مدلسازی هوش مصنوعی در مدیریت زیرساخت فرسوده آب شهری :: بیسین - سایت تخصصی مهندسی آب

عضويت در خبرنامه ايـميـل پايگاه بيسيــن - عضويت پس از کليک بر روي لينک فعال سازي که براي شما ارسال خواهد شد تکميل مي شود




مدلسازی هوش مصنوعی در مدیریت زیرساخت فرسوده آب شهری


مدیریت زیرساخت های قدیمی و شبکه های بزرگ سیستم های آب چالش های بزرگی است که شرکت های آب در سراسر جهان با آن روبرو هستند. در سال 2021، تحقیقی به سرپرستی تیمی در دانشگاه ملل متحد، زیرساخت های فرسوده آب را به عنوان یک خطر جهانی در حال ظهور شناسایی کرد. اکثر راه حل های مهندسی برای مدیریت آب که امروزه هنوز مورد استفاده قرار می گیرد، مانند سدها و شبکه های فاضلاب، بین سالهای 1930 تا 1970 ساخته شده است. اینها در حال حاضر خطرات و چالش هایی را برای مدیران زیرساختی که در تلاش برای گسترش خدمات و پذیرش انقلاب دیجیتالی هستند ایجاد می کند.


طول فاضلاب برلین 9،700 کیلومتر است که برای سفر از برلین به بوگوتا کافی است! مدیریت چنین شبکه وسیعی از زیرساخت های قدیمی به دلیل بودجه کافی برای توانبخشی به طور فزاینده ای دشوار می شود. مرکز آب برلین (KWB) با چالش روبرو شده و در حال بررسی راه حل هوشمند نویدبخش برای بهبود مدیریت دارایی است: مدلهای خرابی. فعالیتهای تحقیقاتی کلیدی در زمینه مدل سازی برای رسیدگی به عملکرد کوتاه مدت و بلند مدت شبکه های فاضلاب و ارائه راه حل بهتر و مقرون به صرفه برای مدیریت دارایی ها در حال توسعه است.


می توان از مدلهای تخریب برای پیش بینی تکامل وضعیت کل شبکه فاضلاب یا گروههای خاصی از فاضلاب با ویژگیهای مشابه استفاده کرد. مدلها باید تا حد امکان دقیق باشند تا خدمات شهری و شهرداریها بتوانند به پیش بینی های خود اعتماد کنند و از آنها برای برنامه ریزی بازرسی کارآمد، بازسازی و استراتژیهای سرمایه گذاری استفاده کنند.


در دهه گذشته، KWB دقت پیش بینی، مزایای عملیاتی و محدودیت های مدلهای خرابی را در کشورهای مختلف جهان، مانند آلمان، فرانسه، کلمبیا و ایالات متحده، دقیق بررسی کرده است. این کار با همکاری نزدیک با خدمات آب و برق، مسائل کلیدی مانند بهبود ارزیابی وضعیت بازرسی های دوربین مدار بسته و در نظر گرفتن عدم قطعیت ها در فرایند تصمیم گیری را مورد بررسی قرار داد.


مدلهای خرابی چگونه کار می کنند؟

داده های بازرسی از فاضلاب اساس مدل سازی است. در مطالعه موردی KWB از برلین، از انواع داده ها در مورد وضعیت فاضلاب استفاده شد: به عنوان مثال، مواد لوله، قطر آن، سن، شرایط آن و غیره. علاوه بر این، ما دریافتیم که داده های باز از اهمیت ویژه ای برخوردار است. در این زمینه: با استفاده از داده های شهری در دسترس عموم مانند نوع خاک، سطح آب زیرزمینی یا وجود درختان، می توان دقت پیش بینی ها را به میزان قابل توجهی بهبود بخشید. نتایج KWB برای صنعت بسیار دلگرم کننده است. مدل ها می توانند وضعیت کل شبکه را با دقت عالی شبیه سازی کنند. همچنین جالب است بدانید که الگوریتم های یادگیری ماشین در پیش بینی وضعیت فاضلاب های فردی بهتر از مدل های آماری عمل می کنند.


بر اساس این نتایج، محققان KWB و Berliner Wasserbetriebe یک ابزار پیش بینی جدید برای مدیریت زیرساخت های برلین به نام SEMAplus ایجاد کرده اند. هدف از این پروژه بررسی مناسب بودن مدلهای خرابی فاضلاب در پیش بینی شرایط فاضلاب و شناسایی مشخصات مربوط به مدلهای خرابی فاضلاب و داده های ورودی مورد نیاز برای استفاده موفق است.


در مرحله اول پروژه، داده های بیش از 100،000 لوله فاضلاب در برلین برای آزمایش روشهای مختلف آماری و مبتنی بر هوش مصنوعی برای مدل سازی برای پیش بینی خرابی فاضلاب استفاده شد. با استفاده از این ابزار جدید، می توان وضعیت فعلی شبکه را با دقت بیشتری تعیین کرد و تصویری دقیق از آنچه در آینده انتظار می رود ارائه کرد. با تشکر از این، خدمات فاضلاب اکنون می تواند تعمیر و نگهداری پیش بینی را انجام داده و زیرساخت ها را به موقع تجدید کند - سرمایه گذاری ها و هزینه ها را تا آنجا که ممکن است در عین حفظ وضعیت زیرساخت حفظ کند.


ابزارهایی که از هوش مصنوعی، مدل سازی و آمار مانند SEMAplus استفاده می کنند، حتی در شهرهایی که اطلاعات کمتری از تأسیسات فاضلاب وجود دارد، در سراسر جهان قابل استفاده است. کاربردهای اخیر این ابزارها در صوفیه، بلغارستان و بوگوتای کلمبیا نشان داده است که مدلها می توانند مفید واقع شوند حتی زمانی که تنها بخش کوچکی از شبکه بازرسی شده باشد. به دلیل کارآیی، گستردگی و پتانسیل وسیع، SEMAplus جایزه نوآوری 2019 توسط انجمن خدمات شهری (VKU)، در زمینه نوآوری های برجسته توسط خدمات شهری دریافت شد.


این پروژه هنوز راه طولانی در پیش دارد - در حال حاضر KWB در حال ایجاد یک انجمن SEMAplus با اپراتورها و شهرداری ها است که ابزارها را با هم توسعه و بهینه می کند. یک اولویت کلیدی در جهت بهبود مدیریت دارایی در کل چرخه آب، توسعه راه حل های پیش بینی نگهداری برای بهینه سازی بازسازی چاه های آب، در میان سایر راه حل های دیجیتالی جدید برای مدیریت آب است. برای اطلاع از آخرین نوآوری ها در زیرساخت های آب شهری و مدیریت دارایی، از مرکز انتقال دیجیتال IWA و digital-water.city دیدن کنید، پروژه ای که بیش از 24 شریک در اروپا، از جمله KWB، در حال بررسی راه حل دیجیتال جدید هستند.




×

راهنماي حل مشکل دانلود: با توجه به اخلال درايو گوگل در ايران از آي پي ديگر کشورها براي دانلود فايل ها استفاده کنيد.





آمار آنلاين-مقايسه اي بارش در حوضه هاي اصلي کشور

منبع: وزارت نيرو - اين نمودار ممکن است براي دقايقي به دليل بروزرساني غير فعال شود

توجه: نمودارهای زیر از ابتدای سال آبی حاضر به دلیل محرمانه شدن اطلاعات بارش بروز نشده است!




نظرات (۰)

فرم ارسال نظر

ارسال نظر آزاد است، اما اگر قبلا در بیان ثبت نام کرده اید می توانید ابتدا وارد شوید.
شما میتوانید از این تگهای html استفاده کنید:
<b> یا <strong>، <em> یا <i>، <u>، <strike> یا <s>، <sup>، <sub>، <blockquote>، <code>، <pre>، <hr>، <br>، <p>، <a href="" title="">، <span style="">، <div align="">

درباره بهترين هاي بيسيـــن بدانيد...

Bird

يکي از مهمترين اهداف اين سايت تهيه آموزش هاي روان از ابزارهاي کاربردي علوم آب است.

اهميت مطالعات محيطي با ابزارهاي نوين در چيست؟

امروز با فارغ التحصيلي جمع کثير دانشجويان سالهاي گذشته و حال، با گذر از کمي گرايي ديگر صرف وجود مدارک دانشگاهي حرف اول را در بازار کار نمي زند؛ بلکه سنجش ديگري ملاک؛ و شايسته سالاري به ناچار! باب خواهد شد. يکي از مهم ترين لوازم توسعه علمي در هر کشور و ارائه موضوعات ابتکاري، بهره گيري از ابزار نوين است، بيسين با همکاري مخاطبان مي تواند در حيطه علوم آب به معرفي اين مهم بپردازد.

جستجو در بيسين
سایت مهندسی آب

بیسین - سایت تخصصی مهندسی آب

سایت بیسین با معرفی مهم ترین و کاربردی ترین نرم افزارها و مدل های شبیه سازی در حیطه مهندسی آب، تلاش به تهیه خدمات یکپارچه و محلی از محاسبات هیدرولوژیکی و هیدرولیکی می کند

اطلاعات سايت

  • www.Basin.ir@gmail.com
  • بهزاد سرهادي
  • شناسه تلگرام: Basin_Ir_bot
  • شماره واتساپ: 09190622992-098
  • شماره تماس: 09190622992-098

W3Schools

W3Schools