هوش مصنوعی زیربنای زیرساخت های آب شهری آینده

انواع هوش مصنوعی و کاربرد آنها در سیستم های UWI

تعریف و طبقه بندی هوش مصنوعی و کاربردهای آن می تواند در حوزه های کاربردی بسیار متفاوت باشد. در این مقاله، ما تاکسونومی مرکز تحقیقات مشترک (Samoili et al.,مرجع سامویلی، کوبو، گومز، دی پراتو، مارتینز-پلومد و دلیپترو2020 ) که مرجع مفیدی برای توسعه، جذب و تأثیرات هوش مصنوعی است. این طبقه‌بندی هوش مصنوعی طیف گسترده‌ای از زیر دامنه‌های اصلی هوش مصنوعی و مناطق عرضی را پوشش می‌دهد. برای هدف این مقاله، ما حوزه‌های هوش مصنوعی عرضی مانند ربات‌ها، خدمات هوش مصنوعی و ملاحظات فلسفی را که فراتر از هدف مستقیم ما برای پیوند هوش مصنوعی با سیستم‌های UWI هستند، در نظر نمی‌گیریم. هوش مصنوعی اصلی را می توان به استدلال، برنامه ریزی، یادگیری، ارتباط و ادراک تقسیم کرد ( جدول 1 ). از جستجوی ادبیات، هوش مصنوعی سابقه طولانی در تحقیقات آب شهری متقاطع دارد، به ویژه در زمینه برنامه ریزی، برنامه ریزی، بهینه سازی و جستجو. در جدول 1 ، نمونه‌هایی از کاربردهای آب را نشان داده‌ایم که برنامه‌ریزی عملیاتی را تعیین می‌کنند یا افزایش ظرفیت سیستم‌های آب شهری را بهینه می‌کنند. سایر حوزه‌های هوش مصنوعی یادگیری ماشین، پردازش زبان طبیعی، بینایی رایانه و پردازش صوتی نیز در برنامه‌های کاربردی آب وجود دارند، مانند تشخیص ناهنجاری، پیش‌بینی تقاضای آب، پیش‌بینی جریان، پیش‌بینی آب و هوا، و همچنین سایر اهداف عمومی نظارت بر آب (به عنوان مثال، Eggimann و همکاران،مرجع Eggimann، Mutzner، Wani، Schneider، Spuhler، Moy De Vitry، Beutler and Maurer2017 ; Garrido-Baserba و همکاران،مرجع Garrido-Baserba، Corominas، Cortés، Rosso و Poch2020 ; فو و همکاران،مرجع فو، جین، سون، یوان و باتلر2022 ; گارزون و همکاران،مرجع گارزون، کاپلان، لانگولد و تائورمینا2022 ). تا به امروز، حوزه استدلال هوش مصنوعی به اندازه سایر زمینه ها در کاربرد آب محبوب نبوده است. با این حال، کاربرد آن به دلیل نیاز به استدلال صریح، علیت و توضیح پذیری در کاربردهای آب هوش مصنوعی در حال ظهور است. لازم به ذکر است که زیر دامنه‌های هوش مصنوعی مرتبط هستند و از هم جدا نیستند (Samoili et al.,مرجع سامویلی، کوبو، گومز، دی پراتو، مارتینز-پلومد و دلیپترو2020 )، در نتیجه برنامه های کاربردی آنها در سیستم های UWI در هم تنیده شده اند. به عنوان مثال، طراحی سیستم توزیع آب می‌تواند از ارائه دانش برای تعبیه قوانین طراحی در فرآیند بهینه‌سازی و ادغام یادگیری ماشین به عنوان یک مدل جایگزین برای بهبود کارایی بهینه‌سازی استفاده کند.

میز 1.مرکز تحقیقات مشترک طبقه بندی هوش مصنوعی و برنامه های کاربردی مربوطه برای UWI

قابلیت اطمینان، انعطاف پذیری و پایداری

عملکرد سیستم های UWI را می توان به طور کلی در سه دسته توصیف کرد: قابلیت اطمینان، انعطاف پذیری و پایداری، که به طور مشترک سطح خدمات کوتاه مدت و بلند مدت را تحت شرایط مختلف توصیف می کنند. این دسته بندی ها متقابلاً منحصر به فرد نیستند، اما یک رابطه هرمی را تشکیل می دهند: قابلیت اطمینان برای انعطاف پذیری لازم است اما کافی نیست، و انعطاف پذیری لازم است اما برای پایداری کافی نیست (Casal-Campos et al.,مرجع Casal-Campos، Fu، Butler and Moore2015 ; باتلر و همکاران،مرجع باتلر، وارد، سویتاپل، آستارائی ایمانی، دیائو، فرمانی و فو2017 ). با هر دسته بندی، طیف وسیعی از معیارها برای اندازه گیری عملکرد عملیاتی هر نوع سیستم UWI در دسترس است و آنها باید به برخی از اهداف مشخص شده دست یابند تا به عنوان قابل اعتماد، انعطاف پذیر یا پایدار طبقه بندی شوند. با این حال، مشکلات معمولاً از شناسایی ویژگی‌های سیستم در دستیابی به قابلیت اطمینان، انعطاف‌پذیری و پایداری ناشی می‌شوند. هوش مصنوعی می‌تواند ابزاری کلیدی برای درک پیچیدگی سیستم‌های UWI و عملکرد کوتاه‌مدت و بلندمدت آن‌ها و سپس ارائه راه‌حل‌هایی برای افزایش عملکرد و ظرفیت باشد. به طور کلی، تمام دسته بندی های عملکرد را می توان با چهار نوع تجزیه و تحلیل داده با استفاده از رویکردهای هوش مصنوعی بهبود بخشید که به آن تجزیه و تحلیل هوش مصنوعی گفته می شود: تجزیه و تحلیل توصیفی، تشخیصی، پیش بینی و تجویزی. نگاشت بین عملکرد و تجزیه و تحلیل هوش مصنوعی در شکل 1 ارائه شده است و در زیر به تفصیل توضیح داده شده است.

شکل 1.استفاده از چهار تجزیه و تحلیل هوش مصنوعی برای بهبود عملکرد زیرساخت های آب شهری.

قابلیت اطمینان برای قرن ها در قلب طراحی سیستم آب بوده است و معمولاً برای اندازه گیری عملکرد سیستم در شرایط بارگذاری استاندارد یا تهدیدات شناخته شده تعریف می شود (باتلر و همکاران،مرجع باتلر، وارد، سویتاپل، آستارائی ایمانی، دیائو، فرمانی و فو2017 ). به طور کلی به عنوان یک اصطلاح احتمالی برای در نظر گرفتن عدم قطعیت های تصادفی در بارگذاری ها نشان داده می شود. طراحی و عملیات مبتنی بر قابلیت اطمینان با هدف کاهش احتمال شکست در دستیابی به سطح مشخص شده خدمات تا جایی که مقرون به صرفه است، انجام می‌شود، اما در نظر نمی‌گیرید که در صورت وقوع شکست چه اتفاقی می‌افتد. ریسک، مفهومی نزدیک به قابلیت اطمینان، پیامدهای (اغلب از نظر پولی) خرابی سیستم یا آسیب‌پذیری سیستم را در بر می‌گیرد، اگرچه گاهی اوقات ریسک در برخی زمینه‌ها مانند کیفیت آب یا خطرات تامین آب معادل با قابلیت اطمینان تلقی می‌شود (به عنوان مثال، Borgomeo et. آل.،مرجع بورگومئو، مرتضوی نائینی، هال، اوسالیوان و واتسون2016 ).

انعطاف‌پذیری، مفهومی که در ابتدا از اکولوژی در دهه 1970 پدیدار شد، برای مدت طولانی در مدیریت سیستم آب به کار گرفته شده است (به عنوان مثال، هاشیموتو و همکاران،مرجع هاشیموتو، استدینگر و لوکس1982 ). تعاریف زیادی از انعطاف پذیری سیستم آب وجود دارد (Juan-García et al.,مرجع خوان گارسیا، باتلر، کوماس، دارچ، سویتاپل، تورنتون و کرومیناس2017 )، اما اکثر آنها بر توانایی کنار آمدن با وقایع مخرب و غیرمنتظره و بهبود آنها تاکید دارند. در عملیات، انعطاف‌پذیری معمولاً با طول مدت شکست، میزان شکست، زمان تا شکست، سرعت بازیابی یا ترکیب آنها اندازه‌گیری می‌شود، بنابراین شناسایی و شناسایی خرابی‌ها مبتنی بر هوش مصنوعی برای درک الگوهای شکست و توسعه راه‌حل‌هایی برای بهبود انعطاف‌پذیری UWI بسیار مهم است.

پایداری عملکرد سیستم های UWI را در ابعاد اقتصادی، زیست محیطی و اجتماعی اندازه گیری می کند (Vinuesa et al.,مرجع Vinuesa، عزیزپور، Leite، Balaam، Dignum، Domisch، Felländer، Langhans، Tegmark و Fuso Nerini2020 ). تعداد زیادی از شاخص ها برای هر بعد استفاده می شود، به عنوان مثال: استفاده از هزینه های سرمایه ای و عملیاتی، هزینه های چرخه عمر، و مصرف انرژی برای بعد اقتصادی. استفاده از انتشار گازهای گلخانه ای (GHG)، کیفیت آب و خدمات اکوسیستمی برای بعد زیست محیطی؛ و استفاده از برابری، برابری، مقرون به صرفه بودن و سلامت عمومی برای بعد اجتماعی. از دیدگاهی گسترده تر، Vinuesa و همکاران. (مرجع Vinuesa، عزیزپور، Leite، Balaam، Dignum، Domisch، Felländer، Langhans، Tegmark و Fuso Nerini2020 ) نشان داده است که هوش مصنوعی می تواند تأثیر مثبتی بر هر هشت هدف برای SDG6 داشته باشد – آب تمیز و بهداشت، اگرچه ممکن است تأثیر منفی بر پنج هدف داشته باشد.

مفاهیم قابلیت اطمینان، انعطاف پذیری و پایداری را می توان از دو جنبه بررسی کرد: عملکرد عملیاتی و ویژگی سیستم. جنبه عملکرد آنچه را که از سیستم از نظر خدمات انتظار می رود تعریف می کند، اما توصیف نمی کند که چه ویژگی هایی برای ارائه عملکرد مورد نیاز است (باتلر و همکاران،مرجع باتلر، وارد، سویتاپل، آستارائی ایمانی، دیائو، فرمانی و فو2017 ). عملکرد سیستم ممکن است از تعدادی ویژگی سیستم ناشی شود، اما هر یک از ویژگی ها سطح مشخصی از عملکرد را تضمین نمی کند. به عنوان مثال، سیستم های توزیع آب ارتجاعی معمولاً دارای ویژگی های زیر هستند: استحکام، انعطاف پذیری، اتصال، افزونگی، سرعت و چابکی. با این حال، افزایش اتصال لزوما به افزایش انعطاف‌پذیری منجر نمی‌شود، زیرا گره‌های بسیار متصل ممکن است اثرات آبشاری برخی از خرابی‌های خاص را افزایش دهند. علاوه بر این، مجموعه خاصی از ویژگی های سیستم را می توان به بیش از یک دسته عملکرد مرتبط دانست.

طیف گسترده ای از مداخلات برای بهبود قابلیت اطمینان، انعطاف پذیری و پایداری سیستم های UWI در دسترس است. به عنوان مثال، درمان غیرمتمرکز، زیرساخت سبز (GI) و SCADA در سیستم‌های UWI در سراسر جهان پذیرفته شده‌اند. مداخلات را می توان به طور گسترده در پنج مسیر توسعه سازماندهی کرد: تمرکززدایی، سبز کردن، اقتصاد دایره ای، کربن زدایی و اتوماسیون. بخش 3 شرحی از این مسیرها و چگونگی بهبود آنها توسط فناوری های هوش مصنوعی ارائه می دهد.

تجزیه و تحلیل توصیفی

تجزیه و تحلیل توصیفی به استفاده از داده های زمان واقعی یا تاریخی برای پاسخ به سؤال “چه اتفاقی می افتد” یا “چه اتفاقی افتاده است” مربوط می شود. این می‌تواند به وضعیت عملیاتی سیستم‌های UWI (به عنوان مثال، کیفیت آب، جریان، فشار و/یا عمق)، اجزای کلیدی (مانند شیرها و پمپ‌ها)، یا وضعیت دارایی (مانند خرابی ساختاری و درجه نقص) مربوط باشد. این تجزیه و تحلیل ها درک بهتری از ویژگی های سیستم، روندهای تاریخی، عملکرد عملیاتی و شرایط زیرساخت ارائه می دهند، بنابراین می توانند برای توسعه استراتژی های نظارت، اقدامات مداخله، استانداردهای معیار و سیاست های نظارتی برای افزایش قابلیت اطمینان مورد استفاده قرار گیرند. به عنوان مثال، تجزیه و تحلیل داده های ورودی و خروجی از تعداد زیادی از WWTP ها بینشی در مورد کارایی تصفیه، کارایی انرژی و کارایی زیست محیطی ارائه می دهد و بنابراین مبنایی برای معیار طراحی سیستم فراهم می کند (دونگ و همکاران،مرجع دونگ، ژانگ و زنگ2017 ; لونگو و همکاران،مرجع Longo، Hospido، Lema و Mauricio-Iglesias2018 ).

تجزیه و تحلیل توصیفی می‌تواند دانش ما را در مورد تغییرپذیری مکانی-زمانی محرک‌های خارجی به سیستم‌های آب و وابستگی‌های متقابل با سایر سیستم‌ها بهبود بخشد و بنابراین به توصیف عدم قطعیت‌های مربوط به طراحی و عملیات سیستم کمک کند. به عنوان مثال، رویکردهای هوش مصنوعی متعددی برای بررسی عوامل کلیدی محیطی، جمعیتی و اقتصادی موثر بر تقاضای آب استفاده شده است (Guo et al.,مرجع گوئو، لیو، وو، لی، ژو و ژو2018 ; لی و دریبل،مرجع لی و دریبل2020 ; اسمولاک و همکاران،مرجع Smolak، Kasieczka، Fialkiewicz، Rohm، Siła-Nowicka و Kopańczyk2020 ; زونمت کرمانی و همکاران،مرجع Zounemat-Kermani، Matta، Cominola، Xia، Zhang، Liang و Hinkelmann2020 )، با هدف حمایت از تصمیمات در مورد طراحی و بهره برداری از سیستم های توزیع آب و بهبود قابلیت اطمینان سیستم هیدرولیک. یادگیری ماشینی برای تولید پخش‌های بارشی با وضوح بالا با گرفتن مؤثر همبستگی‌های مکانی-زمانی به کار گرفته شده است (چن و همکاران،مرجع چن، کائو، ما و ژانگ2020 )، که به طور بالقوه می تواند برای کاهش وقوع سیل شهری یا سرریزهای فاضلاب ترکیبی (CSOs) اعمال شود. به طور مشابه، جریان فاضلاب در سیستم های فاضلاب را می توان با استفاده از متغیرهای حوضه آبریز و آب و هوا مشخص کرد (Kerkez et al.,مرجع Kerkez، Gruden، Lewis، Montestruque، Quigley، Wong، Bedig، Kertesz، Braun، Cadwalader، Poresky و Pak2016 ; لوند و همکاران،مرجع لوند، فالک، بوروپ، مدسن و استین میکلسن2018 ; ژانگ و همکاران،مرجع ژانگ، لی، برفی، سیام و الدخاخنی2019 ) برای بهبود قابلیت اطمینان عملیاتی WWTPs.

تجزیه و تحلیل تشخیصی

تجزیه و تحلیل تشخیصی، بررسی داده ها برای پاسخ به این سؤال است که “چرا این اتفاق می افتد” یا “چرا این اتفاق افتاده است”. می توان از آن برای مقابله با رویدادهای خرابی مربوط به اجزای کلیدی UWI مانند شبکه های آب، فاضلاب، CSOs، پمپ ها، شیرها، هواده ها و حسگرها استفاده کرد. دانش جدید در مورد روابط علّی و الگوهای شکست ناشی از تجزیه و تحلیل تشخیصی می‌تواند به افزایش قابلیت اطمینان سیستم از طریق بهبود طراحی و عملکرد کمک کند. علاوه بر این، انعطاف‌پذیری سیستم را می‌توان عمدتاً از طریق شناسایی سریع و دقیق رویدادهای شکست برای کاهش اثرات اجتماعی-محیطی آنها افزایش داد.

در سیستم های توزیع آب، استقرار ابزارهای تشخیص نشت آنلاین و پشتیبانی تصمیم می تواند به شناسایی دقیق نشتی ها کمک کند (ژو و همکاران،مرجع ژو، تانگ، خو، منگ، چو، شین و فو2019 ; زمان و همکاران،مرجع زمان، تیواری، گوپتا و سن2020 ; وانگ و همکاران،مرجع وانگ، گوئو، لیو، وو، ژو و اسمیت2020b ) و تشخیص رویداد آلودگی (آراد و همکاران،مرجع آراد، هوش، پرلمن و اوستفلد2013 )، و در نتیجه کاهش اثرات شکست (رومانو و همکاران،مرجع رومانو، کاپلان و ساویچ2014 ; نیکولودی و همکاران،مرجع نیکولودی، رومانو، ممون و کاپلان2021 ) از طریق مداخلات سریع حتی قبل از اینکه خدمات آب تحت تأثیر قرار گیرد. یادگیری ماشینی می‌تواند عوامل کلیدی خرابی لوله مربوط به زیرساخت، عملیات و عوامل محیطی را شناسایی کند و در نتیجه به توسعه استراتژی‌هایی برای نگهداری پیش‌بینی‌کننده کمک کند (بارتون و همکاران،مرجع بارتون، هالت و جود2022 ). یادگیری ماشینی می‌تواند دقت محلی‌سازی نشت را به‌طور قابل‌توجهی بهبود بخشد، حتی با مقدار کمی از داده‌های جدید نظارت شده در زمان اجرای آنی (ژو و همکاران،مرجع ژو، تانگ، خو، منگ، چو، شین و فو2019 ). مهمتر از همه، یادگیری ماشین رویکرد غالب برای حل مشکل تشخیص نشت است، زیرا سایر رویکردها مانند مدل‌های مکانیزم به دلیل عدم درک مکانیسم‌های خراب شدن لوله محدود هستند.

مشکلات مشابه در سیستم فاضلاب شامل تشخیص انسداد و محلی سازی است (Ugarelli et al.,مرجع Ugarelli، Venkatesh، Brattebø، Di Federico و Sægrov2010 ; اوکووری و همکاران،مرجع Okwori، Viklander و Hedström2021 )، تجزیه و تحلیل CSO و تقسیم منبع آلودگی آب (هوانگ و همکاران،مرجع هوانگ، وانگ، لو، ژو و وو2010 ; چن و همکاران،مرجع چن، شین، ژنگ و فو2019 )، و شناسایی و محلی سازی نفوذ/نفوذ (Karpf و Krebs،مرجع Karpf and Krebs2011 ; Guérineau و همکاران،مرجع Guérineau، Dorner، Carrière، McQuaid، Sauvé، Abulfadl، Hajj-Mohamad and Prévost2014 ). تجزیه و تحلیل تشخیصی را می توان برای شناسایی خرابی های حسگر مانند رانش خواندن حسگر با استفاده از نظارت مداوم طولانی مدت استفاده کرد (وانگ و همکاران،مرجع وانگ، فن، هوانگ، لینگ، کلیموویچ، پاگانو و لی2020 a ). در فرآیندهای تصفیه فاضلاب، خطاهای سیستم و تغییرات شرایط را می توان با استفاده از روش های آماری مبتنی بر کنترل فرآیند با در نظر گرفتن متغیرهای منفرد یا چندگانه شناسایی کرد (نیوهارت و همکاران،مرجع نیوهارت، هالووی، هرینگ و کات2019 ).

درک کل نگر از روابط علت و معلولی در مورد رویدادهای شکست برای طراحی UWI و فرآیندهای مقاوم سازی مفید است زیرا ویژگی های افزایش انعطاف پذیری حاصل از تجزیه و تحلیل داده ها را می توان گنجاند. به عنوان مثال، تعامل بین شش ویژگی توپولوژیکی کلیدی (یعنی اتصال، کارایی، مرکزیت، تنوع، استحکام و مدولار بودن) و شش معیار انعطاف‌پذیری مربوط به مقاومت، جذب و ظرفیت‌های بازسازی سیستم می‌تواند طراحی مجدد سیستم‌های توزیع آب را برای ایجاد راهنمایی کند. آنها انعطاف پذیرتر هستند (منگ و همکاران،مرجع منگ، فو، فرمانی، سویتاپل و باتلر2018 ).

تجزیه و تحلیل پیش بینی کننده

تجزیه و تحلیل پیش بینی کننده استفاده از داده های زمان واقعی یا تاریخی برای پاسخ به این سوال است که “چه اتفاقی خواهد افتاد یا احتمالاً چه خواهد شد”. علاوه بر مدل‌های مبتنی بر فیزیک، طیف گسترده‌ای از رویکردهای مبتنی بر داده برای پیش‌بینی وضعیت‌های آینده، عملکردها، رویدادها و شرایط دارایی در سیستم‌های UWI گزارش شده‌اند. یکی از جنبه‌های کلیدی پایداری، استفاده از تحلیل‌های پیش‌بینی‌کننده برای ارزیابی اثرات مداخلات و عملیات است، زیرا پایداری به عملکرد بلندمدت سیستم‌های آبی، در برخی شرایط، فراتر از عمر طراحی آن‌ها مربوط می‌شود. تجزیه و تحلیل پیش‌بینی‌کننده را می‌توان برای تخمین زمانی که اجزای کلیدی سیستم احتمالاً خراب می‌شوند و بنابراین برنامه‌ریزی کار تعمیر و نگهداری بر این اساس برای صرفه‌جویی در تعمیرات پرهزینه یا کاهش دوره‌های طولانی مدت توقف استفاده می‌شود که به آن تعمیر و نگهداری پیش‌بینی می‌شود. یکی از نمونه‌های تعمیر و نگهداری پیش‌بینی‌کننده، پیش‌بینی خرابی لوله با استفاده از رویکردهای هوش مصنوعی برای ارزیابی وضعیت لوله در حمایت از تصمیم‌های سرمایه‌گذاری تعمیر و نگهداری است (براردی و همکاران،مرجع براردی، گیوستولیسی، کاپلان و ساویچ2008 ; شایدگر و همکاران،مرجع Scheidegger، Leitão و Scholten2015 ).

بهبود عملکرد سیستم می‌تواند از طریق راه‌حل‌های طراحی و مقاوم‌سازی، استراتژی‌های کنترل، اقدامات عملیاتی، برنامه‌های اضطراری و استراتژی‌های انطباق بلندمدت ایجاد شده از تجزیه و تحلیل تجویزی، که معمولاً بر اساس بینش و دانش به‌دست‌آمده از انواع دیگر تحلیل‌ها ساخته می‌شود، تحقق یابد. مهم است که تاکید کنیم قابلیت اطمینان، انعطاف‌پذیری و پایداری به هم مرتبط هستند، سه نوع تجزیه و تحلیل داده، یعنی توصیفی، تشخیصی و پیش‌بینی‌کننده، می‌توانند دانش جدیدی را در مورد سیستم ارائه دهند که سپس توسط تجزیه و تحلیل تجویزی برای اقدامات استفاده می‌شود.

تجزیه و تحلیل تجویزی

تجزیه و تحلیل تجویزی به این سؤال پاسخ می دهد که “چگونه کار کنیم یا مدیریت کنیم”، معمولاً بر اساس روابط علی و نتایج پیش بینی شده با استفاده از سایر تجزیه و تحلیل های هوش مصنوعی. می‌توان از آن برای توصیه استراتژی‌های عملیات و کنترل بهینه، برنامه‌ریزی در زمان واقعی، و راه‌حل‌های طراحی و مقاوم‌سازی، اقدامات مداخله‌ای و استراتژی‌های مدیریت بلندمدت در چرخه عمر سیستم‌های UWI استفاده کرد. این نوع تجزیه و تحلیل اغلب به رویکردهای مبتنی بر بهینه سازی اشاره دارد. الگوریتم‌های تکاملی به ابزاری انعطاف‌پذیر، قدرتمند و پرکاربرد در حل مسائل پیچیده آب تبدیل شده‌اند و برای ارائه گزینه‌های عملیاتی و مدیریتی بهینه برای سیستم‌های UWI به کار می‌روند (Nicklow et al.,مرجع نیکلو، رید، ساویک، دسالین، هارل، چان هیلتون، کاراموز، مینسکر، اوستفلد، سینگ و زچمن2010 ; مایر و همکاران،مرجع مایر، کاپلان، کاسپرژیک، کولات، ماتوت، کونا، دندی، گیبس، کیدول، مارکی، اوستفلد، ساویک، سولوماتین، وروگت، زچین، مینسکر و باربور2014 ). اگرچه بیشتر الگوریتم‌های یادگیری ماشینی عموماً برای به دست آوردن بینش از داده‌ها استفاده می‌شوند و برای حل مسائل بهینه‌سازی مناسب نیستند، می‌توانند به عنوان مدل‌های جایگزین در فرآیند بهینه‌سازی برای بهبود کارایی جستجو مورد استفاده قرار گیرند (گارزون و همکاران،مرجع گارزون، کاپلان، لانگولد و تائورمینا2022 ). با این حال، یادگیری تقویتی، یک نوع نوپای یادگیری ماشین، قادر به حل مسائل برنامه ریزی و عملیات متوالی است و برای توسعه استراتژی های کنترلی برای مشکلات عملیات سیل شهری و WWTP استفاده شده است (Fu et al.,مرجع فو، جین، سون، یوان و باتلر2022 ).

لازم به ذکر است که این چهار نوع تجزیه و تحلیل ارتباط تنگاتنگی با هم دارند و گاهی اوقات ترکیبی از انواع مختلف برای حل یک مشکل عملی آب استفاده می شود. به عنوان مثال، در پرداختن به مشکلات تشخیص نشت و آلودگی، می توان از تحلیل توصیفی و پیش بینی به ترتیب برای درک رفتار سیستم تاریخی و پیش بینی وضعیت سیستم استفاده کرد و سپس از باقیمانده های بین متغیرهای حالت پیش بینی شده و مشاهده شده برای شناسایی ناهنجاری ها از طریق مقایسه با سیستم استفاده کرد. تغییرپذیری سیستم در شرایط عادی تاریخی (آراد و همکاران،مرجع آراد، هوش، پرلمن و اوستفلد2013 ; وانگ و همکاران،مرجع وانگ، گوئو، لیو، وو، ژو و اسمیت2020b ). هنگام توسعه اقدامات عملیاتی با استفاده از تجزیه و تحلیل تجویزی، تجزیه و تحلیل پیش‌بینی‌کننده برای تخمین وضعیت‌های سیستم آینده استفاده می‌شود تا بتوان اقدامات را با در نظر گرفتن نتایج مورد انتظار توسعه داد.

حرکت از تحلیل توصیفی به تجزیه و تحلیل تجویزی، استقلال و هوشمندی سیستم‌های UWI را افزایش می‌دهد و در عین حال دشواری در توسعه الگوریتم‌ها را افزایش می‌دهد. هر چهار نوع داده‌ها را به اطلاعات، بینش و دانش تبدیل می‌کنند، اما تنها تجزیه و تحلیل‌های تجویزی می‌توانند با ایجاد راه‌حل‌ها، اقدامات و مداخلات جدید، «تصمیم‌گیری» بگیرند، بنابراین از مداخلات گنگ به مداخلات تقریباً بهینه حرکت می‌کنند. با پیشرفت حسگرهای بی سیم، اتصال جهانی، تجزیه و تحلیل داده های پرسرعت و فناوری های هوش مصنوعی، امکان تبدیل سیستم های UWI موجود به سیستم های مستقل به طور فزاینده ای واقعی می شود. با یک سیستم آب خودمختار، درجه مداخله انسان کم است و سیستم قادر به انجام یک سری عملیات بهینه در پاسخ به محیط‌های پویا و بلادرنگ است که در خود سیستم نظارت و اندازه‌گیری می‌شوند.

مسیر تمرکززدایی

هوش مصنوعی می‌تواند نقش کلیدی در برنامه‌ریزی و مدیریت سیستم‌های غیرمتمرکز بازی کند که در آن امکانات محلی برای تامین آب، مدیریت آب طوفان، بازیافت آب و تصفیه فاضلاب بهینه‌سازی شده‌اند تا از اتلاف غیرضروری منابع (یعنی آب، انرژی و مواد) جلوگیری شود. در مقایسه با سیستم‌های متمرکز، برنامه‌ریزی بهینه سیستم‌های غیرمتمرکز مشکل پیچیده‌تری است، زیرا آنها باید به گونه‌ای طراحی شوند که سیستم‌های غیرمتمرکز منفرد را به سیستمی از سیستم‌ها متصل کنند که به طور کلی برای دستیابی به خدمات آب و فاضلاب مورد نیاز و حداکثر مزایای زیست‌محیطی و اکولوژیکی عمل می‌کنند. در انتقال به سیستم آینده، درجه تمرکززدایی یک عامل طراحی کلیدی برای ادغام سیستم‌های غیرمتمرکز در پیکربندی UWI موجود است و می‌توان آن را با تحلیل‌های تجویزی مانند الگوریتم‌های تکاملی، با در نظر گرفتن صرفه‌جویی در مقیاس، ساختار توپوگرافی، پیشرفت‌های تکنولوژیکی و عملیاتی بهینه کرد. کارایی (اگیمن و همکاران،مرجع Eggimann، Truffer و Maurer2015 ).

تمرکززدایی در درجه اول توسط پیشرفت های تکنولوژیکی در تصفیه و بازیافت آب و فاضلاب در محل انجام می شود. Garrido-Baserba و همکاران. (مرجع گاریدو-باسربا، بارنوسل، مولینوس-سنانته، سدلاک، رابای، شرا، ورداگر، روسو و پوچ2022 ) پیشنهاد کرد که از فناوری‌های موجود می‌توان برای ایجاد سیستم‌های غیرمتمرکز با صرفه اقتصادی استفاده کرد که نیاز به تامین متمرکز آب یا جمع‌آوری فاضلاب را در برخی شرایط از بین می‌برد. با این حال، فناوری‌های هوش مصنوعی برای به حداکثر رساندن مزایای متعدد سیستم‌های غیرمتمرکز فردی از طریق شناسایی عملیات قابل اعتماد و انعطاف‌پذیر و توسعه استراتژی‌های تعمیر و نگهداری پیش‌بینی‌کننده مورد نیاز هستند. به طور خاص، هوش مصنوعی می‌تواند برای تسهیل نظرسنجی‌هایی که برای درک درک عمومی از سیستم‌های غیرمتمرکز با شناسایی شرکت‌کنندگان، هدف قرار دادن گروه خاصی از افراد و تجزیه و تحلیل داده‌های جمع‌آوری‌شده طراحی شده‌اند، استفاده شود، و به طور فزاینده‌ای در پروژه‌های علمی شهروندی برای تعامل و وظایف بهتر استفاده شده است. تخصیص (پونتی و سردکو،مرجع پونتی و سردکو2022 ). این می تواند به توسعه راه حل های مقاوم در برابر آب و هوا برای پذیرش گسترده تر کمک کند.

مسیر اقتصاد دایره ای

WWTP ها در قلب رویکرد اقتصاد دایره ای قرار دارند، زیرا نه تنها 25 درصد از کل انرژی مصرفی در بخش آب را به خود اختصاص می دهند، بلکه برای استفاده مجدد از آب، تولید انرژی تجدیدپذیر و بازیابی مواد مغذی با طیف وسیعی از فناوری ها مرکزی هستند. موجود (رانی و همکاران،مرجع رانی، اسنایدر، کیم، لی و پان2022 ). مدل‌های مبتنی بر فرآیند برای بهینه‌سازی بازیابی انرژی و مواد مغذی از فرآیندهای تصفیه فاضلاب استفاده شده‌اند (Nakkasunchi و همکاران،مرجع Nakkasunchi، Hewitt، Zoppi و Brandoni2021 ). در پاسخ به یک چالش خاص در دنیای واقعی در جریان‌های فاضلاب بسیار متغیر، نظارت در زمان واقعی پارامترهای فرآیند حیاتی و ویژگی‌های مواد مغذی به طور فزاینده‌ای اجرا می‌شود. این امکان ادغام یادگیری ماشینی را برای شبیه‌سازی دینامیک سیستم دقیق فراهم می‌کند و امکان یادگیری آنلاین و کنترل زمان واقعی برای حداکثر بازیابی منابع را فراهم می‌کند.

یکپارچه سازی سیستم های تامین آب، آب طوفان و فاضلاب در شکل دهی مجدد جریان آب، انرژی و مواد در یک سیستم UWI برای به حداکثر رساندن استفاده مجدد، بازیافت و بازیابی منابع در صورت امکان با توجه به تقاضاها و اختلالات پویا بسیار مهم است. آب خاکستری به طور فزاینده ای برای تامین آب آشامیدنی و غیر آشامیدنی مورد استفاده قرار می گیرد، با این حال، هوش مصنوعی می تواند نقش کلیدی در نظارت و تشخیص به موقع هر گونه تغییر در کیفیت آب به دلیل عوامل بیماری زا یا آلاینده های شیمیایی داشته باشد و پاسخ های سریع و مناسب را برای تسکین افکار عمومی تسهیل کند. نگرانی های بهداشتی و گسترش پذیرش در جوامع.

روابط متقابل پیچیده بین اجزای مختلف در سیستم UWI پتانسیل ایجاد یک رابطه آب-انرژی-مواد را برای تقویت پذیرش رویکرد اقتصاد دایره ای در مدیریت آب شهری فراهم می کند (فو و باتلر،مرجع فو، باتلر، وانگ و فو2021 ). رویکردهای هوش مصنوعی می‌توانند تقاضاهای آینده در آب و انرژی را پیش‌بینی کنند و کارایی منابع را در کل سیستم بهینه کنند، جایی که اجزای جداگانه به طور مشترک برای اهداف مشترک کار می‌کنند. به عنوان مثال، افزایش زیادی در منابع انرژی تجدیدپذیر متناوب را می توان به طور یکپارچه با بهره برداری از تأسیسات استفاده مجدد از آب پر انرژی برای دستیابی به انرژی مثبت و در عین حال اطمینان از عملکرد پایدار و قابل اطمینان ادغام کرد.

مسیر سبز شدن

مسیر توسعه سبز که در بخش آب از طریق مفهوم GI شهری انجام می شود، یک رویکرد مبتنی بر طبیعت برای مدیریت آب طوفان و سیل را نشان می دهد. در حال حاضر به طور گسترده ای به عنوان بخشی از سیستم های UWI پذیرفته شده است و با اقدامات مختلف (به عنوان مثال، بام های سبز، بام های سبز، حوضچه های حفظ زیستی) برای دستیابی به طیف گسترده ای از مزایای در امنیت آب، مدیریت سیل، آلودگی شهری، خدمات اکوسیستم، کاهش کربن اجرا می شود. بهداشت عمومی و رفاه در شهرهای مختلف (اورال و همکاران،مرجع اورال، کاروالیو، گاجوسکا، اورسینو، ماسی، هالبوش، کازاک، اکسپوزیتو، سیپولتا، اندرسن، فینگر، سیمپرلر، رگلزبرگر، روس، رادینجا، بوتیگلیری، کرزمینسکی، ریزو، دهقانیان، نیکولوا و زیمرمن2020 ). برنامه ریزی GI از تجزیه و تحلیل داده های مکانی بهره می برد تا بینش هایی را در مورد تأثیرات آنها بر انعطاف پذیری سیستم، کاهش سیل و امنیت آب ارائه دهد، و اطمینان حاصل کند که GI بخشی جدایی ناپذیر از سیستم های UWI است، زیرا یک چالش اصلی در برنامه GI طراحی آن به عنوان یک موجودیت واحد است (Kerkez et al. .،مرجع Kerkez، Gruden، Lewis، Montestruque، Quigley، Wong، Bedig، Kertesz، Braun، Cadwalader، Poresky و Pak2016 ).

یک چالش کلیدی در ترویج GI، اختلال عملکردی قابل توجه در عمل به دلیل عملکرد نامناسب و عدم نگهداری در طول زمان است. معیارهای عملکرد درجا GI را می توان با ابزارهای هوش مصنوعی بر اساس نظارت مستمر جریان آب، سطح آب، رطوبت خاک و کیفیت آب ارائه کرد. این اطلاعات را می توان بیشتر به کنترل بلادرنگ سیستم های آب طوفان و تصمیم گیری در مورد مقاوم سازی و تعمیر و نگهداری پیش بینی کرد. سیستم‌های جمع‌آوری آب باران (به‌عنوان مثال، ته آب) را می‌توان برای کاهش خطر سیل بر اساس پیش‌بینی‌های بارندگی ارائه شده توسط یادگیری ماشین، با مشارکت مثبت جامعه برای تخلیه آب قبل از رویدادهای پیش‌بینی‌شده بارندگی، به کار برد.

شبکه‌های حسگر مستقر برای اهداف مختلف (به عنوان مثال، کیفیت آب، کیفیت هوا، دما، صدا و نور) در یک شهر هوشمند باید برای گسترش درک ما از خدمات اکوسیستم مکانی-زمانی ارائه‌شده توسط GI و در نتیجه شناسایی مداخلات اولویت‌دار یکپارچه شوند. فعالیت آکوستیک زیستی و انسانی، که با یادگیری عمیق از ضبط‌های صوتی پیش‌بینی می‌شود، درک جدیدی از مناظر صوتی شهری ارائه می‌کند و بررسی تأثیر دستگاه گوارش بر حیات وحش را تسهیل می‌کند (Fairbrass et al.,مرجع Fairbrass، Firman، Williams، Brostow، Titheridge و Jones2019 ). اثرات جزیره گرمایی شهری را می توان با برنامه ریزی موثر بام های سبز و در عین حال مقابله با مشکلات آلودگی آب طوفان و رواناب شهری کاهش داد. شواهد رو به رشد در مورد مزایای متعدد GI می تواند تمایل به GI را به جای زیرساخت های خاکستری معمولی تحریک کند (Oral et al.,مرجع اورال، کاروالیو، گاجوسکا، اورسینو، ماسی، هالبوش، کازاک، اکسپوزیتو، سیپولتا، اندرسن، فینگر، سیمپرلر، رگلزبرگر، روس، رادینجا، بوتیگلیری، کرزمینسکی، ریزو، دهقانیان، نیکولوا و زیمرمن2020 ).

مسیر کربن زدایی

مطالعات اخیر اهمیت انتشار گازهای گلخانه ای از فعالیت های مرتبط با آب و نقش حیاتی بخش آب در کاهش تغییرات آب و هوایی را برجسته کرده اند (روتاوزن و کانوی،مرجع روتاوزن و کانوی2011 ; رانی و همکاران،مرجع رانی، اسنایدر، کیم، لی و پان2022 ). مصرف انرژی و تصفیه فاضلاب منابع اصلی انتشار گازهای گلخانه ای در بخش آب هستند. اگرچه فناوری‌های جدید برای افزایش تولید انرژی‌های تجدیدپذیر، افزایش بهره‌وری انرژی و کاهش انتشار گازهای گلخانه‌ای ناشی از تصفیه فاضلاب با هدف دستیابی به اهداف خالص صفر در بخش آب به کار گرفته شده‌اند، نقش هوش مصنوعی در دستیابی به انتشار خالص صفر به طور فزاینده‌ای به رسمیت شناخته می‌شود. نقشه راه هوش مصنوعی بریتانیا (شورای هوش مصنوعی بریتانیا، 2021 ).

نظارت بر انتشار گازهای گلخانه ای در UWI چالشی است که بخش آب با آن مواجه است، که عمدتاً به دلیل فرآیندهای بسیار پیچیده و خاص تولید گازهای گلخانه ای اکسید نیتروژن و متان و هزینه های بالای حسگرها است. یادگیری ماشین قبلاً در طراحی طرح‌های پایش و تخمین انتشار گازهای گلخانه‌ای در WWTPs، که به توسعه دستورالعمل‌های نظارت کمک می‌کند، نویدبخش بوده است (Ye et al.,مرجع Ye, Porro و Nopens2022 ). یک مدل یادگیری ماشینی آموزش دیده با داده های مقیاس کامل می تواند به عنوان حسگرهای نرم برای ارائه داده های انتشار گازهای گلخانه ای مداوم استفاده شود. این در ارائه بینشی در مورد تغییرات انتشار گازهای گلخانه ای یا فرآیندهای تولید با ادغام سنسورهای نرم و مدل های مکانیکی ارزشمند است (لی و همکاران،مرجع لی، دوان، لیو، کیو، ون دن آکر، نی، چن، یین، یوان و یه2022b ).

کنترل بهینه توسط هوش مصنوعی می تواند انتشار گازهای گلخانه ای مستقیم و غیرمستقیم را در سیستم UWI کاهش دهد. WWTP ها بسیار وابسته به انرژی هستند، بنابراین استراتژی های کنترلی را می توان با استفاده از طیف وسیعی از روش های هوش مصنوعی برای متعادل کردن انتشار گازهای گلخانه ای و کیفیت آب پساب توسعه داد (Sweetapple et al.,مرجع Sweetapple، Fu و Butler2014 )، اگرچه یک همبستگی مثبت بین انتشار اکسید نیتروژن و نیتروژن کل به طور معمول پذیرفته شده است (Duan et al.,مرجع Duan، Van den Akker، Thwaites، Peng، Herman، Pan، Ni، Watt، Yuan و Ye2020 ). زمان‌بندی پمپ در سیستم‌های توزیع آب و فاضلاب باید تقاضای آینده یا پیش‌بینی جریان، وقفه انرژی‌های تجدیدپذیر در محل و قیمت‌های متفاوت انرژی شبکه را در نظر بگیرد. پمپاژ هوادهی را می توان برای استفاده از ظرفیت رقت متغیر در آب دریافت کننده در حالی که استانداردهای کیفیت آب رعایت می کند، بهینه کرد (Meng et al.,مرجع منگ، فو و باتلر2017 ).

مسیر اتوماسیون

اتوماسیون به دلیل پیشرفت در فن آوری های سنجش، ارتباطات و محاسبات به طور گسترده ای در آب و WWTP ها استفاده می شود، با این حال، عمدتاً به کنترل واحدهای فرآیند منفرد یا چندین واحد در یک سیستم محدود می شود (Yuan et al.,مرجع یوان، اولسون، کاردل-الیور، ون شاگن، مارکی، دلتیک، اوریچ، راوخ، لیو و جیانگ2019 ). تحقیقات در مورد کنترل یکپارچه سیستم های UWI در دهه های گذشته به سرعت پیشرفت کرده است (Fu et al.,مرجع فو، باتلر و خو2008 )، با این حال برنامه های کاربردی در دنیای واقعی محدود هستند. چالش‌ها در بهبود اتوماسیون یا ساختن سیستم‌های آب کاملاً مستقل از جنبه‌های مختلف عمیق هستند: تعاملات پیچیده بین اجزای مختلف سیستم، عدم قطعیت در پیش‌بینی‌های آینده، قابل توضیح بودن استراتژی‌های کنترل و قابلیت اعتماد هوش مصنوعی، سرمایه‌گذاری‌های سرمایه مورد نیاز برای نظارت و نرم‌افزار.

یادگیری ماشین می تواند در روش های کنترل سیستم برای بهبود عملکرد کنترل ادغام شود. بهبود قابل توجه کیفیت آب، قابلیت اطمینان سیستم و بهره وری انرژی از جمله مزایای گزارش شده از طریق یکپارچه سازی هوش مصنوعی است، به عنوان مثال، استفاده از تقاضاهای پیش بینی شده برای کنترل خروجی از تصفیه خانه های آب (باکر و همکاران،مرجع باکر، وریبورگ، پالمن، اسپربر، باکر و ریتولد2013 ) و استفاده از پیش‌بینی‌های بارش و جریان برای کنترل سازمان‌های مدنی و فرآیندهای تصفیه فاضلاب (Lund et al.,مرجع لوند، بوروپ، مدسن، مارک، آرنبیرگ-نیلسن و میکلسن2019 ). جدیدترین فناوری یادگیری عمیق دقت پیش‌بینی در تقاضای آب، فشار، جریان، عمق آب و بار آلودگی را تا حد زیادی بهبود بخشیده است (وانگ و همکاران،مرجع وانگ، من، هو، لی، هونگ و کوی2019 )، بنابراین در بهبود کنترل سیستم امیدوار کننده است.

یادگیری تقویتی عمیق نوید بزرگی برای مقابله با مشکلات الگوریتم‌های کنترل فعلی مانند اختلالات بسیار نامشخص و زمان‌های محاسباتی فشرده دارد. پیش‌بینی می‌شود که تحقیقات در یادگیری تقویتی عمیق در دهه‌های آینده، کنترل خودکار سیستم UWI یا ادغام برخی از اجزای مستقل در سیستم‌های زیرساخت فیزیکی را امکان‌پذیر می‌سازد.

ویژگی های هوش مصنوعی برای پشتیبانی از مسیرهای توسعه

هوش مصنوعی ویژگی های زیادی دارد که آن را از سایر فناوری ها متمایز می کند. ویژگی های کلیدی زیر برای حمایت از مسیرهای توسعه شناسایی شده مناسب هستند و باید هنگام طراحی یک سیستم هوش مصنوعی برای حل مشکلات مدیریت آب در نظر گرفته شوند.

1. 1.تطبیق پذیری. سیستم‌های هوش مصنوعی می‌توانند با شرایط و محیط‌های متغیر سازگار شوند و عملکرد خود را در طول زمان بدون برنامه‌ریزی صریح بهبود بخشند. این امر عمدتاً از طریق یادگیری ماشینی به دست می آید تا امکان یادگیری خود از داده ها و تجربیات را فراهم کند. این ویژگی برای نمایش دقیق سیستم‌های UWI، که اغلب در پاسخ به شهرنشینی و تغییرات آب و هوایی از طریق مداخله مهندسی تغییر می‌کنند، مفید است.

2. 2.اتونومی : سیستم‌های هوش مصنوعی می‌توانند به‌گونه‌ای طراحی شوند که به‌طور مستقل و بدون نظارت مستقیم انسانی یا سطح پایین آن کار کنند . بسیاری از وظایف تکراری در مدیریت سیستم‌های UWI می‌توانند به طور بالقوه با هزینه نسبتا کم خودکار شوند (گاریدو-باسربا و همکاران،مرجع Garrido-Baserba، Corominas، Cortés، Rosso و Poch2020 ). یک مثال، تشخیص نقص فاضلاب از طریق فناوری‌های بینایی کامپیوتری برای پردازش مقادیر زیادی از تصاویر دوربین مداربسته به‌دست‌آمده توسط شرکت‌های آب است (Myrans و همکاران،مرجع میرانز، اورسون و کاپلان2018 ).

3. 3.قابلیت‌پذیری : سیستم‌های هوش مصنوعی را می‌توان به راحتی برای پاسخگویی به نیازهای سیستم‌های مختلف آب و در دسترس بودن داده‌ها ، کوچک یا بزرگ کرد. آنها را می توان برای یک جزء، سیستم غیرمتمرکز در سطح خانوار و جامعه، یا سیستم در مقیاس بزرگ در سطح شهر و حوضه توسعه و استقرار داد. به طور خاص، آنها قادر به مدیریت حجم زیادی از داده ها هستند که آن را برای سیستم های مقیاس بزرگ مناسب می کند.

4. 4.ترکیب بندی : سیستم های هوش مصنوعی می توانند از منابع محاسباتی موازی و داده های توزیع شده برای محاسبه کارآمد و ارتباطات موثر استفاده کنند. آنها می توانند برای کنترل یکپارچه یک سیستم آب مورد استفاده قرار گیرند، جایی که عملکرد کنترل کننده های فردی مبتنی بر سیستم های هوش مصنوعی آموزش دیده مستقل برای ثبت شرایط محلی است، اما در سراسر سیستم برای دستیابی به اهداف سیستم در سطح بالا هماهنگ شده است. به عنوان مثال، چندین عامل برای بهینه سازی DO و دوز به طور همزمان در فرآیندهای تصفیه فاضلاب توسعه داده شده است (چن و همکاران،مرجع چن، وانگ، والورده-پرز، ژای، وزارو و وانگ2021 ).

5. 5.کارایی : سیستم‌های هوش مصنوعی می‌توانند از نظر محاسباتی در مدیریت حجم زیادی از داده‌ها و سیستم‌های مقیاس بزرگ کارآمد باشند. اگرچه بسیاری از الگوریتم‌های یادگیری ماشینی می‌توانند در طول آموزش زمان‌بر باشند، اما در اجرای پس از آموزش بسیار کارآمد هستند. پیشرفت‌های اخیر بیشتر در رویکردهای داده‌محور انجام شده است که آموزش را با مجموعه‌های داده کوچک بررسی می‌کنند (لیو و همکاران،مرجع لیو، ساویک و فو2023 )، و یادگیری را انتقال می دهد که به الگوریتم ها اجازه می دهد وظایف مختلفی را انجام دهند که برای آنها آموزش ندیده اند. این امر سیستم‌های هوش مصنوعی را به عنوان جایگزینی از مدل‌های هیدرولیک برای کارهای محاسباتی فشرده مانند طراحی سیستم بهینه، کنترل بلادرنگ و تحلیل عدم قطعیت مناسب می‌سازد (گارزون و همکاران،مرجع گارزون، کاپلان، لانگولد و تائورمینا2022 ).

همانطور که توسط مطالعات موردی در ادبیات نشان داده شده است، ویژگی های هوش مصنوعی به مزایایی ترجمه شده است (فو و همکاران،مرجع فو، جین، سون، یوان و باتلر2022 ). به عنوان مثال می توان به پردازش داده های با وضوح مکانی-زمانی بالا برای پیش بینی تقاضا اشاره کرد (Zunemat-Kermani et al.,مرجع Zounemat-Kermani، Matta، Cominola، Xia، Zhang، Liang و Hinkelmann2020 )، با در نظر گرفتن همبستگی سری‌های زمانی چند متغیره برای تشخیص دقیق‌تر آلودگی (لی و همکاران،مرجع لی، لیو، ژانگ و فو2023 )، راندمان و دقت بالا در پردازش ویدئو (Myrans et al.,مرجع میرانز، اورسون و کاپلان2018 )، و کنترل قوی در یک محیط نامشخص (Xu و همکاران،مرجع Xu، Meng، Guo، Li و Fu2021b ).