Η μηχανική μάθηση αποτελεί κομμάτι της τεχνητής νοημοσύνης και έχει εξελιχθεί στις μέρες μας σε τέτοιο βαθμό, ώστε να μπορεί να προτείνει ή ακόμα και να λάβει αποφάσεις σε πολλούς τομείς της βιομηχανίας, των υποδομών και της παραγωγικής διαδικασίας, με τον καθορισμό συγκεκριμένων διεργασιών και με την εισαγωγή δεδομένων και πληροφοριών που επιθυμούμε να αναλύσουμε. Ειδικότερα στον τομέα των δικτύων ύδρευσης – αποχέτευσης, τα υφιστάμενα συστήματα τηλεδιαχείρισης (SCADA), οι αισθητήρες μετρήσεων των επιμέρους μεγεθών (παροχή, πίεση, χημική σύσταση, θερμοκρασία κλπ.), καθώς και η καταγραφή – μοντελοποίηση των υφιστάμενων δικτύων συνθέτουν το ιδανικό περιβάλλον για τη λειτουργία συστημάτων μηχανική μάθησης και την παραγωγή αποτελεσμάτων όπως:
- Εξοικονόμηση πόρων και έλεγχος απωλειών.
- Ταχύτερη απόκριση σε κρίσιμες καταστάσεις.
- Πρόληψη κινδύνων και ατυχημάτων.
- Πρόβλεψη μελλοντικών αναγκών.
- Μείωση του περιβαλλοντικού αποτυπώματος.
Στη χώρα μας τα τελευταία χρόνια έχουν δαπανηθεί σημαντικά κονδύλια για την ανάπτυξη των δικτύων ύδρευσης – αποχέτευσης και την υλοποίηση συστημάτων απομακρυσμένου ελέγχου και καταγραφής δεδομένων. Ωστόσο, η καταγραφή των υφιστάμενων δικτύων και η εφαρμογή μοντέλων διαχείρισης, όπως για παράδειγμα οι κλειστές ζώνες ελέγχου και η καταγραφή ιστορικών δεδομένων ζήτησης είναι ακόμα ημιτελής, δημιουργώντας έτσι ένα κενό στην εφαρμογή της τεχνητής νοημοσύνης στα υδραυλικά δίκτυα. Η λεπτομερής αποτύπωση των δικτύων μας και η μοντελοποίησή τους αποτελούν το κρίσιμο κομμάτι του παζλ, που θα συνδέσει τις υποδομές των υδραυλικών συστημάτων με τον ψηφιακό κόσμο της Τεχνητής Νοημοσύνης και της Μηχανικής Μάθησης.
Ο Tom Walski, Ph.D, P.E, Senior Product Manager της Bentley Systems International και ένα από τα ιδρυτικά μέλη της Haestad Methods, πρώην Αμερικανικής Εταιρείας ανάπτυξης λογισμικού υδραυλικών δικτύων, αναλύει πώς η μηχανική μάθηση μπορεί να συμβάλλει σημαντικά στην καλύτερη διαχείριση των υδάτων
English 
Greek
0 Comments