Su ve Çevre Teknolojileri Dergisi 185. Sayı (Aralık 2023)

40 SU VE ÇEVRE TEKNOLOJİLERİ • Aralık / 2023 MAKALE bilgisayarlarda çalıştırılan bir apli- kasyon şeklinde de olabilir. - Veri Depolanması: Bu sistemin yarattığı veri tabanıdır. Bu sayede işletmeciler ve mühendisler şebeke ile ilgili çeşitli hidrolik, istatistiki, demografik ve diagnostik analizler yapmak, süreçlerin optimize edil- mesine ve gerekli kararların alın- masına yönelik işletme raporları düzenleme imkanına kavuşmuş olurlar Yapay Zeka ve SCADA Ancak, gelişmiş bir SCADA sistemi tesis edildikten sonra üzerine yapay zeka uygulamalarını bina etmek müm- kün olabilecektir. Yapay zeka makine öğrenmesi metotlarını kullanır, dolayısı ile de büyük veri tabanlarını gerektirir. Medya iletişiminden başlayarak pek çok şey büyük veri kaynağı olabilir. Ancak, işletilmesi söz konusu olan şebeke ile ilgili veri tabanı için bir SCADA siste- minin tesis edilmiş olması şarttır. Zira, merkez istasyondaki tarihsel veri tabanı ve SCADA sistemine entegre, kalibre edilmiş şebeke modeli ile yaratılan simülasyonların oluşturacağı sentetik veri tabanı, yapay zeka uygulamalarının esas temelini oluşturur. Her zaman yeterli veri tabanına ulaşma imkânı olmayabilir. Ayrıca, yapay zeka modelleri genelde açıkla- yıcı değildirler, yani araştırılan konu ile ilgili nedensellikleri detayına takip etmek mümkün olmayabilir. Öte yan- dan, akışkanlar mekaniği kanunlarına uygun olarak formüle edilmiş hidrodi- namik modeller, zemin içindeki boru- ların maruz kaldığı şartlar altındaki davranışını veya insan faktörünü içeren hususların belirlediği konuları analizde yeterince başarılı olamayabilir. Ya da bazı özel durumlarda (örneğin çok fazlı akım gibi) yeterli sonuç vermeyebilir. Dolayısı ile hem fiziksel hem de veri bazlı yapay zeka modellerinin birbirini destekleyecek şekilde kullanılması en doğru çözüm olacaktır. [3] En genel ifade ile, bir yapay zeka uygulaması önce uygun bir veri tabanı üzerinde belirli bir amaç doğrultusunda eğitilir. Örneğin, girdiler şebeke duru- munu belirleyen değişkenler, çıktılar ise belirli performans değerleri, mesela kontrol/optimize edilmek istenen basınçlar, kaçaklar veya enerji tüketimi gibi, olabilir. Böylece, çeşitli işletme şartlarını belirleyen etmenleri belirleme imkânı oluşur. Sistemin optimizasyonu için genetik algoritmalar, çok katmanlı yapay sinir ağları yaygın kullanılan makina öğrenmesi teknikleridir. Ancak, yukarda da belirttiğimiz gibi burada süreçlerin nedenselliklerini arzu edilen detayda takip etmek mümkün olma- yabilir. Bu amaçla, yukardaki yaklaşım yerine kural bazlı kontrole dayalı “açık- lanabilir yapay zeka” metodu tercih edi- lebilir. [4] Burada öğrenme aşamasını, tarihsel verinin kullanılması ile şebeke parametreleri ile performans değerleri arasındaki ilişkinin tanımlanması teşkil eder. Bilahare, bu temel üzerine, şebe- kenin durumunu öngörmeye yönelik kural bazlı bir model kurulabilir. Kont- rol aşamasında ise, şebekenin perfor- mansını optimize edecek şekilde, bu kurallardan oluşturulan kontrol stra- tejisi yinelemeli bir algoritma ile elde edilir. Bitirirken Suya ulaşım, en temel insan hakla- rındandır. Ancak, bu imkânın sağlan- ması yüzyılımızda gittikçe zorlaşmakta- dır. Dolayısı ile, kentsel su kaynakları- mızın en optimal şartlarda kullanması şarttır. Sonuç olarak, kent şebekelerinin dijital teknolojiler ile yönetimini artık bir tercih meselesi olarak değil, bir zorunluluk olarak görmek gerekmek- tedir. n Notlar (1) Dijital sözcüğü genel anlamda kullanılmıştır. Oysa ki, SCADA sistemi içinde entegre edilmiş olan PLC ve RTU’lar analog sinyaller ile de çalışırlar. (2) Aslında PLC’lerin fonksiyonu denetlemekten ziyade kontroldür. [1] Muhammetoğlu H., Muhammetoğlu B. “İçme Suyu Temin ve Dağıtım Sistemlerindeki Su Kayıplarının Kontrolu EL KİTABI”, T.C. Orman ve Su İşleri Bakanlığı, Su Yönetimi Genel Müdürlüğü, Temmuz 2017. [2] Alonso J.M., Alvarruiz F., Guerrrero D., Hernandez V., LLopis J.D., Ramos E., Martinez F., Bou V., Bartolin H. “Simulation of Control Strategies in Water Distribution Systems, Using SCADA in Conjunction With Calibrated Models Obtained From GIS”, 6th International Conference on Hydroinformatics, 2004 [3]- enny H., Wang Y., Alonso E.G., Minguez R. “Using Artificial Intelligence for Smart Water Management Systems”, ADB Briefs, No. 143, Asian Development Bank, June 2020 [4] Ferrari, E., Verda D., Pinna N., Muselli M., “Optimizing Water Distribution Through Explainable AI and Rule-Based Control”, Computers, 12, 123, 2023 KAYNAKLAR