بهینه سازی بلادرنگ سیستم های تصفیه آب و فاضلاب در شهرهای هوشمند با استفاده از دوقلوی دیجیتال و الگوریتم های یادگیری تقویتی عمیق

شهرهای امروزی با چالش های فزاینده ای در مدیریت منابع حیاتی از جمله آب، انرژی و مواد روبرو هستند. مفهوم متابولیسم شهری با حلقه بسته (Urban Closed-Loop Metabolism) به دنبال شبیه سازی اکوسیستم های طبیعی با ایجاد چرخه های به هم پیوسته و بدون پسماند برای این جریان ها است. این مقاله به توسعه و پیاده سازی یک پلتفرم دوقلوی دیجیتال (Digital Twin) یکپارچه برای شبیه سازی، پایش و بهینه سازی بلادرنگ جریان های آب، انرژی و مواد در یک شهر هوشمند فرضی به نام «نووشهر» می پردازد. هسته مرکزی این پلتفرم یک مدل دوقلو برای سیستم تصفیه خانه آب و فاضلاب شهر است که توسط یک عامل یادگیری تقویتی عمیق (Deep Reinforcement Learning) برای بهینه سازی مصرف انرژی، کارایی تصفیه و بازیابی منابع آموزش دیده است. شبیه سازی ها بر روی یک مجموعه داده سنتز شده مبتنی بر داده های واقعی انجام گرفت. نتایج نشان می دهد که عامل یادگیری تقویتی قادر است استراتژی های بهینه ای را برای کنترل بلادرنگ سیستم مانند نرخ هوادهی، دوز منعقدکننده ارائه دهد که منجر به کاهش ۲۳.۵ درصد در مصرف انرژی، افزایش ۵.۸ درصد در راندمان حذف نیتروژن و افزایش ۱۵ درصد در تولید بیوگاز در مقایسه با الگوریتم های کنترل سنتی (PID (Proportional-Integral-Derivative)) می شود. این پژوهش نشان می دهد که ادغام دوقلوی دیجیتال و یادگیری تقویتی پتانسیل فوق العاده ای برای تحقق شهرهای با متابولیسم حلقه بسته تاب آور و پایدار دارد.

کلیدواژه ها:

شهر هوشمند ، متابولیسم حلقه بسته ، دوقلوی دیجیتال ، یادگیری تقویتی عمیق ، بهینه سازی بلادرنگ ، تصفیه فاضلاب ، بازیابی منابع ، هوش مصنوعی ، اینترنت اشیاء