مقدمه: توسعه ی Imper برای مدیریت Smarter زهکشی

سیستم های زهکشی شهری ستون فقرات خاموش شهرهای مدرن هستند، با کانال کردن طوفان آب از خیابان ها، خانه ها و زیرساخت های حیاتی کار می کنند، زیرا تغییرات آب و هوایی باعث تشدید حوادث باران و جمعیت شهری می شود، این شبکه های پیری با استرس بی سابقه ای مواجه می شوند و رویدادهای نگهداری شهری در نهایت باعث میلیاردها دلار در آسیب سالانه می شود، با خرابی های زهکشی شهری که به تعمیرات اضطراری املاک کمک می کند، و از دست دادن به طور منظم - آنها را پیش بینی می کنند.

نقش داده های بزرگ در مدیریت فرار

تجزیه و تحلیل داده های بزرگ در مدیریت زهکشی فراتر از نظارت ساده است - آن را ادغام مجموعه های عظیم و ناهمگن از سنسورها، خدمات آب و هوا، سیستم های اطلاعات جغرافیایی (GIS)، و سوابق تاریخی برای کشف الگوهای نامرئی به چشم غیر مسلح است.با پردازش این داده ها از طریق الگوریتم های یادگیری ماشین و مدل های شبیه سازی، اپراتورهای ابزار می توانند ناهنجاری، انسداد پیش بینی یا فروپاشی، و تخصیص منابع فعال این قابلیت های تحلیلی و پیشرفته را شناسایی کنند.

منابع داده و مجموعه

سیستم های زهکشی مدرن به طور فزاینده ای با دستگاه های اینترنت اشیا (IoT) ابزار می شوند.منبع های داده کلیدی شامل:

  • سنسورهای داخل-پیپ اندازه گیری میزان جریان، سطح آب، فشار و turbidity، اغلب در اتصالات بحرانی یا نقاط مشکل شناخته شده مستقر می شوند.
  • رزین سنج و رادار آب و هوا ارائه داده های با وضوح بالا بارش، هر دو تاریخی و زمان واقعی، ضروری برای درک حوادث طوفان.
  • ] سیستم های کنترل سوپرvisory و خرید داده ها (SCADA) ثبت وضعیت پمپ، موقعیت دریچه و سطوح مخزن ذخیره سازی در سراسر شبکه.
  • تاریخ ثبت نام شامل سوابق انسداد گذشته، فروپاشی، تعمیرات و فیلم های بازرسی دوربین مداربسته.
  • [[۱] [۱۰] [۱۰] [۱۰] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳]] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۱] [۳] [۳] [۳] [۱] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳]] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [
  • رسانه های اجتماعی و گزارش های شهروندی [FLT 1 ] (به عنوان مثال، 311 تماس، گزارش سیل) ارائه داده های محلی و زمینی است که می تواند مشاهدات سنسور را تقویت کند.

جمع آوری این داده ها در مقیاس نیاز به یک زیرساخت تله متری قوی، اغلب با استفاده از تلفن همراه، LoRaWAN یا شبکه های شبکه های شبکه های شبکه های شبکه ای معمولی است که میلیون ها مطالعه در روز ایجاد می کند، و به ذخیره سازی و پردازش سیستم عامل های ابری یا لبه ای نیاز دارد.

تکنیک های پیش بینی کننده Analytics

هنگامی که داده ها جمع آوری می شوند، چندین روش تحلیلی برای پیش بینی شکست ها استفاده می شود:

  • مدل های یادگیری ماشین: الگوریتم هایی مانند جنگل های تصادفی، تقویت گرادیان (XGBoost)، و حافظه کوتاه مدت (LSTM) در داده های شکست تاریخی همراه با سنسور و ورودی هوا آموزش داده می شوند.
  • تشخیص ناهنجاری آماری: روش های نمودار کنترل (به عنوان مثال، CUSUM، Shewhart) و آمار پنجره متحرک انحراف ناگهانی در جریان یا فشار را که پیش از فروپاشی است، شناسایی می کند.
  • مدل های شبیه سازی های شبیه سازی های هولوگرافیک: EPA SWMM (Storm Water Management Model) و ابزارهای تجاری مانند InfoWorks ICM با یادگیری ماشین برای پیش بینی رفتار سیستم در سناریوهای مختلف طوفان همراه هستند. " پیاده سازی های دوقلو دیجیتال" اطلاعات سنسور زمان واقعی را با موتورهای شبیه سازی ترکیب می کند تا تاثیر شکست های بالقوه را بدون اختلال در عملیات های زنده ارزیابی کند.
  • رویکردهای جمع آوری: بسیاری از خدمات تکنیک های متعدد را ترکیب می کنند - با استفاده از شبیه سازی برای ایجاد سناریوهای شکست مصنوعی و یادگیری ماشین برای تشخیص امضاهای خود در داده های واقعی - به یاد آوردن یادآوری بالاتر از هر روش واحد.

این تکنیک ها مقامات را قادر می سازد تا از "بازنشسته در شکست" به "پیش بینی و جلوگیری" حرکت کنند، کاهش رول های کامیون اضطراری و کاهش خطرات سیل.

مزایای استفاده از Big Data Analytics

استقرار تجزیه و تحلیل داده های بزرگ بهبود قابل اندازه گیری در ابعاد عملیاتی، مالی و امنیت عمومی را ارائه می دهد.

تشخیص زود هنگام مسائل

با تجزیه و تحلیل الگوهای جریان و فشار، الگوریتم ها می توانند انسداد تشکیل شده از گریس، زباله ها یا هفته های نفوذ ریشه را قبل از اینکه یک لوله به عقب برگردد، تشخیص دهند، به عنوان مثال، شهر South Bend، ایندیانا، سنسورهای فاضلاب هوشمند را همراه با یادگیری ماشین برای کاهش پرخاش های فاضلاب (CSOs) با ۵۰٪ در سال اول عمل شناسایی کرد.

صرفه جویی در هزینه

تعمیر و نگهداری پیش بینی شده به طور چشمگیری هزینه های چرخه عمر را کاهش می دهد. تعمیرات اضطراری می تواند 3 تا 5 برابر بیشتر از جایگزینی برنامه ریزی شده باشد. گزارش بنیاد تحقیقات آب نشان داد که خدمات با استفاده از تجزیه و تحلیل پیش بینی شده کاهش عملیات سالانه و هزینه های نگهداری توسط 20 تا 30 درصد.در انگلستان، آب یک برنامه تجزیه و تحلیل پیش بینی شده را اجرا کرد که از 10 میلیون پوند در هزینه های تعمیر اضطراری بیش از دو سال با اولویت بندی بالا لوله های بالا جلوگیری کرد.

بهبود ایمنی و کاهش خطرات سیل

سیل نه تنها مخرب بلکه خطرناک است، باعث غرق شدن، شیوع بیماری آببورن و آسیب ساختاری می شود.سیستم های هشدار دهنده اولیه با استفاده از داده های بزرگ اجازه می دهد تا به موقع از موانع، پمپ ها یا حتی بسته شدن موقت خیابان ها استفاده شود.شهر کپنهاگ از پیش بینی های باران و مدل های هیدرولیک برای جلوگیری از تخلیه سطح آب در حوضه های حفظ، کاهش سیل زیرزمین توسط 40٪ در طول طوفان های شدید استفاده می کند.

برنامه ریزی تصمیم گیری و سرمایه

بینش مبتنی بر داده کمک به خدمات سرمایه گذاری سرمایه گذاری را به جای تکیه بر سن لوله (که پیش بینی ضعیف از وضعیت است)، امتیازات خطر بر اساس داده های سنسور، شکست های تاریخی و عوامل محیطی به لوله هایی که احتمالا در آینده شکست می خورند، اشاره می کند.

چالش ها و مسیرهای آینده

علی رغم وعده های آن، ادغام تجزیه و تحلیل داده های بزرگ در مدیریت زهکشی بدون موانع نیست.این چالش ها باید برای تحقق پتانسیل کامل مورد توجه قرار گیرند.

کیفیت داده ها و ادغام

انتقال سنسور، ترک ارتباطات و فرمت های داده ناسازگار بسیاری از پیاده سازی ها را خنثی می کند، داده های شکست تاریخی برچسب شده اغلب کمیاب است - بسیاری از خدمات فاقد سوابق دیجیتالی رویدادهای گذشته است. کیفیت داده های ضعیف منجر به مدل های ضعیف، پدیده ای به نام "گارشی در، زباله های داده استاندارد شده" (به عنوان مثال، آبML یا شهرML) و اعتبار های خودکار است.

هزینه های زیرساخت و امنیت سایبری

نصب سنسورهای IoT در سراسر یک شبکه بزرگ نیازمند سرمایه گذاری است.یک متر جریان می تواند هزینه 5000 تا 15،000 دلار را داشته باشد و هزاران نفر ممکن است مورد نیاز باشد، علاوه بر این، اتصال دارایی های زهکشی به اینترنت خطرات امنیت سایبری را معرفی می کند.یک بازیگر مخرب می تواند داده های سنسور یا حتی پمپ های کنترل از راه دور را دستکاری کند، که باعث ایجاد رمزگذاری سیل، تقسیم بندی شبکه و به روز رسانی های امن می شود.

مهارت های شغلی Gap

کارکنان سنتی آب اغلب مهندسین و یا اپراتورهای مدنی با آموزش علوم داده محدود هستند، دانشمندان داده ممکن است فاقد دانش دامنه در مورد هیدرولوژی و هیدرولیک فاضلاب. برنامه های آموزش صلیب و مشارکت با موسسات علمی (به عنوان مثال، IWA داده های بزرگ برای گروه آب و کار می کنند کمک به این شکاف، اما پذیرش آهسته باقی می ماند.

مسیر های آینده

موج بعدی نوآوری خواهد دید:

  • محاسبات خط که پردازش داده های سنسور به صورت محلی برای کاهش تاخیر و هزینه پهنای باند، قادر به هشدار زمان واقعی حتی در مناطق دور افتاده است.
  • کنترل زمان واقعی مبتنی بر هوش [FLT 1] که در آن دروازه های خودکار و پمپ ها بر اساس مدل های پیش بینی تنظیم، به عنوان خلبان در پروژه های "خشک" در Milwaukee و آتلانتا.
  • دوقلوهای دیجیتال که به طور مداوم با داده های زنده به روز می شوند، به اپراتورهای اجازه می دهد تا سناریوهای "چه چیزی اگر" را شبیه سازی کنند - مانند طوفان 100 ساله یا فروپاشی لوله - و بهینه سازی برنامه های پاسخ.
  • یادگیری اجباری برای آموزش مدل ها در سراسر تاسیسات متعدد بدون به اشتراک گذاری داده های حساس، سرعت دقت مدل در حالی که حفظ حریم خصوصی.

از آنجایی که تکنولوژی بالغ شده و هزینه کاهش می یابد، تجزیه و تحلیل داده های بزرگ به جای آزمایش، به شیوه استاندارد تبدیل خواهد شد.درهای اولیه در حال حاضر از ایمنی و پاداش های مالی بهره مند می شوند و فشار مدرن سازی تنها به عنوان خطرات آب و هوا تشدید می شود.

نتیجه گیری

سیستم های زهکشی شهری بسیار مهم هستند تا به طور واکنشی مدیریت کنند. تجزیه و تحلیل داده های بزرگ یک مسیر روشن برای پیش بینی و جلوگیری از شکست ها، کاهش سیل، صرفه جویی در پول و حفاظت از جوامع است.از سنسورهای IoT و مدل های یادگیری ماشین گرفته تا دوقلوهای دیجیتال و مدیریت دارایی مبتنی بر ریسک، ابزار امروز در دسترس هستند.