تدعم أنظمة توزيع المياه الصحة العامة والنشاط الاقتصادي وحياة المدينة اليومية. يتطلب تشغيلها تحقيق التوازن بين العرض والطلب، والحفاظ على الضغط عبر تضاريس متنوعة، والحفاظ على تكاليف الطاقة منخفضة، ومنع الفشل الذي يعطل الخدمة. أصبحت الذكاء الاصطناعي الآن جزءًا من كيفية تعامل المرافق مع جميع هذه الجوانب الأربعة.
هذا الدليل موجه إلى مهندس أو مدير المرافق الذي يقرر أين يناسب الذكاء الاصطناعي، بدلاً من عالم البيانات الذي يقوم ببنائه.
Table of Contents
فهم تطبيقات الذكاء الاصطناعي في توزيع المياه
“الذكاء الاصطناعي” يغطي مجموعة من التقنيات – التعلم الآلي، الشبكات العصبية، التحليلات التنبؤية. ما يشتركون فيه هو القدرة على العثور على أنماط في البيانات دون الحاجة إلى كتابة قواعد لكل حالة. في شبكة التوزيع، يعني ذلك تحويل مخرجات المستشعرات والعدادات إلى قرارات: أي مضخة يجب تشغيلها، وأي أنبوب يجب فحصه، وأين سيكون توقع الطلب خاطئًا.
منحنى الاعتماد في المياه متأخر عن المرافق الأخرى، لكنه يتحرك. جلسات WEF وبرامج مؤتمرات المرافق تهيمن عليها الآن عمليات النشر التي تجاوزت مرحلة التجريب، والموضوع المتكرر هو أن الحاجز لم يعد هو الخوارزميات. بل هو جودة البيانات واستعداد المنظمة للعمل بناءً على توصية لم تولدها يدويًا.
تحسين الطاقة من خلال التحكم الذكي في المضخات
تعتبر الضخ أكبر تكلفة للطاقة لمعظم مرافق المياه – عادةً 60-80% من الإجمالي. يعتمد الجدول الزمني التقليدي على الأنماط التاريخية وتجربة المشغل، وهو يعمل، لكنه يترك أموالًا على الطاولة.
تبحث تحسين المضخات المعتمد على الذكاء الاصطناعي في عدة متغيرات في وقت واحد: سعر الكهرباء، توقع الطلب، مستويات الخزانات، الهيدروليكا الشبكية ومنحنيات كفاءة المضخة. المخرج المفيد ليس نموذجًا ذكيًا – بل هو جدول زمني يحافظ على موثوقية الخدمة بينما يصل إلى أقل نقطة تشغيل ممكنة.
تعتبر تع tariffs الوقتية هي المكان الذي تكون فيه المكاسب أوضح. يؤدي تحويل الضخ إلى فترات غير الذروة إلى تقليل التكاليف دون المساس بجودة الخدمة، ويمكن لنموذج يحترم مستويات الخزانات وقيود الضغط القيام بذلك باستمرار. عادةً ما تتراوح تخفيضات الطاقة المبلغ عنها من برامج التحسين في نطاق النسبة المئوية ذات الرقم المزدوج، مع أكبر الأرقام تأتي من الأنظمة التي لم تقم بتحسين الجدولة على الإطلاق.
الصيانة التنبؤية وإدارة الأصول
تتدهور بنية المياه التحتية بهدوء حتى تفشل. تنتظر الصيانة التفاعلية ذلك؛ بينما تستبدل الصيانة القائمة على الوقت المعدات قبل الحاجة إليها. كلاهما يهدر المال.
تستخدم الصيانة التنبؤية بيانات التشغيل للعثور على الأصل الذي يواجه مشكلة الآن. عادةً ما تكون مدخلات اهتزاز المضخة، واستهلاك التيار الكهربائي للمحرك، ودرجة حرارة المحامل واتجاه الكفاءة، والنماذج التي تعمل في الممارسة العملية عادةً ما تكون أبسط مما تقترحه الأدبيات الخاصة بالبائع – قاعدة أساسية موثقة بالإضافة إلى عتبة الشذوذ تلتقط معظم الأعطال المتطورة.
تقييم حالة الأنابيب هو التطبيق عالي القيمة الآخر. يمكن أن تصنف البيانات الهيدروليكية، والإشارات الصوتية وتاريخ الصيانة معًا مقاطع الأنابيب حسب خطر الفشل، مما يسمح للمرفق باستبدال الكيلومتر الصحيح من الخط الرئيسي بدلاً من الأكثر صخبًا. تميل البرامج التي تتصرف بناءً على ذلك التصنيف إلى الحصول على المزيد من ميزانية رأس المال الثابت، لأن العمل يذهب حيث تكون عواقب الفشل أعلى.
توقع الطلب وتخطيط النظام
يدعم توقع الطلب الشراء، والميزانية وتخطيط الشبكة. تعتمد الطرق التقليدية على الاتجاهات التاريخية والأنماط الموسمية، وتكافح مع صدمات الطقس، والتحولات الاقتصادية وتأثيرات برامج الحفظ.
تأخذ نماذج الذكاء الاصطناعي في الاعتبار تاريخ الاستهلاك، وتوقعات الطقس، والمؤشرات الاقتصادية والتغيرات الديموغرافية، وتلتقط العلاقات بينها التي تفوتها الانحدارات البسيطة. تقارير الدراسات التقييمية بشكل مستمر عن تحسين دقة التوقعات مقارنة بالطرق التقليدية، على الرغم من أن التحسين يختلف مع تاريخ البيانات: المرفق الذي لديه ثلاث سنوات من بيانات العدادات النظيفة يحصل على أقل من نموذج من لديه خمسة عشر عامًا.
تغذي التوقعات الأفضل مباشرة إلى العمليات – جدولة المضخات، إدارة الخزانات، شراء الطاقة – وإلى التخطيط طويل الأجل، حيث يدفع توقع الطلب ما إذا كان هناك حاجة إلى خط رئيسي جديد أو مصدر جديد.
تكامل SCADA والتحكم في الوقت الحقيقي
تعمل معظم المرافق على SCADA. يجلس الذكاء الاصطناعي فوقه، وليس بدلاً منه: تحليل المؤرخ للأنماط التي لا يملك المشغل الوقت لاكتشافها، وإشارة الشذوذ المتسقة مع أعطال المعدات، وأحداث التلوث أو التسلل السيبراني، وفي بعض التكوينات يوصي أو ينفذ استجابة.
التوجيه المنشور هنا عام بدلاً من كونه مخصصًا للمياه. إطار إدارة مخاطر الذكاء الاصطناعي من NIST هو الوثيقة المرجعية التي تشير إليها معظم مرافق الولايات المتحدة عند إعداد الحوكمة للذكاء الاصطناعي في البنية التحتية الحيوية – تغطي تحديد المخاطر، والإشراف البشري والتحقق من مخرجات النموذج. لا توجد قاعدة من EPA أو NIST تحدد كيفية دمج الذكاء الاصطناعي في SCADA المياه، لذا فإن قرار التصميم يقع مع المرفق ومستشاريه.
قاعدتان من قواعد الإبهام من المصانع التي قامت بذلك: احتفظ بإنسان في الحلقة لأي شيء يؤثر على المعالجة أو الضغط، وسجل كل إجراء تلقائي حتى تتمكن من إعادة بناء ما فعله النظام ولماذا.
اعتبارات التنفيذ
ابدأ بشكل ضيق. اختر مشكلة واحدة محددة جيدًا حيث يكون للذكاء الاصطناعي ميزة واضحة – جدولة المضخات مقابل تعرفة الوقت، أو اكتشاف التسرب في DMA واحدة – وقم بتشغيلها كبرنامج تجريبي مع معيار نجاح قابل للقياس. البرامج التجريبية التي تنتج أدلة هي ما يبرر المرحلة التالية من التمويل.
تحدد جودة البيانات النتيجة. قبل الالتزام، تحقق من توفر البيانات، والتناسق، واكتمال التاريخ الذي تنوي التدريب عليه. تعتبر السجلات متعددة السنوات هي الحد الأدنى لأي شيء موسمي؛ وتعتبر تدفقات البيانات في الوقت الحقيقي هي ما يجعل النموذج عمليًا.
تعتبر إدارة التغيير مهمة بقدر أهمية الخوارزمية. يحتاج المشغلون إلى فهم ما يمكن للنموذج وما لا يمكنه القيام به، ويجب أن يكونوا هم من يتحققون من التوصيات. المصانع التي تعالج النموذج كأوراكل تواجه مشاكل في المرة الأولى التي يكون فيها خاطئًا بثقة.
يجب أن تأخذ عملية اختيار البائع في الاعتبار سجل الأداء في المياه بدلاً من جودة العرض. اطلب المراجع في أنظمة مشابهة لنظامك، وكن محددًا بشأن من يمتلك النموذج عندما ينحرف.
تقوم Shanghai ChiMay بتوفير طبقة الأدوات التي تعتمد عليها هذه المشاريع – القياسات المستقرة والمعايرة هي ما يجعل البيانات تستحق النمذجة.
الاتجاهات المستقبلية
تستمر القدرات في التطور. يتم تطبيق التعلم المعزز على التحكم في المضخات وإدارة الخزانات. توفر التوائم الرقمية بيئة اختبار لاستراتيجيات دون المساس بالشبكة الحية. يسمح التعلم الفيدرالي للمرافق بتدريب نماذج مشتركة دون كشف بياناتها.
التطبيقات على الأفق القريب هي توقع جودة المياه، ونمذجة سلوك العملاء بشكل أكثر تفصيلاً، وتخطيط التكيف للتغيرات المدفوعة بالمناخ في مصادر المياه.
لا شيء من ذلك يزيل الأساسيات: القياس، وجودة البيانات، ومنظمة تتصرف بناءً على ما تقوله البيانات. المرافق التي تعالج الذكاء الاصطناعي كأداة داخل هذا الإطار هي التي تحقق النتائج.
