سدهای هوشمند + نقش هوش مصنوعی در تحول مهندسی سد در سال ۲۰۲۵

به گزارش خبرگزاری ایمنا، ادغام هوش مصنوعی (AI) و یادگیری ماشین (ML) در مهندسی سد تحولی عظیم در نحوه برنامه‌ریزی، اجرا و نگهداری پروژه‌های زیربنایی بزرگ ایجاد کرده است. با رسیدن به سال ۲۰۲۵، نوآوری‌های مبتنی بر هوش مصنوعی در تمام مراحل عمر سد( از مرحله اکتشاف تا پایش بلادرنگ و نگهداری پیش‌بینی‌کننده) بسیار حیاتی شده‌اند، این پیشرفت‌ها گواهی بر نقش برجسته AI در افزایش کارایی، پایداری و مقاومت پروژه‌های سدسازی است.

یکی از مهم‌ترین کاربردهای هوش مصنوعی در مهندسی سد، مدل‌سازی پیش‌بینی‌کننده در مرحله اکتشاف است، الگوریتم‌های یادگیری ماشین داده‌های زمین‌شناسی را تحلیل می‌کنند تا بهترین مکان‌های احداث سد را شناسایی کنند، ریسک‌های بالقوه را ارزیابی کنند و رفتار مواد را تحت شرایط مختلف پیش‌بینی کنند؛ به عنوان نمونه پهپادهای خودکار مجهز به تحلیل‌های هوشمند برای انجام بررسی‌های زمین‌شناسی به کار گرفته شده‌اند که دقت و کارایی بالاتری نسبت به روش‌های سنتی دارند. این پیشرفت فناورانه نه‌تنها خطای انسانی را کاهش می‌دهد، بلکه زمان اجرای پروژه را نیز تسریع می‌کند و به مهندسان اجازه تصمیم‌گیری دقیق‌تر در مراحل اولیه را می‌دهد.

در مرحله ساخت، ابزارهای مبتنی بر هوش مصنوعی بهبودهای چشم‌گیری در دقت برنامه‌ریزی و مدیریت هزینه ایجاد کرده‌اند، تحقیقات نشان داده‌اند که شرکت‌هایی که از ابزارهای مدیریت پروژه مبتنی بر هوش مصنوعی استفاده می‌کنند، ۳۷ درصد افزایش بهره‌وری نیروی کار و انحرافات بودجه‌ای را در حد ۷.۳ درصد از برآوردهای اولیه حفظ کرده‌اند. این ابزارها با پردازش حجم وسیعی از داده‌ها، تخصیص دقیق منابع، برنامه‌ریزی نیروی انسانی و مدیریت ریسک را تسهیل می‌کنند. به عنوان مثال، سیستم‌های ارزیابی ریسک پیش‌بینی‌کننده مبتنی بر هوش مصنوعی، ۴۹.۳ درصد از هزینه‌های اضافی و ۶۷.۵ درصد از حوادث ایمنی را کاهش داده‌اند و صرفه‌جویی سالانه متوسطی معادل ۲.۴ میلیون دلار در هر پروژه ایجاد کرده‌اند، این نتایج حاکی از مزایای مالی و عملیاتی استفاده از راهکارهای مبتنی بر هوش مصنوعی در پروژه‌های زیربنایی بزرگ است.

مدل‌های LSTM (بلندمدت کوتاه‌مدت)، نوع خاصی از شبکه‌های عصبی بازگشتی، به عنوان ستون فقرات سیستم‌های برنامه‌ریزی منابع سازمانی (ERP) مبتنی بر هوش مصنوعی در سدسازی ظاهر شده‌اند. این مدل‌ها در تحلیل داده‌های سری زمانی برای پیش‌بینی کمبود مواد، محدودیت‌های نیروی کار و اختلالات ناشی از آب‌وهوایی بسیار مؤثر هستند، یک مطالعه موردی از یک پروژه سد در هند در سال ۲۰۲۳ نشان داد که استفاده از سیستم ERP مبتنی بر LSTM توانست کمبود سنگدانه‌ها را در فصل بارش تعیین کند و بدین ترتیب ۲۵ درصد از تأخیرهای مرتبط با مواد را کاهش دهد و ادامه پروژه را حتی در شرایط نامساعد جوی تضمین کند، همچنین دستگاه‌های IoT تلفیق شده با سیستم‌های ERP مبتنی بر هوش مصنوعی امکان پایش بلادرنگ سلامت سازه را فراهم کردند و هشدارهای پیش‌بینی‌کننده تولید کردند که از تعمیرات گران‌قیمت جلوگیری کردند. به عنوان نمونه، یک پروژه سد در استرالیا در سال ۲۰۲۲ با تأخیر در ریختن بتن بر اساس پیش‌بینی طوفان، ۵۰۰ هزار دلار از هزینه‌های تعمیر را جلوگیری کرد.

فناوری دیجیتال تُوئین (تِوِن) و نقش آن در سدسازی

فناوری دیجیتال تُوئین (Digital Twin)، که با هوش مصنوعی تقویت شده است، قابلیت‌های پروژه‌های سدسازی مدرن را چندین برابر افزایش داده است. با شبیه‌سازی سناریوها همچون کمبود مواد یا تأثیرات نامطلوب آب‌وهوایی، دیجیتال تُوئین به تصمیم‌گیری پیشگیرانه و بهینه‌سازی منابع کمک می‌کند، از بین ۸۹ پروژه بزرگ مورد مطالعه، دیجیتال تُوئین قادر بود حدود ۳۲ هزار نقطه داده در روز را با دقت ۹۶.۵ درصدی در شناسایی انحرافات برنامه‌ریزی تحلیل کند و در ۹۱.۳ درصد موارد مشکلات را به موقع تشخیص دهد. این سطح از دقت به ویژه در سدسازی مهم است، زیرا تأخیرهای غیرمنتظره می‌توانند به ضررهای مالی و عملیاتی قابل توجهی منجر شوند.

با وجود این پیشرفت‌ها، اجرای فناوری‌های هوش مصنوعی و یادگیری ماشین بدون چالش نیست. کیفیت داده‌ها یکی از دغدغه‌های اصلی است، زیرا داده‌های نادرست یا ناقص می‌توانند قابلیت اطمینان پیش‌بینی‌های هوش مصنوعی را زیر سوال ببرند، برای حل این مشکل پروتکل‌های حاکمیت داده محکم و استراتژی‌های اجرایی تدریجی پیشنهاد شده است که با ماژول‌های آزمایشی مثل پیش‌بینی کمبود مواد آغاز می‌شوند، همچنین الزامات محاسباتی برای اجرا کردن مدل‌های پیچیده هوش مصنوعی می‌تواند در مناطق دورافتاده که بسیاری از سدها در آنجا قرار دارند، محدودکننده باشد. اولویت‌های تحقیقاتی آینده شامل افزایش مقاومت الگوریتم‌ها نسبت به مجموعه داده‌های ناقص و توسعه مدل‌های قابل تفسیر است که فاصله بین تصمیم‌گیری خودکار و نظارت انسانی را بپوشانند.

همکاری‌های مشترک بین دانشگاه و صنعت نیز راه را برای حل این چالش‌ها هموار کرده است. شراکت‌هایی که دانشگاه‌هایی همچون دانشگاه چجیانگ در آن دخیل هستند، موفقیت‌های برجسته‌ای در همکاری عمومی-خصوصی برای توسعه کاربردهای هوش مصنوعی در مهندسی سد نشان داده‌اند، این اقدامات بر انتقال دانش، استانداردسازی و توسعه راهکارهای قابل مقیاس تمرکز دارند و اطمینان حاصل می‌کنند که حتی شرکت‌های کوچک‌تر نیز از نوآوری‌های مبتنی بر هوش مصنوعی بهره‌مند شوند.

نقش IoT در پایش سلامت سازه سدها

ادغام دستگاه‌های اینترنت اشیا (IoT) در پایش سلامت سازه (SHM) عصری جدیدی را در زمینه ایمنی سد و کارایی عملیاتی آغاز کرده است. سنسورهای IoT که کوچک، بی‌سیم و قادر به جمع‌آوری داده‌های پیوسته هستند، به ابزارهای اصلی برای پایش بلادرنگ پارامترهای مهم همچون کرنش، لرزش، دما و جریان نفوذ در سدها تبدیل شده‌اند، این دستگاه‌ها داده‌ها را به پلتفرم‌های مبتنی بر ابر منتقل می‌کنند، جایی که تحلیل‌های پیشرفته، بیشتر توسط هوش مصنوعی، این اطلاعات را تفسیر کرده و بینش‌های عملی فراهم می‌کنند، این توانایی از بازرسی‌های دوره‌ای سنتی فاصله گرفته و رویکردی پیشگیرانه نسبت به شناسایی مشکلات قبل از اینکه به شکست‌های فاجعه‌بار تبدیل شوند، فراهم می‌کند.

نمونه‌ای برجسته از تأثیر IoT در ایمنی سد، نقش آن در پیش‌بینی طوفان در پروژه‌های سدسازی است، در یک پروژه سد در استرالیا در سال ۲۰۲۲، سنسورهای IoT تلفیق شده با سیستم‌های ERP مبتنی بر هوش مصنوعی هشدارهای پیش‌بینی‌کننده‌ای درباره شرایط جوی نامطلوب ارائه دادند، این امر به مدیران پروژه اجازه داد تا عملیات ریختن بتن را به تعویق بیندازند و ۵۰۰ هزار دلار از هزینه‌های تعمیر را به دلیل تخریب ماده ناشی از آب‌وهوای نامساعد جلوگیری کنند.

پیشرفت‌های تکنولوژیکی در آرایش سنسورها و تکنیک‌های ارتباطی، دقت و قابلیت اطمینان سیستم‌های SHM مبتنی بر IoT را افزایش داده است. به عنوان مثال، سیستم‌های SHM مبتنی بر لرزش که از شبکه‌های LSTMبه‌طورکامل متصل (FS-LSTM) استفاده می‌کنند، نشان داده‌اند که در تشخیص خطا در سنسورها از آسیب‌های سازه‌ای متمایز عملکرد فوق‌العاده‌ای دارند، در یک مطالعه توسط لی و همکارانش (۲۰۲۱)، دوازده سنسور شتاب‌سنج INV982 در یک قاب فولادی سه طبقه نصب شد تا شرایط مشابه سد شبیه‌سازی شود، با افزایش آسیب سازه‌ای، عملکرد مدل FS-LSTM بهبود یافت و بین خرابی سنسور و آسیب واقعی سازه تفاوت قائل شد؛ این موضوع نشان‌دهنده استحکام تحلیل‌های مبتنی بر هوش مصنوعی در اطمینان از مداخله‌های به‌موقع و کاهش ریسک شکست‌های سد است.

علاوه بر تحلیل لرزشی، تنظیمات آزمایشی مبتنی بر سنسورهای پیزوالکتریک و ماژول‌های بی‌سیم دقت بالایی در تشخیص آسیب‌های سازه‌ای داشته‌اند، عبدالگود و یلامارتی پلتفرم IoT را ارائه دادند که روش‌های pitch-catch و pulse-echo را با سنسورهای پیزوالکتریک ترکیب کردند و در تشخیص عرض آسیب حداکثر خطا ۸.۴۳ درصد و در موقعیت‌یابی آسیب ۱.۰۳ درصد داشتند، همچین هارشیتا و همکارانش سیستمی مبتنی بر Raspberry Pi با ماژول‌های Wi-Fi برای پایش سلامت سازه از طریق شاخص‌های همبستگی توسعه دادند و ارزیابی قابل اعتمادی از سالم بودن سد فراهم کردن، این نوآوری‌ها نشان می‌دهند که چگونه فناوری‌های IoT و هوش مصنوعی به‌طور مجموعه دقت و واکنش‌گویی روش‌های SHM را افزایش می‌دهند.

مشکلات سازگاری بین انواع مختلف سنسورها و سیستم‌های مدیریت موجود می‌تواند ادغام سیستم‌ها را دچار مشکل کند، بنابراین همکاری با ارائه‌دهندگان فناوری برای توسعه راهکارهای سفارشی ضروری است. علاوه بر این، حجم عظیم داده‌های تولید شده توسط سنسورهای IoT نیازمند پروتکل‌های حاکمیت داده محکمی است تا دقت و امنیت آن‌ها تضمین شود. آسیب‌پذیری‌های امنیتی سایبری نیز خطرات اضافی دارند، به ویژه با توجه به ماهیت حساس پروژه‌های زیربنایی همچون سدها. برای کاهش این خطرات، محققان پیشنهاد می‌کنند تا اقدامات انطباقی را اعمال کنند و استراتژی‌های اجرایی تدریجی را با ماژول‌های آزمایشی همچون پیش‌بینی کمبود مواد یا پایش ایمنی کارگران شروع کنند.

نیازهای آموزشی نیز یکی از موانع قابل توجه در گسترش گسترده است. پیچیدگی تفسیر بینش‌های تولید شده توسط مدل‌های «جعبه سیاه» همچون شبکه‌های LSTM نیازمند برنامه‌های آموزشی تخصصی برای تیم‌های پروژه است. ترکیب مدل‌های LSTM با الگوریتم‌های قابل تفسیر همچون درخت تصمیم می‌تواند این شکاف را پُر کند و شفافیت را افزایش دهد و درک ذی‌نفعان را تسهیل کند، رفع این محدودیت‌ها ضروری است تا از استفاده مؤثر از نوآوری‌های IoT بدون ایجاد اختلال در جریان‌های کاری رایج اطمینان حاصل شود.

در آینده، ادغام مدل‌سازی دیجیتال تُوئین با فناوری‌های IoT و هوش مصنوعی امکانات عظیمی برای پیشرفت SHM در سدها فراهم خواهد کرد. دیجیتال تُوئین‌ها( که نسخه‌های مجازی از سازه‌های فیزیکی هستند) شبیه‌سازی بلادرنگ رفتار سد تحت شرایط مختلف را امکان‌پذیر می‌کنند و در توسعه برنامه‌های نگهداری پیش‌بینی‌کننده و پیش‌بینی عمر باقی‌مانده عملیاتی کمک می‌کنند، معماری چهار ماژوله SHM پیشنهادی توسط خان و همکارانش (ژانویه ۲۰۲۴) شامل سنسورها، دروازه‌های IoT، محاسبات ابری و رابط‌های تفسیر داده است که پایه‌ای برای ایجاد دیجیتال تُوئین‌های جامع شکل می‌دهد، این چارچوب نه‌تنها قابلیت‌های پایش را افزایش می‌دهد، بلکه در تصمیم‌گیری استراتژیک در مراحل مختلف سدسازی و بهره‌برداری نیز کمک می‌کند.