بهره‌برداری از مخازن سدها با هوش مصنوعی؛ مسئول تصمیم‌گیری کیست؟

(CLO) هوش مصنوعی می‌تواند کارایی پیش‌بینی و تنظیم منابع آب را افزایش دهد، اما نقش این فناوری صرفاً مشورتی است؛ کیفیت داده‌های پایش و پاسخ‌گویی مسئولان تصمیم‌گیرنده همچنان از عوامل اصلی در مدیریت منابع آب به شمار می‌روند.

روز ۲۰ اکتبر، روزنامه کشاورزی و محیط‌زیست ویتنام با همکاری اداره مدیریت منابع آب، در هانوی کارگاهی با عنوان «اجرایی کردن قانون منابع آب: مدیریت پیش‌دستانه منابع آب و تنظیم و بهره‌برداری مؤثر از آن‌ها» برگزار کرد.

هدف این کارگاه، یافتن راهکارهایی برای رفع موانع موجود در مدیریت، بهره‌برداری، تنظیم و توزیع منابع آب بود تا در شرایطی که تغییرات اقلیمی چالش‌های فزاینده‌ای ایجاد کرده است، امنیت آبی تضمین شود.

پروفسور نگوین کوک دونگ، رئیس انجمن سدهای بزرگ و توسعه منابع آب ویتنام، در گفت‌وگو با خبرنگار روزنامه روزنامه‌نگاران و افکار عمومی در حاشیه این نشست، محدودیت‌های موجود در پایش، پیش‌بینی و بهره‌برداری از مخازن سدها را بررسی کرد و بر نقش علم و فناوری در بهبود کارایی تنظیم منابع آب تأکید گذاشت.

کمبود داده‌های میدانی، دقت پیش‌بینی‌ها را کاهش می‌دهد

به گفته پروفسور نگوین کوک دونگ، پایش برای بهره‌برداری از مخازن سدها در حال حاضر بر دو گروه اصلی از داده‌ها متمرکز است: داده‌های هواشناسی و هیدرولوژی، و داده‌های مربوط به وضعیت سازه. گروه دوم شامل میزان بازشدگی دریچه‌ها، تراز آب در بالادست و پایین‌دست مخزن و سایر اطلاعات مورد استفاده برای محاسبه جریان آب است.

نیازهای پایش داده‌های هواشناسی و هیدرولوژی به اهداف بهره‌برداری بستگی دارد. در فصل خشک، پیش‌بینی بلندمدت برای مدیریت پیش‌دستانه منابع آب اهمیت زیادی دارد؛ به‌ویژه هنگام وقوع پدیده‌هایی مانند ال‌نینو که ممکن است کمبود آب به دنبال داشته باشند. برای ساخت مدل‌هایی که بتوانند فصل بارندگی پیش رو را پیش‌بینی کنند، باید داده‌ها در بازه‌ای به‌اندازه کافی طولانی جمع‌آوری شوند؛ این دوره ممکن است تا شش ماه ادامه داشته باشد.

در مقابل، پیشگیری و مقابله با سیلاب به پیش‌بینی‌های کوتاه‌مدت با دقت بالا نیاز دارد. در گذشته، افق زمانی پیش‌بینی‌ها معمولاً ۲۴ ساعت بود، اما اکنون این بازه به‌تدریج به ۸۴ ساعت، معادل سه روز و نیم، افزایش می‌یابد. به گفته دونگ، برخی مدل‌ها هم‌اکنون توانسته‌اند این نیاز را برآورده کنند.

با وجود پیشرفت مدل‌های پیش‌بینی، پیش‌بینی‌های هواشناسی و هیدرولوژی همچنان به داده‌های نهادهای داخلی و بین‌المللی وابسته‌اند. پیش‌بینی‌های در مقیاس گسترده از نظر زمان، مکان و میزان بارندگی محدودیت‌هایی دارند؛ ازاین‌رو، افزایش مشاهدات میدانی برای تکمیل داده‌ها، بهبود مدل‌ها و افزایش دقت پیش‌بینی‌ها، به‌ویژه در پیش‌بینی کوتاه‌مدت سیلاب، ضروری است.

پروفسور نگوین کوک دونگ برای توضیح این مسئله به نمونه‌ای اشاره کرد که در آن، مدل‌های مختلف با وجود بررسی شرایط یکسان، پیش‌بینی‌های بسیار متفاوتی از میزان بارندگی ارائه می‌کنند؛ یک مدل بارش ۳۰۰ میلی‌متری را پیش‌بینی می‌کند، در حالی که مدل دیگر میزان بارندگی را فقط ۱۰۰ میلی‌متر برآورد می‌کند. چنین اختلافی می‌تواند مستقیماً بر برنامه‌های تنظیم آب و رهاسازی آب از مخازن سدها تأثیر بگذارد.

بنابراین، محل استقرار ایستگاه‌های اندازه‌گیری در میدان اهمیت اساسی دارد. این ایستگاه‌ها امکان مقایسه نتایج محاسباتی با شرایط واقعی را فراهم می‌کنند و در نتیجه، قابلیت اعتماد به پیش‌بینی‌ها و برنامه‌های بهره‌برداری را افزایش می‌دهند.

بااین‌حال، به گفته دونگ، ایجاد شبکه پایش همچنان با دشواری‌های فراوانی روبه‌روست. برخی ایستگاه‌های پایش در اعماق جنگل قرار دارند و به راه‌های دسترسی مناسب مجهز نیستند؛ مسئله‌ای که بازرسی، تعمیر و نگهداری و تعویض تجهیزات را دشوار می‌کند. همچنین ممکن است منابع تأمین برق، مانند باتری‌ها یا سامانه‌های خورشیدی، دچار اختلال شوند، اما امکانات لازم برای تعمیر به‌موقع آن‌ها همیشه فراهم نیست.

هوش مصنوعی فقط ابزار کمکی است و جای تصمیم‌گیرندگان انسانی را نمی‌گیرد

پروفسور نگوین کوک دونگ درباره کاربرد هوش مصنوعی در مدیریت و بهره‌برداری از مخازن سدها گفت این فناوری می‌تواند در مراحل مختلف، از پیش‌بینی‌های هواشناسی و هیدرولوژی گرفته تا محاسبه برنامه‌های تنظیم آب و هماهنگی بهره‌برداری از سدهای به‌هم‌پیوسته، نقش پشتیبان داشته باشد.

در زمینه پیش‌بینی، هوش مصنوعی می‌تواند با تکیه بر داده‌ها و نتایج پیش‌بینی، به انتخاب مدل مناسب کمک کند و از این طریق خطاها را کاهش دهد. به گفته او، پیش‌بینی‌های هواشناسی و هیدرولوژی در مقایسه با حدود ۱۰ سال پیش پیشرفت چشمگیری داشته‌اند، هرچند میزان دقت همچنان به کیفیت داده‌ها و افق زمانی پیش‌بینی بستگی دارد.

در بهره‌برداری از مخازن، روش‌های یادگیری ماشین می‌توانند از داده‌های تاریخی و دستورالعمل‌های بهره‌برداری استفاده کنند تا راهکارهای بهینه پیشنهاد دهند؛ از جمله تعیین تعداد دریچه‌هایی که باید باز شوند، میزان بازشدگی هر دریچه و دبی تخلیه متناسب با شرایط واقعی.

بااین‌حال، محاسبات نباید به هر مخزن به‌صورت جداگانه محدود شوند. سامانه باید به مدل هیدرولیکی منطقه در پایین‌دست نیز متصل باشد تا ظرفیت عبور جریان ارزیابی و نحوه هماهنگی بهره‌برداری از مخازن مختلف در یک حوضه آبریز محاسبه شود.

در حوضه‌های رودخانه‌ای با توپوگرافی پیچیده، توزیع نامتوازن بارندگی و تفاوت در زمان انتشار و حرکت سیلاب، تدوین سناریوهای بهره‌برداری بر اساس داده‌های واقعی اهمیت بیشتری پیدا می‌کند.

پروفسور نگوین کوک دونگ معتقد است اتکای صرف به تجربه بهره‌برداران، مدیریت مؤثر موقعیت‌های متعدد و پیچیده را دشوار می‌کند. حتی با ورود ابزارهای پیشرفته، سامانه‌های هوشمند فقط در تحلیل، پیش‌بینی و ارائه پیشنهاد نقش پشتیبان دارند و نمی‌توانند به‌طور خودکار جای فرد دارای اختیار قانونی برای تصمیم‌گیری درباره بهره‌برداری از مخزن را بگیرند.

دونگ تأکید کرد: «طبق قانون، مالک و نهاد مسئول مدیریت مخزن همچنان مسئول بهره‌برداری از آن هستند. در فصل سیلاب نیز عملیات باید مطابق تصمیم‌های مرجع فرماندهی ذی‌صلاح در حوزه دفاع غیرنظامی در سطح محلی انجام شود. هوش مصنوعی صرفاً ابزار مشورتی است.»

در سامانه رودخانه‌ای وو گیا ــ تو بون که ده‌ها سد و مخزن نیروگاه برق‌آبی را در بر می‌گیرد، پیچیدگی بهره‌برداری بیشتر است؛ زیرا شیب زیاد زمین در مرکز ویتنام، تأثیر قابل‌توجه جزرومد و نفوذ آب شور، مدیریت این سامانه را دشوار می‌کند.

به گفته دونگ، پژوهش‌ها، طرح‌های مطالعاتی و پروژه‌های متعددی درباره این حوضه رودخانه‌ای انجام شده است. بااین‌حال، لازم است نتایج تحقیقات به‌صورت جامع بازبینی شوند، اتصال داده‌ها تقویت شود و هماهنگی در بهره‌برداری افزایش یابد تا راهکارهای علمی و فناورانه در عمل نیز اثربخشی واقعی داشته باشند.