| تحلیل رویکرد یادگیری ماشین و مدل‌های هیدرولیکی جهت پیش‌بینی و مدیریت کیفیت آب در سیستم‌های تأمین و توزیع |
| کد مقاله : 1010-IWWA |
| نویسندگان |
|
محمد خسروی حموله1، الهام قنبری عدیوی *2 1Water engineering department, shahrekord university, shahrekord, Iran 2گروه مهندسی آب دانشگاه شهرکرد |
| چکیده مقاله |
| کیفیت آب در سیستم‌های تأمین و توزیع، یکی از مهم‌ترین معیارهای سلامت عمومی و پایداری زیرساخت‌های شهری به شمار می‌رود. به‌طور سنتی، پیش‌بینی و مدیریت پارامترهای کیفی آب (نظیر کلر باقی‌مانده، کدورت، pH و بار میکروبی) با تکیه بر مدل‌های هیدرولیکی فیزیک‌محور صورت می‌گرفته است؛ مدل‌هایی که با وجود دقت فیزیکی بالا، با چالش‌های پیچیدگی محاسباتی، نیاز به کالیبراسیون دقیق و ناتوانی در ثبت رفتارهای غیرخطی و پیچیده شبکه مواجه‌اند. در سال‌های اخیر، گسترش رویکردهای یادگیری ماشین و یادگیری عمیق، افق تازه‌ای برای مدل‌سازی داده‌محور این پارامترها گشوده است. اینپژوهش با رویکردی تحلیلی-مروری، به بررسی و دسته‌بندی روش‌های یکپارچه‌سازی مدل‌های هیدرولیکی و یادگیری ماشین می‌پردازد و آن‌ها را در سه قالب کلی مدل‌های موازی و توالی، مدل‌های هیبرید فیزیکی-داده‌محور و رویکردهای اصلاح خطا مبتنی بر یادگیری ماشین طبقه‌بندی می‌کند. سپس کاربرد این رویکردها در پیش‌بینی پارامترهای هدف نظیر کلر باقی‌مانده، کدورت و کنترل خوردگی و رسوب در لوله‌ها مورد تحلیل قرار می‌گیرد. در ادامه، چالش‌های اصلی این حوزه شامل کمبود داده‌های باکیفیت، پیچیدگی محاسباتی شبکه‌های بزرگ و نیاز به زیرساخت حسگرهای هوشمند و اینترنت اشیا بررسی می‌شود. نتایج این مطالعه نشان می‌دهد که رویکردهای هیبریدی فیزیکی-داده‌محور، با ترکیب دانش فیزیکی حاکم بر جریان آب و توان الگوبرداری مدل‌های یادگیری عمیق، به‌طور فزاینده‌ای به‌عنوان رویکرد برتر برای مدل‌سازی دقیق، قابل‌تعمیم و تفسیرپذیر کیفیت آب شناخته می‌شوند. در پایان، مسیرهای پژوهشی آینده از جمله ترکیب این رویکردها با دوقلوهای دیجیتال و یادگیری تقویتی برای مدیریت بهینه و پیشگیرانه شبکه‌های آبی معرفی می‌شود. |
| کلیدواژه ها |
| کیفیت آب، یادگیری ماشین، یادگیری عمیق، مدل‌سازی هیدرولیکی، سیستم توزیع آب |
| وضعیت: پذیرفته شده برای ارسال فایل های ارائه پوستر |
