هوش مصنوعی و کاهش هدررفت شبکه آب در البرز
تشخیص نشت با هوش مصنوعی به دقت بیش از ۹۳ درصد میرسد، در برابر ۴۵ درصد روش سنتی؛ نقشه راه کاهش آب بدون درآمد، از تعیین شاخص پایه تا پایلوت یک منطقه مشخص.
در همه شبکههای آب شهری دنیا، بخشی از آب تولیدشده پیش از رسیدن به مشترک از شبکه خارج میشود. این شاخص نام مشخصی دارد: آب بدون درآمد. کاهش آن یکی از استانداردترین و در عین حال کمهزینهترین راههای افزایش بهرهوری شبکه آب در سراسر جهان است.
جذابیت این حوزه در این است که برخلاف بسیاری از پروژههای زیرساختی، نیازی به توسعه شبکه یا منبع جدید ندارد. آبی که همین حالا تولید میشود، بهتر به دست مشترک میرسد.
هوش مصنوعی در سالهای اخیر این کار را به شکل محسوسی دقیقتر کرده است. این مقاله توضیح میدهد چگونه، و یک نقشه راه عملی برای شروع ارائه میکند.
چرا یافتن نشت بهطور سنتی دشوار است
نشت شبکه آب معمولاً بیصدا و نامرئی است. لولهای در عمق چند متری ترک برمیدارد، آب در خاک پخش میشود و تا زمانی که به سطح نرسد یا افت فشار محسوسی ایجاد نکند، تشخیص آن دشوار است.
روش رایج شناسایی، پیمایش میدانی است: اکیپ با دستگاه شنود صوتی مسیر شبکه را طی میکند و به صدای لوله گوش میدهد. این روش به مهارت و تجربه اپراتور وابسته است و در محیط پرسروصدای شهری دشوارتر میشود.
بر اساس دادههای منتشرشده در این حوزه، دقت روش پیمایش سنتی میتواند تا حدود ۴۵ درصد باشد؛ در حالی که سامانههای صوتی مبتنی بر هوش مصنوعی به دقتی بیش از ۹۳ درصد میرسند.
هوش مصنوعی چه چیزی را تغییر میدهد
سامانههای تشخیص نشت مبتنی بر هوش مصنوعی، حسگرهای صوتی را روی شبکه نصب میکنند و الگوی صدای جریان آب را بهصورت پیوسته تحلیل میکنند. مدل یاد میگیرد صدای عادی جریان در آن شبکه چه شکلی است و هر انحراف معنادار را علامت میزند.
مزیت عملی این روش در سه نقطه است:
- پایش پیوسته بهجای بازدید دورهای؛ نشت در همان روزهای اول شناسایی میشود نه پس از ماهها
- کاهش حفاریهای بینتیجه که مستقیماً در هزینه اکیپ، ماشینآلات و ترمیم آسفالت صرفهجویی ایجاد میکند
- هدفمند شدن کار اکیپ که با فهرست اولویتدار نقاط مشکوک اعزام میشود
نکته مهم اینکه این کاربرد، فناوری نوظهور آزمایشی نیست. در بررسی بلوغ کاربردهای هوش مصنوعی در صنایع آب و انرژی، تشخیص نشت جزو هفت کاربردی است که به مرحله بهرهبرداری پایدار رسیدهاند — در کنار پیشبینی تقاضا، نگهداشت پیشبینانه، پایش کیفیت آب و بهینهسازی شبکه.
نقشه اجرایی برای شرکت آب و فاضلاب و مدیریت شهری
گام یک: تعیین شاخص پایه
پیش از انتخاب هر فناوری، باید عدد پایه مشخص باشد: نسبت آب بدون درآمد در شبکه چقدر است؟ این شاخص مبنای سنجش هر پروژهای است و بدون آن، ارزیابی نتیجه ممکن نیست.
گام دو: اولویتبندی بهجای پوشش کامل
نصب حسگر روی کل شبکه شهر نه ضروری است نه اقتصادی. اولویت با مناطقی است که همزمان این ویژگیها را دارند:
- قدمت بیشتر لولهگذاری
- سابقه تکرار حادثه
- فشار بالای شبکه که احتمال نشت را افزایش میدهد
گام سه: پایلوت روی یک منطقه با محدوده مشخص
منطقهای با تعداد مشترک و طول شبکه معلوم انتخاب شود. حسگرها نصب و مدل با داده همان شبکه کالیبره شود — الگوی صوتی هر شبکه به جنس لوله، عمق دفن و نوع خاک وابسته است و مدل عمومی بهتنهایی نتیجه مطلوب نمیدهد.
گام چهار: سنجش با معیار مالی
معیار موفقیت تعداد نشت شناساییشده نیست؛ میزان کاهش آب بدون درآمد در همان منطقه و تعداد حفاریهای صرفهجوییشده است. هر دو مستقیماً به عدد مالی قابل ترجمهاند و گزارشدهی پروژه را ساده میکنند.
گام پنج: آموزش تیم بهرهبردار
پایدارترین بخش چنین پروژهای، دانشی است که در سازمان میماند. کارشناسان بهرهبرداری باید بتوانند خروجی مدل را بخوانند، هشدارها را اولویتبندی کنند و بدانند مدل در چه شرایطی قابل اتکا نیست.
یک دوره آموزشی هوش مصنوعی کوتاه و متناسب با همین کاربرد، بههمراه همراهی یک مشاور هوش مصنوعی در ماههای نخست، معمولاً تفاوت میان سامانهای که واقعاً استفاده میشود و سامانهای که فقط گزارش تولید میکند را رقم میزند.
چرا این پروژه از نظر اقتصادی خودش را توجیه میکند
بسیاری از پروژههای بهرهوری برای توجیه اقتصادی ناچارند به منافع غیرمستقیم استناد کنند. کاهش هدررفت شبکه استثناست، چون سه صرفهجویی همزمان و قابل محاسبه دارد:
- آبی که به مشترک میرسد بهجای آنکه در شبکه هدر برود
- هزینه حفاری که بینتیجه انجام نمیشود
- هزینه حادثه که با شناسایی زودهنگام، پیش از ترکیدگی کامل مهار میشود
و منفعت چهارمی هم دارد که ارزش آن فراتر از محاسبه مالی است: مدیریت بهتر منابع آبی، که در کشور ما یک اولویت ملی و یک مسئولیت مشترک است.
پرسشهای پرتکرار
تفاوت این روش با کنتور هوشمند چیست؟
کنتور هوشمند مصرف مشترک را اندازه میگیرد و برای تشخیص نشت پس از کنتور مفید است. سامانه تشخیص نشت صوتی، نشت شبکه توزیع یعنی پیش از کنتور را شناسایی میکند. این دو مکمل یکدیگرند و بخش عمده هدررفت معمولاً در شبکه توزیع رخ میدهد.
آیا برای شبکههای قدیمی هم مناسب است؟
بله، و بازدهی آن در شبکههای قدیمیتر بیشتر است. تنها نکته این است که مدل باید با داده همان شبکه کالیبره شود، چون جنس لوله، عمق دفن و نوع خاک روی الگوی صوتی اثر مستقیم دارند.
برای شروع چه دادهای لازم است؟
سه مورد اصلی: نقشه شبکه توزیع با جنس و قطر لوله، سابقه حوادث چند سال گذشته، و داده فشار و دبی ورودی مناطق. همین دادهها بعداً میتوانند لایه زیرساختی یک دوقلوی دیجیتال شهری را تشکیل دهند. در صورت وجود اینها، پایلوت میتواند ظرف چند هفته آغاز شود.
آیا هوش مصنوعی جایگزین اکیپ عملیاتی میشود؟
خیر. کار اکیپ را هدفمند میکند. بهجای پیمایش گسترده، اکیپ با فهرست اولویتدار نقاط مشکوک اعزام میشود و نتیجه این است که همان تعداد نیرو، اثربخشی بهمراتب بالاتری پیدا میکند.
جمعبندی
کاهش هدررفت شبکه آب یکی از معدود اقداماتی است که هم اثر نسبتاً سریع دارد، هم از نظر مالی خودش را برمیگرداند، و هم به مدیریت بهینه منابع کمک میکند — بدون آنکه نیازمند تغییر رفتار گسترده مشترکان باشد.
برای شروع هم نیازی به پروژه بزرگ نیست: یک منطقه، یک شاخص پایه و یک پایلوت چندماهه کافی است تا مشخص شود این مسیر برای شبکه شما چه بازدهی دارد. همین منطق در مدیریت هوشمند ترافیک کرج هم به کار رفته است.
خدمات مرتبط قطره
قطره در پارک علم و فناوری البرز در کرج مستقر است و در این حوزهها همراه سازمانهاست:
- علم داده و مدلهای پیشبینانه برای زیرساخت — تحلیل داده شبکه، پیشبینی حادثه و نگهداشت پیشبینانه
- مشاوره هوش مصنوعی در کسبوکار — انتخاب فرایندی که بیشترین بازگشت سرمایه را دارد و طراحی پایلوت
- دوره آموزشی هوش مصنوعی و مشاور هوش مصنوعی برای آموزش — توانمندسازی کارشناسان بهرهبردار
- بینایی ماشین و روباتیک — پایش خودکار تأسیسات و پردازش تصویر
- اتوماسیون هوش مصنوعی و چتبات پاسخگویی به مشترکان
اگر در حوزه مدیریت شبکه آب فعالیت میکنید و میخواهید بدانید از کدام منطقه شروع کنید، با ما گفتوگو کنید.