Johdanto: Kasvava imperatiivisen Smarter Viemärin hallinta

Kaupunkien viemärijärjestelmät ovat hiljainen selkärangan modernin kaupunkien, tehtävänä kanavoimalla myrskyvesi pois kaduilta, kodeista, ja kriittinen infrastruktuuri. Kun ilmastonmuutos tehostaa sadetta tapahtumia ja kaupunkien väestöä turpoaa, nämä ikääntyvät verkot kohtaavat ennennäkemättömän stressin. Tulva tapahtumat Yhdysvalloissa yksin aiheuttaa miljardeja dollareita vahinkoja vuosittain, kunta viemärien epäonnistuminen edistää hätäkorjausten, omaisuuden menetys, ja kansanterveyden vaaroja. Perinteinen reaktiivinen huolto.Korjaus putket niiden murtumien jälkeen ei enää riitä. Big data analytiikka tarjoaa muodonmuuttava lähestymistapa: ennustaa epäonnistumisia ennen kuin ne tapahtuvat, optimoimalla huolto aikataulut, ja lopulta rakentaa selviytymistä kaupunkivesikiertoon. Tässä artikkelissa tarkastellaan, miten data-lähtöinen analytiikka käytetään käyttöön ennustamaan ja hallita salaojitusjärjestelmän epäonnistumisia, hyödyntäen todellisia maailman toteutusta ja teknisiä parhaita käytäntöjä.

Big Datan rooli viemärien hallinnassa

Big data analytiikka salaojitushallinnan menee pidemmälle kuin yksinkertainen seuranta.Se yhdistää massiivisia, heterogeenisiä tietoaineistoja antureista, sääpalvelut, maantieteelliset tietojärjestelmät (GIS), ja historiallinen tietueita paljastaa kuvioita näkymättömiä paljaalle silmälle. Käsittelemällä näitä tietoja koneoppimisen algoritmeja ja simulointimalleja, apuohjelman operaattorit voivat havaita poikkeavuuksia, ennustaa putki tukoksia tai romahtaa, ja jakaa resursseja ennakoivasti. Tämän kyvyn perusta on vankka tiedonkeruu ja kehittyneitä analyyttisiä tekniikoita.

Tietolähteet ja tiedonkeruu

Nykyaikaiset kuivatusjärjestelmät ovat yhä enemmän esineiden internetin (IoT) laitteita.

  • Pipeen tunnistimet[ mittaavat virtausnopeutta, vedenpintaa, painetta ja sameutta, usein käytetään kriittisissä risteyksissä tai tunnetuissa ongelmakohdissa.
  • Sademittarit ja säätutka[, jotka tarjoavat sekä historiallisia että reaaliaikaisia korkean resoluution sademäärätiedot, jotka ovat olennaisia myrskyjen tuntemusten ymmärtämiseksi.
  • Supervisory Control and Data Acquisition (SCADA) systems[ catering pump status, venttiilin sijainti, ja varastointi säiliön tasot koko verkossa.
  • Historikaaliset huoltolokit[, jotka sisältävät tiedot aiemmista tukoksista, romahduksista, korjauksista ja valvontakameroiden tarkastusmateriaalista.
  • GIS-kerrokset[, kuten putkimateriaali, ikä, halkaisija, kaltevuus, maaperätyyppi ja maankäytön ominaisuudet.
  • Sosiaalisen median ja kansalaisten raportit[ (esim. 311 puhelua, tulvaraportit) tarjoavat paikallista, totuutta koskevaa tietoa, joka voi lisätä sensorihavaintoja.

Tämän tiedon kerääminen mittakaavassa edellyttää vankkaa telemetriainfrastruktuuria, jossa käytetään usein solu-, LoRaWAN- tai verkkoverkkoja. Tyypillinen keskikokoinen kaupunki voi tuottaa miljoonia lukemia päivässä, mikä edellyttää pilvi- tai reunapohjaisia tallennus- ja käsittelyalustoja.

Ennakoivat analytiikkatekniikat

Kun tiedot on koottu yhteen, virheiden ennustamiseen käytetään useita analyyttisiä menetelmiä:

  • Machine Learning Models:[] Algoritmeja, kuten satunnaismetsiä, kaltevuuden lisäämistä (XGBoost), ja pitkän aikavälin muistia (LSTM) neuroverkkoja koulutetaan historiallisiin vikatietoihin yhdistettynä sensori- ja sääsyötteisiin. Esimerkiksi [] tutkimuksessa, joka julkaistiin vedessä (MDPI)[, käytettiin LSTM-malleja ennustamaan yli 85 prosentin tarkkuudella putkitukkia oppimalla aikamalleja virtaus- ja sadedatassa.
  • Statistical Anomaly Detection:[ Control chart methods (esim., CUSUM, Shewhart) ja liikkuva-ikkuna tilastot tunnistavat äkilliset poikkeamat virrat tai paine, jotka edeltävät romahdusta. Nämä ovat laskennallisesti kevyitä ja voivat kulkea reaaliajassa reunalaitteissa.
  • Hydraulinen simulointi Mallit:[ EPA SWMM (Storm Water Management Model) ja kaupalliset työkalut kuten InfoWorks ICM yhdistetään koneoppimiseen järjestelmän käyttäytymisen ennustamiseksi erilaisissa myrskyskenaarioissa. . . Digital twin...
  • Kokonaismallit:[ Monet apuohjelmat yhdistävät useita tekniikoita.Simulointia käytetään synteettisten vikaskenaarioiden luomiseen ja koneoppimiseen, jotta niiden allekirjoitukset voidaan tunnistaa todellisissa tiedoissa.

Näiden tekniikoiden avulla viranomaiset voivat siirtyä vikapäistä ...ennustukseen ja ennaltaehkäisyyn...

Big Data Analyticsin käytön edut

Big data -analytiikan käyttöönotto parantaa merkittävästi toiminnan, rahoituksen ja yleisen turvallisuuden ulottuvuuksia.

Asian varhainen havaitseminen

Analysoimalla kuvioita virtausta ja painetta, algoritmit voivat havaita tukoksia muodostumassa rasvaa, roskaa, tai juuri tunkeutuminen viikkoja ennen putki takaisin. Esimerkiksi kaupunki South Bend, Indiana, käyttöön älykkäitä viemäri sensoreita yhdistettynä koneoppimisen vähentää yhdistettyä viemärin yli virtaa (CSO) 50% ensimmäisen toimintavuoden aikana. Järjestelmä tunnisti kuiva-sää virtaa, joka osoitti tunkeutuminen ja sisäänvirtaus (I/I), mahdollistaa kohdennetun kuntoutuksen.

Kustannussäästöt

Ennustava huolto alentaa merkittävästi elinkaarikustannuksia. Hätäkorjaus voi maksaa 3.05 kertaa enemmän kuin suunniteltuja korvaajia. Water Research Foundationin raportti totesi, että ennakoivaa analytiikkaa käyttävät laitokset vähensivät vuosittaista käyttö- ja ylläpitokustannuksia 20.30%. Yhdistyneessä kuningaskunnassa Thames Water toteutti ennakoivan analytiikan ohjelman, joka vältti 10 miljoonaa puntaa hätäkorjauskustannuksissa kahden vuoden aikana priorisoimalla korkean riskin putkisegmentit.

Parannettu turvallisuus ja tulvariskien vähentäminen

Tulva ei ole ainoastaan häiritsevä vaan vaarallinen, aiheuttaa hukkumisia, vesiperäisiä tautitapauksia ja rakenteellisia vahinkoja. Big dataa käyttävät varhaisvaroitusjärjestelmät mahdollistavat esteiden, pumppujen tai jopa tilapäisten katujen sulkemisten oikea-aikaisen käyttöönoton. Kööpenhaminan kaupunki käyttää reaaliaikaisia sadeennusteita ja hydraulisia malleja, joilla vesiensuojelualueiden vedenpintaa voidaan ennalta ehkäistä ja vähentää 40 prosentilla äärimmäisten myrskyjen aikana.

Päätöksenteon ja pääomasuunnittelun tehostaminen

Data-lähtöiset oivallukset auttavat laitoksia priorisoimaan pääomainvestointeja. Sen sijaan, että turvautuisivat pelkästään putkiikään (joka on huono ennustaja kunto), riskipisteet perustuvat sensoritietoihin, historiallisiin vikoihin ja ympäristötekijöihin, osoittavat apuohjelmat putkiin, jotka todennäköisesti epäonnistuvat seuraavaksi. Tämä lähestymistapa, jota kutsutaan usein riskiperusteiseksi omaisuudenhallinnaksi, on Yhdysvaltain ympäristönsuojeluviraston hyväksymä [Valmius, hallinta, toiminta ja huolto (CMOM) ohje [.

Haasteet ja tulevaisuuden linjaukset

Lupauksestaan huolimatta isodatan analysointien integrointi salaojitushallintaan ei ole esteetöntä. Näihin haasteisiin on vastattava täyden potentiaalin toteuttamiseksi.

Tietojen laatu ja integrointi

Sensori drift, kommunikaation keskeyttäjät, ja epäjohdonmukaiset datamuodot vitsaus monia implementations. Puhdasta, merkitty historiallinen vika data on usein niukasti.Monet apuohjelmat puuttuu digitoitua kirjaa aiemmista tapahtumista. Huono tietojen laatu johtaa huonoihin malleihin, ilmiö tunnetaan nimellä roskaposti, roskat ulos...................................................................................................................................................................................

Infrastruktuurikustannukset ja kyberturvallisuus

IoT-anturien käyttöönotto suuressa verkossa vaatii pääomainvestointeja. Yksi virtausmittari voi maksaa 5000 dollaria 15 000 dollaria ja se voi olla tarpeen. Lisäksi verkkoon kytkeminen salaustoimintoihin tuo mukanaan kyberturvallisuusriskejä. IoT-anturien käyttö suuressa verkossa edellyttää pääomainvestointeja.

Työvoiman ammattitaitovaje

Perinteiset vesihuollon henkilöstö ovat usein siviiliinsinöörejä tai operaattoreita, joilla on rajallinen tietotieteen koulutus. Toisaalta datatieteilijöiltä saattaa puuttua hydrologian ja viemärihydrauliikan domainia koskevaa tietoa. Ristikoulutusohjelmat ja kumppanuudet akateemisten laitosten kanssa (esim. ) IWA.S Big Data for Water Utilities -työryhmä) auttavat kuromaan umpeen tätä kuilua, mutta adoptio on edelleen hidasta.

Tulevaisuuden suunnat

Seuraavassa innovaatioaallossa tarkastellaan seuraavia seikkoja:

  • Edge computing[], joka käsittelee anturitietoja paikallisesti vähentääkseen latenssi- ja kaistanleveyskustannuksia ja mahdollistaa reaaliaikaiset hälytykset myös syrjäisillä alueilla.
  • AI-käyttöinen reaaliaikainen ohjaus[, jossa automaattiset portit ja pumput säätyvät ennustemallien perusteella Milwaukeen ja Atlantaan .
  • Digital kaksoset[, jotka jatkuvasti päivittää live-dataa, jolloin operaattorit voivat simuloida ...mitä jos... skenaariot...kuten 100 vuoden myrsky tai putkiromahdus ja optimoida vastaussuunnitelmat.
  • Federated learning[ kouluttaa malleja useissa apuohjelmissa ilman, että jaetaan arkaluonteisia tietoja, kiihdyttää mallin tarkkuutta säilyttäen samalla yksityisyyttä.

Kun teknologia kypsyy ja kustannukset laskevat, big data-analyysista tulee pikemminkin vakiokäytäntö kuin kokeellinen. Varhaiset omaksujat saavat jo nyt turvallisuudesta ja taloudellisesta hyödystä, ja modernisointipaine kasvaa vain ilmastoriskien lisääntyessä.

Päätelmät

Kaupunkien viemärijärjestelmät ovat aivan liian kriittisiä hallita reactively. Big data analytiikka tarjoaa selkeän tien ennustaa ja estää epäonnistumisia, vähentää tulvia, säästää rahaa, ja suojella yhteisöjä. IoT-sensoreista ja koneoppimisen mallit digitaalisille kaksosille ja riski-pohjainen omaisuudenhallinta, työkalut ovat saatavilla tänään. Kunnat, jotka investoivat datainfrastruktuuriin, rakentaa poikkitoiminnallisia tiimit, ja omaksua ennustavia menetelmiä on paremmin varustettu käsitellä myrskyjä huomisen. Siirtyminen .fix epäonnistuminen . Ennustus ja estää. Se ei ole vain teknologinen parannus. Se on olennainen muutos miten arvostamme ja hallita piilotettu kaupunkiinfrastruktuuri.