعه روش ها و الگوریتم های رایانه ای است که به طور خودکار از طریق تجربه بهبود می یابد. یادگیری ماشین به طور معمول شامل ساخت برخی از مدل های رایانه ای از داده ها با قابلیت پیش بینی آتی، بدون نیاز به برنامه نویسی با نرم افزار اضافی است. یکی از شناخته شده ترین روش های یادگیری ماشین شبکه عصبی مصنوعی (ANN ) است که با تقلید از شبکه های عصبی بیولوژیکی موجود در مغز انسان کار می کند. شبکه های شبکه عصبی از داده های آموزشی ارائه شده به آنها برای به دست آوردن روابط عملکردی بین داده ها یاد می گیرند، حتی اگر روابط زیرین مشخص نباشند یا توضیح فیزیکی آن دشوار باشد. این امر به شبکه های ANN این امکان را می دهد تا الگوهایی را در داده ها کشف کنند که اغلب حتی برای بهترین متخصصان در این زمینه ناشناخته هستند. بینایی رایانه ای مجموعه ای از روش های نوع AI است که برای آموزش رایانه ها به منظور تفسیر و درک تصاویر و فیلم های دیجیتال استفاده می شود. نمونه هایی از برنامه های بینایی رایانه ای شامل سیستم های تشخیص چهره، تشخیص پزشکی و خودروهای بدون راننده است.

امروزه وقتی از هوش مصنوعی کاربردی صحبت می کنیم، به الگوریتم هایی که می توانند یاد بگیرند اشاره داریم. وضعیت فعلی فناوری به ما امکان می دهد ادراک را خودکار کنیم. به عبارت دیگر، ما قدرت محاسباتی داریم که می تواند برای پیش بینی نتایج، ببیند یا بشنود. این امر در غیر این صورت به عنوان یادگیری ماشین (ML ) شناخته می شود که زیرمجموعه هوش مصنوعی کاربردی است و به منظور استخراج معنا از داده های تولید شده توسط افراد، تلفن ها، دستگاه ها، سیستم های هوشمند و غیره کمک می کند. به طور فزاینده ای، حجم داده های جمع آوری شده بیش از توانایی انسان ها در آن را درک کرده و از آن به نحو احسن استفاده می کنند. ما به سیستم های خودکار نیاز داریم که از تغییر داده ها برای سازگاری با محیطی که دائما در حال تحول است، بیاموزند. به سادگی، یادگیری ماشین از داده ها برای پاسخ به سوالات استفاده می کند. یک مدل پیش بینی با استفاده از داده ها آموزش می بیند و بعداً می تواند پیش بینی هایی ایجاد کند یا به داده هایی که قبلاً دیده نشده است، پاسخ دهد. با جمع آوری داده های بیشتر، مدل را می توان در طول زمان بهبود بخشید و مدل های پیش بینی جدیدی را می توان به کار گرفت.

با استفاده از مثال نشت فوق، می توانید مدلی را آموزش دهید که به شما اطلاع دهد در چه زمانی و در کجا نشتی تشخیص داده می شود. برای انسان، مجموعه داده های ما بر اساس سال ها تجربه صداها، مناظر و رویدادها ساخته شده است. اگر بخواهیم منبع نشت را بیابیم، احتمالاً می توانیم از طریق آزمایش و خطا، راه رفتن و گوش دادن دقیق، آن را بشناسیم. در غیاب اطلاع از اثر داپلر  یا فیزیکِ زیر بنای آن، از تجربه می دانیم که صداها وقتی به هم نزدیکتر می شوند بلندتر هستند. به طور مشابه، ML مفهوم یادگیری از تجربه است. یادگیری ماشین این است که چگونه مدل های محیطی را بدون تجویز صریح قوانین یا عبارات مبتنی بر فیزیک به آن انتزاع می کنیم.

یک نوع ML یادگیری تحت نظارت نامیده می شود، این زمانی است که یک سیستم با مقادیر زیادی از داده های برچسب دار برای طبقه بندی آموزش می بیند. و برچسب چیزی جز صفت نمونه مشخص و قابل فهم برای ماشین نیست. در یادگیری تحت نظارت، ورودی و خروجی داده ها برچسب گذاری می شوند. یک مثال آسان، آموزش یک مدل برای تشخیص بین دو تصویر است، به عنوان مثال یک پمپ یا یک لوله، که با استفاده از داده هایی برچسب زده شده است. از طریق ML، مدل شروع به تشخیص الگوهای تشکیل دهنده پمپ در مقایسه با لوله می کند و قادر به طبقه بندی این تصاویر می شود. در اصل با استفاده از برچسب ها به مدل می فهمانیم کدام تصویر لوله و کدام یک پمپ است. از طریق تکرار و یادگیری، مدل می تواند با دقت بیشتری بین این دو تصویر تشخیص دهد تا جایی که وقتی مدل با تصویری که قبلاً از لوله دیده نشده بود تغذیه شود، آن را به عنوان لوله تشخیص می دهد و در نهایت لوله ها و پمپ ها را متمایز می کند. مثال دیگر برای یک مدل ML این است که پیش بینی را بر اساس مجموعه داده های عددی می آموزد. به عنوان مثال، محققان می توانند از داده های مربوط به استفاده از آب، منابع آب، افزایش جمعیت، داده های جمعیت شناختی و موارد دیگر برای ایجاد یک مدل پویا که پیش از وقوع، مناطق درگیر و بحران را پیش بینی می کند، استفاده کنند. یادگیری تحت نظارت به داده های برچسب گذاری شده و ساختار یافته بستگی دارد. این کلید باز کردن یادگیری تحت نظارت است.

یادگیری بدون نظارت، شکل دیگری از ML، می تواند خروجی هایی از داده های بدون برچسب ایجاد کند. با استفاده از این روش، دستگاه الگوهای پنهان موجود در مجموعه آموزشی را می آموزد تا در مورد خروجی پیش بینی کند. این نوع یادگیری ماشینی برای کشف الگوهای داده، مشکلات خوشه بندی و تشخیص ناهنجاری مفید است. هنگامی که با تصاویر بدون برچسب از پمپ ها و لوله ها تغذیه می شود، یک مدل یادگیری ماشینی بدون نظارت، پمپ ها را بر اساس الگوهایی که در تصاویر پیدا می کند، اما بدون برچسب دهی از تصاویر لوله ها جدا و جمع آوری می کند. به طور مشابه، یک مدل یادگیری ماشین بدون نظارت می تواند، به عنوان مثال، روندها و ارتباطات را در داده های پرداخت مشتری پیدا کند. این نوع ML امکانات جدیدی برای تجزیه و تحلیل داده ها ایجاد می کند که می تواند بینش هایی را از مجموعه داده های بدون برچسب استخراج کند.

انواع دیگر یادگیری ماشینی در صنایع مختلف آزمایش می شود و امکان پیش بینی بیشتر را فراهم می کند. پیشرفت در زمینه هوش مصنوعی همچنان به گسترش فرصت ها برای بخش آب ادامه می دهد تا به سوی آینده ای عاقلانه متحول شود.

2- نیازها و اهداف بکارگیری هوش مصنوعی در بخش آب

فناوری های دیجیتالی زندگی روزمره ما را به شکل بنیادی تغییر داده است و تأثیر عمیقی بر مدیریت آب در سراسر جهان دارد. ما باید اطمینان حاصل کنیم که آن فناوری ها را به خوبی درک کرده ایم و آنها در آینده زندگی ما را بهبود می بخشند. فناوری های دیجیتال در همه بخش های جامعه انسانی نفوذ می کنند و اگرچه دیجیتالی شدن بخش آب بسیار مورد بحث قرار گرفته است، اما همیشه به طور کامل قابل درک نیست. به عنوان بخشی از روند دیجیتالی سازی، هوش مصنوعی (AI) اغلب به عنوان یک فناوری کلیدی برای ایجاد تغییرات مثبت در جهان ما به تصویر کشیده شده است.

دیجیتالی شدن همه بخش های جامعه ما را تغییر می دهد؛ از جمله نحوه برنامه ریزی فعالیت ها و نحوه ارتباط ما با یکدیگر. در مقابل این زمینه گسترده، بخش آب به طور فزاینده ای در حال پاسخگویی به نیازهای مشتریان، تضمین رعایت مقررات، بهبود عملکرد و اطمینان از خدمات کارآمد و قابل اعتماد است. در عین حال، افزایش فشارهای ناشی از تغییرات جهانی مانند شهرنشینی و تغییرات آب و هوایی به این معنی است که بخش آب در مدیریت کارآمد منابع کمیاب و کمتر قابل اعتماد آب، دچار مشکل می شود. به منظور مقابله با این چالش ها، نیاز به تغییر اساسی در نحوه مدیریت آب، بر اساس مفاهیم کلیدی است، از جمله: نیاز به مداخلات در کل چرخه آب شهری وجود دارد. تجدید نظر در نحوه استفاده (و استفاده مجدد) از آب، و استفاده بیشتر از سیستم های طبیعی برای تصفیه آب و فاضلاب. از این منظر، دیجیتالی شدن به یک توانمندی حیاتی تبدیل می شود که به بخش آب اجازه می دهد این گذار ضروری و مهم را انجام دهد. این امر پایه و اساسی را برای ما فراهم می کند تا هوشمندانه فکر کنیم و عمل کنیم. با این حال، جذب فرآیند دیجیتالی شدن یک سفرِ در حال توسعه است. این امر نیازمند تغییر در فرهنگ سازمانی همراه با ادغام ابزارهای دیجیتالی است که از پیشرفت بخش آب در طول منحنی بلوغ دیجیتال، پشتیبانی می کند. از استقرار فرصت طلبانه راه حل های دیجیتالی تا راه حل دگرگون کننده. در میان این موارد، هوش مصنوعی (AI) یک فناوری کلیدی در دیجیتالی شدن تأسیسات آب است. این می تواند زمینه هایی مانند نظارت در زمان واقعی، نگهداری، کنترل فرآیند و پیش بینی را پشتیبانی کند.

1-2- هوش مصنوعی برای تأسیسات آب

امروزه شرکت های فناوری، راه حل های مبتنی بر هوش مصنوعی را ارائه می دهند که به شرکت های خدمات دهی اجازه می دهد از داده های حاصل از دیجیتالی شدن بخش آب بیشترین بهره را ببرند. از هوش مصنوعی به عنوان جایگزین اپراتورهای انسانی، برای افزایش تصمیم گیری با افزایش قدرت شناختی افراد استفاده می شود. اپراتورها ملزم به تصمیم گیری با افزایش حجم ورودی داده پیچیده هستند. حداقل، ML یا یادگیری ماشین، اپراتورها را قادر می سازد تا بر اساس بینش های کاربردی، تصمیمات آگاهانه بگیرند. قابلیت-های پیش بینی ML بر اساس پردازش اطلاعات جمع آوری شده، یادگیری از داده ها و ارائه نتایج احتمالی است. فناوری ML با مراحل پیش بینی کننده مخرب و تجویزی تحول هوش مصنوعی مقابله می کند. تصمیم گیری و اقدام در دست اپراتورهای انسانی است که می-توانند تصمیم بگیرند که چه اقداماتی را بر اساس اطلاعات تغییر مکان و تقطیر هوشمند انجام دهند. در آینده، ما می توانیم انتظار داشته باشیم که اتوماسیون به دنباله تحول هوش مصنوعی اضافه شود و مردم را قادر سازد تا به مشاغل با ارزش افزوده بالاتر در خدمات آب و هوایی روی آورند.

هوش مصنوعی در حال حاضر در تأسیسات آب برای کنترل هوشمند، بهینه سازی فرایند، نظارت بر دارایی ها و مدیریت فعال، تشخیص رویداد و برنامه ریزی زیرساخت ها استفاده می شود. مدل سازی پیش بینی کننده، تغییر را از مدیریت واکنشی و ایستا به مدیریت فعال و پویا امکان پذیر می کند. ارائه تصمیم گیری با هوش مصنوعی برای کنترل سیستم ها، منجر به برنامه ریزی بهینه ای می-شود که می تواند هزینه های انرژی، ورودی های شیمیایی و استفاده از آب را به شدت کاهش دهد و همچنین تخصیص بهتر زمان فعالیت کارکنان را افزایش دهد.

3- حکمرانی نوین با هوش مصنوعی در بخش آب

1-3- مدیریت پایدار با هوش مصنوعی

این سطح از هوش در شهرهای هوشمند که در آن حجم زیادی از داده ها و ارتباط بین سیستم ها و حسگرها در حال تبدیل شدن به استاندارد است، بسیار مهم است. با کاهش هزینه های محاسبات و دسترسی بیشتر به فناوری، هوش مصنوعی به سرعت طبق معمول مرحله بعدی نوآوری های تکنولوژیکی، همانند اینترنت، صفحات گسترده و حسگرها، تبدیل به تجارت می شود. فرصت هوش مصنوعی برای بخش آب این است که نوآوری و بهینه سازی را تسریع کرده و در کارهایی که ماشین ها در تشخیص الگوها و پیش بینی نتایج بهتر از انسان ها هستند، کارآیی را به سازمان ها اضافه کند.

درحالی که دانش تجربی و  نهادی کارمندان و کارکنان، به دلیل موج های بازنشستگی در سازمان ها از دست می رود؛ توسعه سیستم های مبتنی بر هوش مصنوعی، قابلیت مدیریت پایدار را به نهادهای مرتبط خواهد داد. در دهه گذشته تجربه شده است که فشار محیطی ناشی از تغییرات آب و هوایی در حال تغییر وضعیت های ثابت در الگوهای عرضه آب بوده است. بعلاوه تأثیرات شهرنشینی نیز بر پویایی سیستم تأثیر می گذارد. و در مقابل این پیچیدگی، محدودیت های مالی تضعیف کننده مدیریت پویای بخش آب است. بنابراین هوش مصنوعی راه حلی است که می تواند منابع گرانبها را آزاد کند. قدرت هوش مصنوعی در کشف ارتباطاتی است که منجر به خلق بینش های دگرگون کننده برای شرکت ها می شود در حالی که جایگزینی نیروها بر قدرت و یکپارچگی آن ضربه ای وارد نخواهد کرد. تا به حال، ما پرسیده ایم که آیا خدمات ما استراتژی دیجیتالی دارد یا خیر؟ اکنون، باید از خود بپرسیم که آیا شرکت های آب ما از استراتژی هوش مصنوعی برخوردارند؟

4- کاربردهای مهم هوش مصنوعی در بخش آب

امروزه هوش مصنوعی به طرق مختلف مورد استفاده قرار می گیرد. هوش مصنوعی، طیف گسترده ای از سیستم ها و فناوری های کامپیوتری است که می توانند به طور ایده آل وظایفی را انجام دهند که به طور معمول به نوعی از هوش انسانی نیاز دارند. بنابراین، هوش مصنوعی به سیستم ها و فناوری هایی اطلاق می شود که از ابزارهایی مانند یادگیری ماشین، بینایی رایانه، داده کاوی و غیره استفاده می کنند. هوش مصنوعی قبلاً در بخش آب راه خود را باز کرده است و در حال حاضر استفاده از آن در حال افزایش است. برای نمونه:

از هوش مصنوعی در سیستم های مختلف هشدار اولیه مانند سیستم های رایانه ای استفاده شده است که می تواند نشت و رخدادهای تغییر رنگ در سیستم های کیفیت توزیع آب را تشخیص دهد؛ یا در سیستم های فاضلاب انسداد و تخریب را هشدار دهد. همچنین حوادث مختلف شکست در فرآیند تعمیرات با هوش مصنوعی پیشرفت های مهمی داشته است. هوش مصنوعی همچنین برای بهبود مدیریت زیرساخت بکار رفته است، به عنوان مثال، برای ارزیابی وضعیت لوله هایی که از دید رایانه و تکنیک های یادگیری ماشین استفاده می کنند. بعلاوه از این امکان برای پیش بینی میزان خرابی لوله ها و همچنین برای اهداف مختلف پیش بینی استفاده شده است. بارندگی، جریان تصفیه آب، جریان دریا یا مصرف آب. همچنین از آن برای کنترل تصفیه خانه فاضلاب، برنامه ریزی پمپ ها و یا برای ارزیابی ریسک های مختلف بهره برداری می شود.

این بخش بر ارائه هوش مصنوعی و ارائه چندین مثال کاربردی و مطالعات موردی از چنین فناوری هایی در صنعت آب تمرکز دارد. هدف این است که نمونه های واضح و روشنی از راه حل های مبتنی بر هوش مصنوعی را به زبانی ارائه دهیم که برای مخاطبان بیشتری قابل درک باشد. این بخش شامل مواردی از سیستم های مبتنی بر یادگیری ماشین برای تشخیص نشت از لوله های انتقال آب در زیرزمین، نحوه استفاده از تجسم و هوش مصنوعی برای تجزیه و تحلیل ویدئوهای دوربین مداربسته برای کشف نقص در سیستم های فاضلاب، و نحوه استفاده از منابع داده های غیر متعارف (به عنوان مثال، فیلم های تلفن های هوشمند و دوربین های مدار بسته) است. برای نظارت بر شدت بارندگی و خطر سیل، این مثال ها و موارد دیگر نه تنها قدرت هوش مصنوعی را نشان می دهد، بلکه نشان می دهد که عملکرد مدیریت آب در جهان در حال حاضر از پیشرفت های هوش مصنوعی و یادگیری ماشین بهره می برد.

1-4- بهبود اساسی عملکرد کشاورزی

حدود 70 درصد از کل آب شیرین برای کشاورزی استفاده می شود و این به دلیل افزایش نیازهای انسانی در حال گسترش است. در کالیفرنیا، استفاده از حسگرها در ترکیب با GPS، برنامه های تلفن همراه و نرم افزارهای نصب شده بر روی تلفن های هوشمند یا رایانه های لوحی، به کشاورزان کمک می کند تا آبیاری را بهینه کنند. سنسورها اطلاعاتی در مورد داده های خاک دریافت می کنند که به پایگاه داده ابری ارسال می شود. بستر برنامه، مقدار آب مورد نیاز برای تولید حداکثر عملکرد در هر منطقه آبیاری را محاسبه می کند. این داده ها با داده های ایستگاه های هواشناسی ترکیب شده و اطلاعاتی را در اختیار کشاورزان قرار می دهد تا تصمیم بگیرند چه زمان و کجا آبیاری کنند و از چه میزان آب استفاده کنند، چه برای به حداکثر رساندن رشد و چه برای جلوگیری از سرمازدگی.

پردازش حجم و پیچیدگی داده ها با استفاده از ابزارهای سنتی پردازش داده ها، دشوار است. این موضوع باعث ایجاد روش های جدید ابتکاری برای ذخیره، اشتراک گذاری، انتقال، تجزیه و تحلیل و ادغام داده ها با مدل ها شده است. یک مثال معمولی راه حل های مبتنی بر پایگاه داده ابری است که اطلاعات را دریافت، ذخیره، تجزیه و تحلیل و به الگوریتم های پیشرفته برای پردازش منتقل می کند. نظارت و تشخیص زمان واقعی حوادث و بلایا، پاسخ سریع تر را با زنگ هشدارهای کاذب کمتر ممکن می کند.

2-4- تشخیص زمان واقعی ترکیدگی لوله در شبکه های توزیع آب

نشت یک مسئله مهم در سیستم های توزیع آب در سراسر جهان است. در این مثال یک سیستم مبتنی بر هوش مصنوعی ارائه می شود که ترکیدگی نشتی لوله ها و تجهیزات و خرابی های دیگر در این سیستم ها را تشخیص می دهد. سیستم تشخیص با پردازش خودکار سیگنال های حسگر فشار و جریان در زمان واقعی، برای پیش بینی مقادیر سیگنال در آینده نزدیک (با استفاده از ANN) کار می کند. سپس اینها با مشاهدات ورودی مقایسه می شوند تا اشکال مختلفی از شواهد را در مورد رویدادهای شکست محتمل را جمع آوری کنند. شواهد جمع آوری شده از این طریق، با استفاده از شبکه های پردازش برای تخمین احتمال وقوع رویداد و ایجاد هشدارهای مربوطه پردازش می شوند. این سیستم به طور موثر از تخریب های بزرگ و تاریخی و سایر رویدادها می آموزد تا وقایع آینده را به منظور پیش گیری، پیش بینی کند. عناصر سیستم تشخیص، که در ابتدا به عنوان بخشی از یک پروژه تحقیقاتی توسعه داده می شود، به عنوان یک سیستم تشخیص رویداد تجاری (EDS) ساخته می گردد.

 

شکل 1. تصویر EDS با تجزیه و تحلیل زمان واقعی یک زنگ هشدار خاص.

EDS از سال 2015 توسط یک شرکت بزرگ آب در بریتانیا مورد استفاده قرار گرفته است؛ و داده ها را از بیش از 7000 حسگر فشار و جریان در هر 15 دقیقه پردازش می کند (شکل 1 را ببینید). این به EDS این امکان را می دهد که ترکیدگی لوله ها و نشت های مربوطه را به موقع و قابل اطمینان تشخیص دهد، یعنی مدت کوتاهی پس از وقوع آنها و با نرخ هشدار اشتباه پایین. علاوه بر تشخیص، EDS می تواند با تشخیص خرابی تجهیزات، قبل از این رویدادها (به عنوان مثال، خرابی سوپاپ کاهش فشار)، از وقوع انفجار جلوگیری کند. EDS از هیدرولیک یا هر مدل شبیه سازی تجزیه و تحلیل دیگری از شبکه توزیع آب استفاده نمی کند، یعنی فقط با استخراج اطلاعات مفید از سیگنال های حسگر در جایی که ترکیدگی و سایر رویدادها اثر خود را برجای می گذارد (یعنی انحراف از سیگنال فشار و جریان عادی) کار می کند. همین امر EDS را قوی و مقیاس پذیر می کند؛ زیرا امکان پردازش داده ها را در زمان واقعی (یعنی در بازه زمانی 15 دقیقه ای) فراهم می کند. استفاده از EDS منجر به صرفه جویی عمده در هزینه های عملیاتی تا به امروز، کاهش قابل توجه عرضه خدمات به مشتری، کاهش نشتی و چندین مزیت دیگر برای شرکت آب شده است. همه اینها منجر به تغییر فرهنگ کسب و کار شرکت و بهبود خدمات به بیش از 7 میلیون مشتری گردیده است.

3-4- ارزیابی خودکار تاسیسات با استفاده از هوش مصنوعی و بینایی رایانه

بازرسی لوله های سیستم های زهکشی شهری (به عنوان مثال، فاضلاب) مهم است؛ زیرا گسل های ساختاری و دیگر عوامل (مانند جا به جایی اتصالات، ترک ها و غیره) ممکن است منجر به آلودگی شدید و یا گسترش مخاطراتی نظیر سیل شود. این بازرسی معمولاً با ضبط فیلم های دوربین مدار بسته و سپس تجزیه و تحلیل دستی آنها انجام می شود. این فرآیند زمان بر است (یعنی پرهزینه) و ماهیتاً از نظر ذهنی ناسازگار و پر خطا است، بنابراین لزوماً همیشه قابل اعتماد نیست.

راه حل مبتنی بر هوش مصنوعی فرایند تجزیه و تحلیل فیلم های دوربین مدار بسته و تشخیص خطاها در لوله ها را به صورت خودکار انجام می دهد. این تکنولوژی، این کار را با استفاده از روش های بینایی رایانه ای و یادگیری ماشین انجام می دهد. پردازش تصویر ابتدا برای تبدیل تصاویر دوربین مدار بسته به داده های مناسب انجام می شود. بر این داده ها سپس برای تشخیص خطاها، از روش یادگیری ماشین جنگل تصادفی  استفاده می کنند. این روش قبل از استفاده، بر روی تعدادی از تصاویر دوربین مداربسته برچسب دار آموزش داده شده است. به این معنی که نمونه هایی از ایراد و تخریب به رایانه آموخته می شود. تشخیص خودکار، مشابه سیستم تشخیص چهره انسان عمل می کند، اگرچه وظیفه تشخیص خطا پیچیده تر است، زیرا تخریب در ساختار شبکه های انتقال فاضلاب ها به دلیل انواع مختلف آن، می توانند خود را به شکل های متفاوتی در تصاویر دوربین مدار بسته نشان دهند. راه حل فوق با موفقیت روی داده های دوربین های مداربسته از چندین شرکت آب در انگلستان، فنلاند و استرالیا آزمایش و تأیید شده است. این روش دارای نرخ تشخیص واقعی بالا با نرخ هشدارهای کاذب پایین است. این فناوری در حال حاضر با همکاری شرکت آب بریتانیا در حال تجاری سازی است.

4-4- کنترل تصفیه خانه و پیش بینی فاضلاب

نرم افزار  PURE Aquasuite در مارس 2019 در کارخانه PUB سنگاپور مستقر شد. این نرم افزار برای ارائه بینش و پیش بینی اپراتورها و مدیران در هنگام بهبود کارخانه معرفی شد. ابزار Aquasuite PURE داده های آنی در مورد جریانات و اندازه گیری های پارامترهای کیفی آب، از جمله آمونیاک، نیترات، اکسیژن، فسفات و جامدات خشک را جمع آوری کرده و یک پایگاه داده تاریخی ایجاد می کند. سپس نرم افزار از الگوریتم های تجزیه و تحلیل پیشرفته و یادگیری ماشین برای پیش بینی جریان و بارهای فاضلاب، نیازهای اکسیژن، نیازهای شیمیایی و سایر الزامات استفاده می کند (شکل 2 را ببینید). این سیستم فرآیندهای اصلی تصفیه را کنترل می کند و به طور خودکار آنها را بر اساس پیش بینی ها و عملکرد در زمان واقعی بهینه می کند. این روش ناهنجاری های فرایندهای تصفیه فاضلاب را از طریق تکنیک های رگرسیون کمی بر اساس اندازه گیری های متعدد تشخیص می دهد. دقت پیش بینی جریان تأثیرگذار با گذشت زمان با یادگیری نرم افزار افزایش می یابد و پس از یک ماه به دقت پیش بینی 88 درصد می رسد.

 

شکل 2. نمای صفحه کنترل Aquasuite Pure.

برای جمع آوری داده ها و کنترل فرایندهای کلیدی، به سیستم کنترل نظارتی و دستیابی به داده نیروگاه (SCADA)، داده ها به پایگاه ابری Aquasuite ارسال می شوند. با جمع آوری داده ها در زمان واقعی در فضای ذخیره ابری، نرم افزار عملکرد واقعی راه حل موجود را از طریق یک کپی دیجیتالی از یک سیستم فیزیکی، ردیابی می کند. تجزیه و تحلیل های پیشرفته تر از طریق فضای ابری در اختیار اپراتورها قرار می گیرد، در حالی که قسمت پیش فرض بهینه سازی عملکرد زمان واقعی را حفظ می کند. یادگیری ماشین برای درک کارآیی هر فرآیند استفاده می شود، سپس رابطه آموخته شده با پیش بینی بار تأثیرگذار برای تصمیم گیری در مورد بهینه ترین مجموعه های کارآمد برای تصفیه فاضلاب استفاده می شود. نتایج نشان می دهد که Aquasuite عملیات را در چند روز پس از شروع به کار یاد می گیرد و پیش بینی می کند و می تواند به عنوان یک مدیر خودکار عمل کند؛ که قادر به انجام عملیات بدون نظارت است. بعلاوه نتایج اولیه نشان می دهد که با کنترل پیش بینی، جریان هوادهی تا 15 درصد کاهش می یابد و در نتیجه در مصرف انرژی صرفه جویی می شود.

5-4- هشدارهای هوشمند برای مدیریت فعال شبکه فاضلاب

Aquasuite FLOW یک ابزار تجزیه و تحلیل پیش بینی مبتنی بر هوش مصنوعی برای شبکه های فاضلاب است که امکان پیش بینی و هشدار زود هنگام در مورد سطح بسیار بحرانی آب در فاضلاب، حوادث احتمالی آلودگی و تشخیص سطوح غیر عادی را که می-تواند نشان دهنده انسداد در شبکه باشد را فراهم می کند (شکل 3 را ببینید).

 

شکل 3. نمای صفحه کنترل سطوح جریان و نتایج پیش بینی شده.

آب لوله کشی بیشتر در معرض انسداد در هنگام وقوع بارندگی است، که علت آن تا حدی به دلیل طغیان فاضلاب، محدودیت ظرفیت و اجسام خارجی است. Aquasuite از هوش مصنوعی برای تشخیص زمانی که جریانات شدید در فاضلاب از سطوح بحرانی فراتر رفته یا با جریان های مورد انتظار سازگار نیست، استفاده می کند. این ابزار از طریق یک سیستم هشدار دهنده هوشمند قابل تنظیم، ناهنجاری ها را تشخیص می دهد. استفاده از هوش مصنوعی در این زمینه، هشدارهای کاذب را به شدت کاهش می دهد و شرایط را برای مدیریت دقیق و کارآمد انسدادها از طریق تشخیص زودهنگام و پاسخ در زمان واقعی، اولویت بندی می کند. مانیتورهایی که به صورت استراتژیک در حوضه آبریز واقع شده اند، داده های جریان و سطح را جمع آوری می کنند. این داده ها به یک پلتفرم ابری امن و قابل اعتماد Aquasuite منتقل می شوند که اطلاعات را به راحتی با استفاده از داشبوردها و گزارشات برای تجزیه و تحلیل نمایش می-دهد. با استفاده از الگوریتم های هوشمند، داده های زمان واقعی، مجموعه داده های تاریخی و اطلاعات از منابع دیگر مانند بارندگی، به گزارش های عملی برای اپراتورها تبدیل می شوند.

مدل هوش مصنوعی بر روی دو ANN پرسپترون  چند لایه ساخته شده است که برای پشتیبانی از اپراتورها با هم کار می کنند. ANN واپسین سطح جریان را برای 48 ساعت آینده پیش بینی می کند و ANN اکتشافی ناهنجاری های رویداد مانند انسداد را مشخص می کند. یکپارچه سازی یادگیری ماشین اجازه می دهد تا تشخیص ناهنجاری به طور مداوم در طول زمان بهبود یابد. تکنسین های داده Aquasuite داده ها را در کنار نرم افزار تجزیه و تحلیل پیش بینی برای بررسی پروتکل های هشدار دهی بررسی می کنند. مداخله اضافی انسان به تشخیص هر گونه ناهنجاری موجود یا موقتی، تغییرات فصلی و تأثیرات خارجی کمک می کند. پیش بینی سطح بالای فاضلاب به شرکت های آب رسانی این امکان را می دهد تا به طور فعال مشتریان خود را از سیل احتمالی فاضلاب آگاه کرده و در مناطق بحرانی محیطی، به طور فعال از نشت آب جلوگیری کنند. تشخیص ناهنجاری به مجموعه خدمات آب این امکان را می دهد تا قبل از ایجاد سرریز فاضلاب، انسدادها را شناسایی و برطرف کنند.

6-4- شبکه های بیزی برای مدیریت تاسیسات آب

با توسعه شهرها و افزایش جمعیت، هزینه های اقتصادی و اجتماعی مرتبط با ترکیدگی لوله ها و نشتی در سیستم های مدرن آبرسانی به سطوح قابل توجهی افزایش می یابد. چالش تصمیم گیرنده این است که تعیین کند چه لوله هایی در شبکه بازسازی شوند، با کدام روش اصلاح و در چه زمانی در افق برنامه ریزی این تعمیرات عملیاتی شوند. از هوش مصنوعی پیشرفته، یادگیری ماشین و روش-های آماری به منظور تعیین خطرات ناشی از ترکیدگی لوله استفاده می شود. به عنوان مثال، تجزیه و تحلیل یک پایگاه داده از وقایع پرتکرار می تواند برای یادگیری یک مدل خطر به عنوان تابعی از ویژگی های مرتبط با ترکیدگی لوله (سن، قطر، مواد ساخته شده و غیره)، نوع خاک که در آن استفاده می شود، مورد استفاده واقع شود. شبکه های بیزی  یک مدل گرافیکی احتمالی هستند که از استنباط بیزی  برای محاسبات احتمال استفاده می کنند. این رویکرد وابستگی مشروط و بنابراین علیت را مدل می کند. از طریق این روابط، می توان به طور موثر بر متغیرهای نمودار مکانیسم خرابی لوله استنباط کرد. پروژه های آزمایشی با استفاده از این روش در استکهلم، سنگاپور، انگلستان و دانمارک انجام شده است.

7-4- چشم انداز رایانه ای برای نظارت بر بارندگی های شدید

کمیت و کیفیت داده های بارش در برنامه های هواشناسی و مدیریت منابع آب بسیار مهم است. باران سنج ها یک روش کلاسیک برای اندازه گیری بارندگی هستند. با این حال، با ورود به عصر اینترنت اشیا  که در آن "هر چیزی ممکن است تبدیل به داده شود" به اصطلاح حس فرصت طلبی با استفاده از منابع داده های غیر متعارف، موقعیتی را برای افزایش نمایش مکانی-زمانی شبکه های مشاهدات فعلی ارائه می دهد. یکی از ناحیه های خاص که توجه را به خود جلب می کند، برآورد میزان کمی و تحلیلی میزان بارندگی از طریق ویدئوهای تهیه شده توسط تلفن های هوشمند یا دوربین های مدار بسته است. پیشرفت های تکنولوژیکی در پردازش تصویر و بینایی رایانه ای امکان استخراج ویژگی های مختلف، از جمله شناسایی رگه های باران را فراهم می کند که برآورد شدت بارندگی لحظه ای را امکان پذیر کرده است. رویکردهای اخیر هوش مصنوعی و یادگیری ماشینی بر استفاده از رمزگذارهای خودکار، یادگیری عمیق  و شبکه های عصبی پیچیده برای حل مشکلات متکی است. شرکت هایی مانند WaterView (ایتالیا)، موسسه HydroInformatics (سنگاپور)، و همچنین دانشگاه ها (دانشگاه علم و صنعت جنوبی چین، شنژن ) رویکردهای عملی برای خطرات آب و هوایی در حوزه های کاربردی انرژی، خودرو و شهرهای هوشمند را پیشنهاد و اجرا کرده اند.

5- آینده و چالش های کاربرد هوش مصنوعی در بخش آب

هوش مصنوعی نقش مهمی در بخش آب دارد و احتمالاً در آینده این نقش افزایش می یابد. در حال حاضر بسیاری از شرکت های تأسیس شده را می توان مشاهده کرد که از راه حل های هوش مصنوعی و همچنین بسیاری از استارت آپ ها استفاده می کنند. شرکت-های مرتبط با حوضه آب با افزایش حسگرهای برداشت داده و گسترش ساختار تاسیساتی خود، سرمایه گذاری بیشتری در حیطه یکپارچه سازی مرتبط و کاهش ریسک های هزینه زا با استفاده از هوش مصنوعی می کنند. همچنین می توان دید که شرکت های آب بیشتر در دستگاه های مختلف، مانند پمپ ها و شیرهایی سرمایه گذاری می کنند که می توانند از راه دور کنترل شوند و می توانند به خودکارسازی بیشتر کمک کنند. همچنین می توان دید که هوش مصنوعی با سایر فناوری های مرتبط مانند واقعیت مجازی (VR ) یا اینترنت اشیا (IoT ) که در حال حاضر در حال انجام است، ترکیب می شود. بنابراین، بسیاری از فناوری های فعلی مبتنی بر هوش مصنوعی احتمالاً در آینده بیشتر بالغ می شوند و در نتیجه، انتظار استفاده گسترده تر در بخش آب وجود دارد.

تصور واقع بینانه برای آینده ای نزدیک از هوش مصنوعی، راه حل های مبتنی بر این عرصه است که جایگزین افراد نخواهد شد. انتظار بر این است که هوش مصنوعی از اپراتورهای انسانی پشتیبانی بیشتری می کند. بنابراین آنها را قادر می سازد تا کار خود را بر اساس اطلاعات عینی تری که از حجم زیادی از داده ها استخراج شده است بهتر انجام دهند.

1-5- نیاز به یک انقلاب پردازش داده های کلان

ابزارهای جمع آوری، ذخیره، بازیابی و توزیع داده ها هرگز به این اندازه پیشرفته نبوده است. امروزه جهان هر ده دقیقه بیشتر از آنچه در کل تاریخ بشر تا سال 2003 وجود داشته است، داده جمع آوری می کند. در بخش آب، Big Data نه تنها تکنیک های مدل سازی سنتی را به چالش می کشد، بلکه یک تغییر اساسی در پارادایم ایجاد می کند.

برای مشاهده این امر در عمل، باید از حسگرهای پیشرفته صحبت کنیم. استفاده از حسگرها، جمع آوری داده ها را به صورت 24 ساعته و 7 روزه هفته فعال کرده است. یک نمونه برجسته، "پروژه نپتون " سنگاپور است، پروژه ای برای نظارت در زمان واقعی کیفیت آب ساحلی. از شبکه ای از هشت شناور هوشمند مجهز به آزمایشگاه های شیمی مرطوب اتوماتیک استفاده می کند که به صورت استراتژیک در خط ساحلی سنگاپور مستقر شده است. داده ها به صورت بی سیم ارتباط برقرار می کنند، پردازش می شوند، بایگانی می-شوند و سپس با مدل های هواشناسی، هیدرودینامیکی و کیفیت آب ترکیب می شوند و خدمات پیش بینی در زمان واقعی را ارائه می-دهند. کاربران نهایی می توانند از طریق رایانه لوحی و تلفن های هوشمند به داده ها و نتایج مدل دسترسی داشته، آنها را مورد بررسی قرار داده و تجسم های عینی کنند.

سنسورها به طور فزاینده ای در شبکه های آبرسانی و در سطح ساختارهای آبی استفاده می شوند. شرکت های آب در حال سرمایه گذاری منابع نصب و نگهداری سنسورها در طول شبکه های توزیع خود هستند. حسگرها اطلاعات را برای تجزیه و تحلیل روندها، تشخیص شرایط غیرعادی و شناسایی نشت در زمان واقعی جمع آوری می کنند. تشخیص زودهنگام و واکنش سریع با شناسایی دقیق محل مشکلات ترکیب می شود. سنسورهای تجاری در برخی از کشورهای پیشرفته در حال حاضر در خانه های مردم موجود است و آنها را از نشت آب و همچنین روند رطوبت و درجه حرارت آگاه می کند.

2-5- کنترل بحران های فراگیر، با توسعه هوش مصنوعی

در دهه اخیر، تنش آبی، از بحران های فراگیر در ایران بوده است. تنش آبی به مفهوم نوسانات غیر قابل پیش بینی به دنبال تغییرات شدید اقلیمی به وجود می آید. در یک بررسی آماری، از طریق پردازش داده ماهواره های ناسا، می توان به نتایجی رسید که شاید یک درک بصری از آن برای همگان وجود داشته باشد، با این حال هیچ تصویری از رویکردهای سنتی مدیریت، نمی توان برای پاسخ به این نیازمندی ها در ذهن ترسیم کرد؛ به این معنی که رویکردهای مدیریت محلی آب، درحالی که مصرف کنندگان در یک شبکه درهم تنیده و پیچیده آورد جریان با وضعیت متغیر در زمان با یکدیگر تعامل دارند، علی رقم تمام توانمندی های فردی، نمی تواند درک درستی از ابعاد و شکل بحران را حتی در بازه های کوتاه مدت به مدیران ارائه دهد.

نمودار شکل (4) خروجی واسنجی شده داده های بارش GPM (ماهواره ناسا) برای محدوده کشور ایران در طی دو دهه گذشته است. نمودار میله ای بارش مجموع سالیانه، نمودار خطی آبی رنگ، مجموع بارش در شش ماهه اول سال آبی (از مهر تا اسفند)؛ و نمودار نارنجی رنگ، مقدار بارش در شش ماهه دوم سال آبی (از فروردین تا شهریور) را نشان می دهد. می توان مشاهده کرد که رگرسیون های خطی برازش شده، کاهش نسبی بارش برای نیمه اول و افزایش بارندگی ها در نیمه دوم سال آبی را نشان می دهند. ضمن آنکه در کل حجم آب نازل شده کم نشده است. با بررسی نمودار می توان به این نتیجه رسید که بارش های کشور اکنون بیشتر در فصل های گرم سال می بارند تا فصل های سرد. همین امر منجر به تبخیر و تعرق بالاتر، توزیع ناهمگن تر و در نتیجه تنش شدید آبی در کشور شده است. به عبارتی دیگر ایران در یک مجموعه بزرگ تر جهانی، دچار تغییرات اقلیمی شده است. مقدار حجم بارندگی ها اگرچه کاهشی را نشان نمی دهد، اما توزیع زمانی آنها در سال های اخیر عمدتا بسیار شدید و به صورت سیلاب بوده است. ضمن آنگه بارش های تابستانه عمدتا با تبخیر مواجه می شوند.

 

شکل 4. روند تغییرات بارش های فصلی در محدوده ایران.

تنش آبی مذکور، با افزایش ابرناکی فصل های گرم و کاهش ابرناکی فصل های سرد و با افزایش فشار هوا در فصل سرد و کاهش فشار در فصل گرم تایید شده است. در عین حال دمای کشور مجموعا روند گرم شدن را نشان می دهد. همین تغییرات دمایی و تغییرات زمانی بارندگی، عامل رخداد سیلاب ها بوده است. یعنی اگرچه آمارها به ما می گویند که حجم بارش در طول دو دهه چندان فرقی نکرده است، اما نباید فراموش کرد که عمده بارندگی در سال های اخیر به صورت سیلاب بوده است. سیلاب هایی که قدرت مهار، ذخیره و استفاده آنها را نداریم. بعلاوه سیلاب های ناگهانی به نسبت بارش های توزیع شده همگن، قابلیت کمتری برای تغذیه آبخوان ها ایجاد می-کنند. اینکه بخشی از بارش ها از فصل های سرد به فصل گرم منتقل شده است، منجر به کاهش ذخیره برف کشور می شود. چنان که بررسی ها نشان داده است، ذخیره آب معادل برف در ایران، در سال آبی 1399-1400 به نسبت سال 1398-1399 یک ماه زودتر به پایان رسید. بنابراین دو منبع بزرگ آبخوان ها و برف ها را کشور در سال های اخیر کمتر در اختیار داشته است. عدم تطابق زندگی انسانی با این تغییرات چه در بخش مصارف شهری، چه صنعت و چه از همه مهم تر، بخش کشاورزی، منجر به بحران های آبی در ایران شده و خواهد شد. نمونه بزرگ آن ناآرامی های تابستان 1400 خوزستان و موارد مشابه در سال های پیشین بوده است. کمبود آب به دنبال تنش های زمانی آورد جریان در یک جامعه، شکلی غیر خطی و اثر پذیر و اثرگذار بر عوامل ثانوی بسیاری دارد که هیچ ذهن محاسبه گر فردی و یا مدل های تجربه شده تا به امروز قادر به تخمین دقیق ابعاد و شکل آن نخواهد بود. از دیدگاه دکتر میلاد نوری، عضو هیات علمی موسسه تحقیقات خاک و آب، ضعف ساختاری در مدیریت بحران آب کشور را می توان در بخش های زیر طبقه بندی کرد:

جدول 1. تقسیم بندی عوامل ضعف حاکمیت آب در ایران.

با توسعه زیرساخت های هوشمند که پایداری و حیات آنها در ازای هزینه های صرف شده، مستلزم پویایی و بهره مندی از داده های حقیقی و برداشت شده توسط سنسورهای خودکار می باشد، گسست های طبقه بندی شده حکمرانی آب کشور تا حد بسیار زیادی مرتفع خواهد شد. برای نمونه، جدای از موارد گسست داده و اطلاعات، و همچنین گسست ظرفیت، که مستقیما به نبود یک سیستم یکپارچه هوشمند حتی در سطح محلی اشاره دارد؛ بررسی فنی مسائل آب در یک جامعه یکپارچه محاسباتی، نیازمند هماهنگی اداری فرآیند ها، هماهنگی منافع مشترک خصوصی و عمومی در بهره مندی از سیستم های عرضه آب و ایجاد اهداف پایدار و کنترل فنی نیازمندی های جوامع منطقه ای است. این امر قاعدتا با اشتراک منافع منجر به مسئولیت پذیری و مشارکت ذی‌نفعان وابسته خواهد بود که خود عامل مهم بستر ساز سرمایه گذاری های الزامی در صنعت آب کشور می شود. به این ترتیب می توان درباره توسعه سیستم های مبتنی بر هوش مصنوعی، نه به عنوان یک فایده که یک ضرورت جامع نگاه کرد.

در یک مقایسه درباره بحران آب خوزستان به عنوان قطب کشاورزی کشور، در واکنش به خشکسالی شدید تاریخی، کالیفرنیا با اقلیمی گرم و خشک و با رویکرد توسعه وسیع کشاورزی در ایلات متحده، برنامه های آزمایشی را برای نصب کنتورهای آب هوشمند که نشت را تشخیص داده و استفاده از آب را در سطح جامعه بهینه می کند، آغاز کرده است. در عین حال، آنها از حسگرهایی برای کنترل آبیاری هوشمند استفاده می کنند تا مصرف آب صنعت کشاورزی بزرگ دولت را به شکل قابل ملاحضه ای کاهش دهند. این امر ممکن است خیلی دیر به نظر برسد زیرا کالیفرنیا بدترین خشکسالی را از زمان شروع گزارشات تجربه می کند، اما این راه را به سوی راهکارهایی برای بهبود کارایی مدیریت آب در مواجهه با چالش های مهم جهانی نشان می دهد.

تغییرات آب و هوایی، افزایش جمعیت و افزایش شهرنشینی، باعث رشد هوشمند شهرهایی می شود که مقاوم و بازآفرین هستند. یکی از نیروهای اصلی پشت این فناوری های متعدد، فناوری اطلاعات و ارتباطات (ICT ) است که در چرخه آب مورد استفاده قرار می-گیرد. سنسورها و جمع آوری کننده های داده های بزرگ، امکان نظارت لحظه ای بر مقدار و کیفیت آب، آبیاری دقیق، تشخیص نشت هوشمند، برنامه ریزی و تصمیم گیری بهتر را فراهم می کند. هوش مصنوعی پیشرفته و سیستم های اطلاعات جغرافیایی در حال تغییر اندازه گیری در مقیاس بزرگ هستند. در حالی که اینترنت و فناوری های بی سیم، سیستم های پشتیبانی تصمیم گیری هوشمند و دیگر نوآوری ها در بخش آب تأثیر می گذارد. آنچنان که مرحله حاضر از مدیریت و حکمرانی آب کشور، حاصل توسعه های علمی بوده است، این روند توسعه نباید با بی توجهی به بهترین ابزارهای تصمیم ساز، نسبت به کنترل بهینه نیازمندی های انسانی کند شود.

2-5- پذیرش آینده دیجیتال

با وجود توسعه سریع نظارت و مدیریت داده ها در زمان واقعی، هنوز چالش هایی وجود دارد. ادامه تحقیق و توسعه در مورد تعاملات انسان با طبیعت بسیار مهم است. موفقیت مدیریت هوشمند آب نه تنها به بهبود فناوری ICT بستگی دارد، بلکه به دانش متخصص و همکاری چندین ذینفع از جمله آب، صنعت، شهرسازی و محیط زیست نیز بستگی دارد.

نیاز آشکاری به گسترش کاربردهای فناوری های موجود وجود دارد. سیستم های آب هوشمند باید اطلاعات را به صورت جهانی و بین بخش ها به اشتراک بگذارند، نظارت و تجزیه و تحلیل زمان واقعی باید از حوضه تا سطح خانه های جوامع شهری اعمال شود. استانداردها و شاخص ها برای کاربرد و عملکرد فناوری های اطلاعات و ارتباطات پس از استفاده باید توسعه داده شوند؛ و به ما در درک نسبت هزینه و سود استفاده از راه حل های فناوری اطلاعات و ارتباطات کمک کنند.

استفاده از شبکه رشد سریع مبتنی بر تلفن همراه که امکان تصمیم گیری سریع و قابل اعتماد در زمینه نظارت، بدست آوردن و پردازش داده های بلادرنگ از سطح آب، بارندگی، رواناب، کیفیت آب و تشخیص نشت را دارند، باید ترویج شوند. با این حال، برای بهبود بهره وری آب و اطمینان از امنیت و پایداری آب، سیستم های هوشمند به چارچوب های قانونی و اقتصادی مناسب نیاز دارند.

مدیر سایت: بهزاد سرهادی

شماره تلفن: 09190622992

شناسه تلگرام مدیر سایت: SubBasin@

نشانی ایمیل: behzadsarhadi@gmail.com

(سوالات تخصصی را در گروه تلگرام ارسال کنید)

_______________________________________________________

×

 براي پيوستن به بزرگترين گروه تلگرام علوم و مهندسي آب با امکان تبادل نظر بين اعضاء کليک کنيد

کتاب کاربرد مدل QUAL2KW

کتاب کاربرد GIS در منابع آب

کتاب محاسبه سيل طرح