امروزه مدیریت مصرف در شبکه‌های آبرسانی شهری از رویکردهای سنتی به سمت مدیریت هوشمند و داده‌محور تحول یافته است. این تغییر پارادایم با بهره‌گیری از فناوری‌ها و روش‌های نوینی نظیر مدل‌های مبتنی بر داده (Data-driven Models)، داده‌برداری هوشمند (Smart Metering)، ایجاد نواحی مجزای اندازه‌گیری (District Metered Areas (DMAs))، نوسازی و بازسازی شبکه‌های فرسوده آبرسانی (Renewal and Rehabilitation of Aged Water Distribution Networks) و توسعه همتاهای دیجیتال (Digital Twins) برای شبیه‌سازی برخط (Real-time) سامانه‌های فیزیکی محقق شده است. به‌کارگیری این فناوری‌ها ضمن افزایش قابلیت اطمینان و تاب‌آوری شبکه، موجب کاهش هدررفت آب، بهبود بهره‌وری، ارتقای کیفیت تصمیم‌گیری و کاهش هزینه‌های بهره‌برداری و نگهداری می‌شود.

یکی از مهم‌ترین رویکردهای نوین، استفاده از مدل‌های مبتنی بر داده و به‌ویژه روش‌های یادگیری ماشین برای پیش‌بینی کوتاه‌مدت (24 تا 48 ساعت) تقاضای آب در شبکه‌های توزیع است. نتایج این پیش‌بینی‌ها در مدیریت بهره‌برداری از شبکه، از جمله کنترل مخازن، زمان‌بندی باز و بسته شدن شیرها، زمان‌بندی روشن و خاموش کردن پمپ‌ها، مدیریت فشار و برنامه‌ریزی توزیع آب کاربرد گسترده‌ای دارد. علاوه بر این، در سال‌های اخیر مدل‌های هیدرولیکی کاملاً داده‌محور توسعه یافته‌اند که بدون نیاز به حل مستقیم معادلات حاکم پیوستگی و انرژی، قادر به تخمین متغیرهای هیدرولیکی نظیر فشار در گره‌ها و دبی در لوله‌ها هستند. این مدل‌ها ضمن کاهش چشمگیر زمان محاسبات، ظرفیت بالایی برای استفاده در سامانه‌های همتای دیجیتال و تحلیل‌های برخط فراهم می‌کنند [1،2].
داده‌برداری هوشمند یکی دیگر از ارکان مدیریت هوشمند شبکه‌های آبرسانی محسوب می‌شود. نخستین گام در این فرآیند، انتخاب بهینه محل استقرار تجهیزات اندازه‌گیری است تا با به حداقل رساندن هزینه در خرید تجهیزات، بیشترین حجم داده‌های دقیق و قابل اعتماد از شبکه جمع‌آوری شود. این مسئله در قالب "طراحی سایت اندازه‌گیری (Measurement Site Design)" مطرح شده و با استفاده از روش‌هایی نظیر نظریه گراف، روش‌های آماری، زمین‌آمار، الگوریتم‌های فراابتکاری و سایر روش‌های بهینه‌سازی مورد مطالعه قرار می‌گیرد [3].
تقسیم شبکه‌های بزرگ و پیچیده به نواحی مجزای اندازه‌گیری (DMAs) از دیگر راهکارهای مؤثر در مدیریت هوشمند شبکه‌های آبرسانی است. در این رویکرد، شبکه به زیرسامانه‌هایی با ورودی و خروجی مشخص (و البته محدود) تقسیم می‌شود که امکان پایش دقیق‌تر مصارف، کنترل عملکرد شبکه و مدیریت نشت را فراهم می‌سازد. روش‌های مبتنی بر نظریه طیفی گراف، خوشه‌بندی و یادگیری ماشین از جمله روش‌های توسعه‌یافته برای ایجاد این نواحی هستند [4]. همچنین با اندازه‌گیری حداقل مصرف شبانه (Minimum Night Flow (MNF)) در هر ناحیه، می‌توان میزان نشت و هدررفت آب را با دقت بیشتری برآورد و اولویت‌بندی اقدامات اصلاحی را انجام داد.
نوسازی و بازسازی شبکه‌های فرسوده نیز یکی از مهم‌ترین راهکارهای افزایش بهره‌وری سامانه‌های آبرسانی به شمار می‌رود. این اقدامات علاوه بر کاهش نشت و شکستگی خطوط لوله، موجب بهبود توزیع فشار، افزایش قابلیت اطمینان و کاهش هزینه‌های بهره‌برداری می‌شوند. امروزه رویکردهای نوین نوسازی با در نظر گرفتن محدودیت‌های اجرایی، اقتصادی و عملیاتی، پروژه‌های بازسازی را به چندین فاز تقسیم کرده و در هر مرحله اهداف مشخصی را دنبال می‌کنند؛ رویکردی که ضمن افزایش کارایی، امکان برنامه‌ریزی واقع‌بینانه‌تر و تخصیص بهینه منابع را فراهم می‌آورد .[5]
مفهوم همتای دیجیتال نخستین بار توسط دیوید گلرنتر در دهه ۱۹۹۰ در کتاب آینه‌های جهان مطرح شد. همتای دیجیتال، نسخه‌ای مجازی از یک سامانه فیزیکی است که با استفاده از داده‌های برخط، تحلیل داده و مدل‌های پیشرفته، امکان شبیه‌سازی، پایش و بهینه‌سازی عملکرد آن را فراهم می‌کند. در سیستم‌های آبرسانی شهری، توسعه همتای دیجیتال مستلزم تلفیق شبکه‌های حسگر، مدل‌های ریاضی، مدل‌های هیدرولیکی و هیدرولوژیکی و روش‌های هوش مصنوعی برای ایجاد یک مدل پویا و بلادرنگ از فرآیندهای هیدرولیکی، هیدرولوژیکی و کیفیت آب است. این فناوری با ارائه تصویری جامع از وضعیت شبکه، امکان پایش مستمر، پیش‌بینی خرابی‌ها، شناسایی نارسایی‌ها، نگهداری پیشگیرانه، بهینه‌سازی بهره‌برداری و برنامه‌ریزی توسعه زیرساخت‌ها را فراهم ساخته و در نهایت موجب افزایش قابلیت اطمینان، تاب‌آوری و پایداری سامانه‌های آبرسانی شهری می‌شود.
در مجموع، پیشرفت فناوری‌های داده‌محور و ابزارهای هوشمند، زمینه‌ساز تحول اساسی در مدیریت مصرف شبکه‌های آبرسانی شهری شده است. تلفیق روش‌های نوینی نظیر یادگیری ماشین، داده‌برداری هوشمند، نواحی مجزای اندازه‌گیری، نوسازی هدفمند شبکه‌ها و همتاهای دیجیتال، امکان تصمیم‌گیری مبتنی بر داده، مدیریت پیشگیرانه و بهره‌برداری بهینه از زیرساخت‌های آب را فراهم می‌آورد. ازاین‌رو، توسعه و یکپارچه‌سازی این فناوری‌ها را می‌توان یکی از مهم‌ترین الزامات دستیابی به سامانه‌های آبرسانی هوشمند، پایدار و تاب‌آور در برابر چالش‌های آینده، از جمله رشد جمعیت، تغییرات اقلیمی و محدودیت منابع آب، دانست.
[1] Bahrami Chegeni, I., Riyahi, M.M., Bakhshipour, A.E., Azizipour, M. and Haghighi, A., 2025. Developing machine learning models for optimal design of water distribution networks using graph theory-based features. Water, 17(11), p.1654.
[2] Riyahi, M.M., Bakhshipour, A.E., Giudicianni, C., Haghighi, A. and Creaco, E., 2026. Toward an analytical solution for looped pipe network hydraulics. ISH Journal of Hydraulic Engineering, 32(1), pp.175-191.
[3] Riyahi, M.M., Giudicianni, C., Bakhshipour, A.E., Haghighi, A. and Creaco, E., 2025. Multi-criteria pressure sensors placement in water distribution networks using fuzzy TOPSIS. Applied Water Science, 15(9), p.229.
[4] Riyahi, M.M., Giudicianni, C., Haghighi, A. and Creaco, E., 2024. Coupled multi-objective optimization of water distribution network design and partitioning: a spectral graph-theory approach. Urban water journal, 21(6), pp.745-756.
[5] Riyahi, M.M., E Bakhshipour, A., Giudicianni, C., Haghighi, A. and Creaco, E., 2026. Evaluation of decision variable vector modeling methods in multiphase optimal design of water distribution networks. Journal

محمدمهدی ریاحی مدوار 
کارشناس مطالعات آبهای سطحی