# تشخیص نشت آب به‌صورت زمان‌واقعی و سازگار با AI Form Builder

شبکه‌های توزیع آب از مهم‌ترین اما در عین حال آسیب‌پذیرترین دارایی‌های شهری هستند. لوله‌های کهنه، نوسانات فشار و اتصالات غیرمجاز هر ساله میلیون‌ها گالن آب را از دست می‌دهند، هزینه‌های خدمات را افزایش می‌دهند و منابع کم‌بود را تحت فشار قرار می‌دهند. روش‌های سنتی تشخیص نشت بر پایه بازرسی‌های دستی دوره‌ای یا هشدارهای ثابت آستانه‌ای است که مثبت‌های کاذب تولید می‌کند و شکست‌های نوظهور را از دست می‌دهد.

**AI Form Builder** — یک پلتفرم کم‌کد و هوش مصنوعی‑تقویت‌شده برای تولید فرم‌ها — یک پارادایم تازه ارائه می‌دهد: **سیستم تشخیص نشت زمان‌واقعی، سازگار و متمرکز بر شهروند** که به‌صورت مداوم از داده‌های حسگر، گزارش‌های میدانی و حوادث تاریخی یاد می‌گیرد. این مقاله معماری انتها‑به‑انتها، منطق فرم‌های مبتنی بر هوش مصنوعی و مزایای عملیاتی برای شرکت‌های آب، شهرداری‌ها و ساکنان را مرور می‌کند.

---

## 1. چرا نیاز به رویکردی جدید است

| چالش | روش سنتی | راه‌حل سازگار AI Form Builder |
|-----------|---------------------|-----------------------------------|
| **تاخیر** | بررسی‌های هفتگی فشار؛ هفته‌ها برای یافتن نشت طول می‌کشد | دریافت تلمتری آنی؛ هشدارهای زیر‑دقیقه |
| **مثبت‌های کاذب** | آستانه‌های ثابت فشار بسیاری از موارد غیرنشت را فعال می‌کند | مدل‌های هوش مصنوعی آگاهی‑متن، آستانه‌ها را به‌صورت پویا تنظیم می‌کنند |
| **تخصیص منابع** | اعزام تیم‌ها بر پایه ارزیابی دستی | اولویت‌بندی خودکار با استفاده از امتیاز ریسک |
| **مشارکت شهروندان** | محدود به خطوط تماس، اغلب نادیده گرفته می‌شود | فرم‌های موبایلی یکپارچه برای گزارش‌های جمعی |
| **قابلیت گسترش** | ورود داده دستی، گسترش دشوار | فرم‌های کم‌کد مقیاس‌پذیر، قابل استفاده مجدد در تمام نواحی |

کلیدواژه **سازگاری** است: سیستم منطق تشخیص خود را به‌محض دریافت داده‌های جدید بهبود می‌بخشد، در حالی که لایه فرم اطمینان می‌دهد هر ذینفع — حسگر، تکنسین میدانی، شهروند — اطلاعات ساختاریافته و قابل اقدام ارائه دهد.

---

## 2. نمای کلی معماری سیستم

```mermaid
flowchart TD
    A["حسگرهای IoT<br>فشار، جریان، صوتی"]
    B["دروازه لبه‌ای<br>پیش‌پردازش"]
    C["AI Form Builder<br>فرم‌ها و گردش‌کارهای پویا"]
    D["موتور هوش مصنوعی<br>تشخیص ناهنجاری و امتیاز ریسک"]
    E["اپلیکیشن موبایل شهروند<br>فرم گزارش نشت"]
    F["مرکز اعزام<br>دستورات کاری اولویت‌بندی‌شده"]
    G["پایگاه داده GIS<br>شبکه لوله‌ها"]
    H["حلقه بازخورد<br>آموزش مجدد مدل"]

    A --> B
    B --> C
    C --> D
    D --> F
    E --> C
    F --> G
    G --> D
    D --> H
    H --> C
```

*تمام برچسب‌های گره‌ها در داخل کوتیشن‌های دوگانه برای سازگاری با سینتکس Mermaid قرار گرفته‌اند.*

### 2.1 مؤلفه‌های اصلی

1. **حسگرهای IoT** – ترانسدیوسرهای فشار، شمارنده‌های جریان و آشکارسازهای صوتی نشت که در نقاط استراتژیک نصب می‌شوند.  
2. **دروازه لبه‌ای** – فیلتر نویز، تجمیع داده‌ها و ارسال یک بار JSON سبک.  
3. **AI Form Builder** – فرم‌های **سازگار** که بارهای حسگر را دریافت می‌کنند، استنتاج هوش مصنوعی را فعال می‌سازند و اقدامات بعدی را تولید می‌کنند.  
4. **موتور هوش مصنوعی** – مجموعه‌ای از مدل‌های یادگیری ماشین (تشخیص ناهنجاری سری‌زمانی، امتیازدهی ریسک بیزی) که هر نقطه داده را ارزیابی می‌کند.  
5. **اپلیکیشن موبایل شهروند** – یک کلاینت سبک که فرم **«گزارش نشت»** را با داده‌های مکان از GPS پیش‌پر می‌کند.  
6. **مرکز اعزام** – دستورات کاری اولویت‌بندی‌شده را دریافت می‌کند و روی نقشه GIS نمایش می‌دهد.  
7. **حلقه بازخورد** – پس از تعمیر نشت، تکنسین میدانی تیکت را می‌بندد و نتیجه را به مدل هوش مصنوعی باز می‌گرداند تا بهبود مستمر داشته باشد.

---

## 3. ساخت فرم‌های سازگار در AI Form Builder

### 3.1 فرم داده‌های حسگر

```json
{
  "form_id": "sensor_ingest_001",
  "fields": [
    {"name":"sensor_id","type":"text","required":true},
    {"name":"timestamp","type":"datetime","required":true},
    {"name":"pressure_kpa","type":"number","required":true},
    {"name":"flow_lps","type":"number","required":true},
    {"name":"acoustic_score","type":"number","required":false}
  ],
  "trigger":"on_submit",
  "action":"invoke_ai_model"
}
```

*ویژگی‌های کلیدی*  

- **اعتبارسنجی پویا**: اگر `acoustic_score` موجود نباشد، فرم به‌صورت خودکار دروازه لبه‌ای را برای دریافت خوانش صوتی ثانویه درخواست می‌کند.  
- **نسخه‌بندی**: هر نسخه فرم ذخیره می‌شود تا در صورت تغییر ساختار بار حسگر (به‌دلیل به‌روزرسانی فریم‌ور) امکان بازگشت وجود داشته باشد.

### 3.2 فرم گزارش نشت شهروند

```json
{
  "form_id": "citizen_report_001",
  "fields": [
    {"name":"photo","type":"image","required":true},
    {"name":"gps_lat","type":"number","required":true},
    {"name":"gps_lng","type":"number","required":true},
    {"name":"description","type":"textarea","required":true},
    {"name":"observed_flow","type":"number","required":false}
  ],
  "trigger":"on_submit",
  "action":"merge_with_sensor_data"
}
```

- **جئولوکیشن خودکار**: SDK موبایل مختصات GPS را تزریق می‌کند و بار کاربر را کاهش می‌دهد.  
- **تحلیل تصویر**: یک مدل هوش مصنوعی اختیاری نشانه‌های بصری (پیاده‌راه خیس، جمع‌آوری آب) را استخراج می‌کند تا رکورد حادثه غنی‌تر شود.

### 3.3 منطق گردش‌کار سازگار

موتور قوانین **AI Form Builder** امتیاز ریسک ترکیبی را ارزیابی می‌کند:

```goat
if (sensor.anomaly_score > 0.85) and (citizen_report.exists) then
    priority = "high"
else if (sensor.anomaly_score > 0.6) then
    priority = "medium"
else
    priority = "low"
end
```

*توجه: بلوک `goat` فقط برای نمایش کد شبه‌نویسی استفاده شده است؛ پلتفرم واقعی از یک سازنده قوانین بصری بهره می‌برد.*

گردش‌کار به‌صورت خودکار یک **دستور کار** در سیستم اعزام ایجاد می‌کند، لاگ‌های حسگر، عکس‌های شهروند و بخش لوله‌کشی مرتبط با GIS را پیوست می‌کند.

---

## 4. تشخیص ناهنجاری مبتنی بر هوش مصنوعی

### 4.1 مدل‌سازی سری‌زمانی

یک شبکه **Long Short‑Term Memory (LSTM)** مقادیر فشار و جریان مورد انتظار را برای هر حسگر پیش‌بینی می‌کند. انحرافات فراتر از بازه اطمینان پویا یک **پرچم ناهنجاری** ایجاد می‌کند.

```mermaid
sequenceDiagram
    participant S as حسگر
    participant G as دروازه لبه‌ای
    participant F as AI Form Builder
    participant M as مدل LSTM
    participant D as مرکز اعزام

    S->>G: تلمتری خام
    G->>F: JSON نرمال‌شده
    F->>M: فراخوانی پیش‌بینی
    M-->>F: anomaly_score
    alt anomaly_score > threshold
        F->>D: ایجاد تیکت با اولویت بالا
    else
        F->>F: ذخیره برای تحلیل روند
    end
```

### 4.2 امتیازدهی ریسک بیزی

سیستم چند منبع شواهد (نقض حسگر، گزارش شهروند، سن لوله) را در یک **شبکه بیزی** ترکیب می‌کند تا احتمال واقعی نشت را محاسبه کند. این احتمال مستقیماً اولویت‌گذاری در گردش‌کار سازگار را هدایت می‌کند.

---

## 5. مزایای عملیاتی

| معیار | قبل از AI Form Builder | بعد از AI Form Builder |
|--------|------------------------|-----------------------|
| **زمان متوسط برای تشخیص** | ۴۸ ساعت | ۱۲ دقیقه |
| **نرخ مثبت‌های کاذب** | ۳۰ ٪ | ۵ ٪ |
| **کاهش هدررفت آب** | ۵ ٪ از کل حجم | ۱۲ ٪ از کل حجم |
| **کارایی اعزام** | ۱٫۸ ساعت به‌ازای هر تیکت | ۰٫۶ ساعت به‌ازای هر تیکت |
| **مشارکت شهروندان** | ۱ گزارش به‌ازای ۱۰ هزار نفر | ۱ گزارش به‌ازای ۲ هزار نفر |

سیستم سازگار نه تنها آب را ذخیره می‌کند، بلکه **برنامه‌ریزی نیروی کار** را بهینه می‌سازد، هزینه‌های اضافه‌کاری را کاهش می‌دهد و از طریق گزارش‌گیری شفاف و مشارکتی، اعتماد عمومی را تقویت می‌کند.

---

## 6. نقشه راه پیاده‌سازی

1. **فاز آزمایشی (۰‑۳ ماه)**
   - نصب ۵۰ حسگر فشار در یک ناحیه پرخطر.
   - پیکربندی فرم دریافت حسگر و مدل پایه LSTM.
   - راه‌اندازی اپلیکیشن موبایل شهروند با فرم ساده «گزارش نشت».

2. **آموزش و اعتبارسنجی مدل (۳‑۶ ماه)**
   - جمع‌آوری حوادث برچسب‌دار (نشت تأییدشده vs. هشدار کاذب).
   - بازآموزی مدل‌های LSTM و بیزی؛ تنظیم دقیق آستانه‌ها.
   - افزودن حسگرهای صوتی برای تشخیص چند‌مودالی.

3. **گسترش (۶‑۱۲ ماه)**
   - گسترش پوشش حسگر به بیش از ۵۰۰ گره در سطح شهر.
   - فعال‌سازی ایجاد خودکار دستورات کاری در سیستم GIS موجود.
   - یکپارچه‌سازی با سامانه صورتحساب آب برای اعطای اعتبار به مشتریان به‌دلیل کاهش هدررفت.

4. **بهبود مستمر (بعد از ۱۲ ماه)**
   - بهره‌گیری از **حلقه بازخورد**: هر تیکت بسته شده دیتاست آموزشی را به‌روز می‌کند.
   - افزودن پیشنهادات نگهداری پیش‌بینی‌شده (مثلاً تعویض لوله پیش از شکست).
   - باز کردن API برای توسعه‌دهندگان ثالث جهت ساخت داشبوردهای جامعه‌محور.

---

## 7. امنیت، حریم خصوصی و انطباق

- **رمزنگاری داده‌ها**: تمام بارهای حسگر و بارگذاری‌های شهروندی در مسیر (TLS 1.3) و در حالت استراحت (AES‑256) رمزنگاری می‌شوند.  
- **GDPR / CCPA**: شناسه‌های شخصی (عکس‌ها، GPS) فقط به‌مدت لازم برای حل حادثه نگهداری می‌شوند و سپس به‌صورت ناشناس در می‌آیند.  
- **کنترل دسترسی مبتنی بر نقش (RBAC)**: تکنسین‌های میدانی، مدیران مرکز اعزام و مقامات شهری هر کدام دسترسی‌های دقیق و محدود به AI Form Builder دارند.

---

## 8. گسترش‌های آینده

1. **تعویض پیش‌بین لوله** – ترکیب روندهای احتمال نشت با سن دارایی برای برنامه‌ریزی تعویض پیش‌گیرانه.  
2. **قیمت‌گذاری پویا** – ارائه تخفیف‌های نرخ به مشتریانی که در گزارش نشت مشارکت می‌کنند و به این ترتیب مراقبت جامعه را تشویق می‌کند.  
3. **یکپارچه‌سازی با شمارنده‌های هوشمند** – همبستگی جهش‌های مصرف خانگی با ناهنجاری‌های شبکه برای تشخیص محلی‌تری.  
4. **راهنمای تعمیرات تولیدشده توسط هوش مصنوعی** – پر کردن خودکار دستورالعمل‌های گام‌به‑گام تعمیر بر اساس نوع لوله و شدت نشت.

---

## 9. نتیجه‌گیری

با ترکیب **تلمتری زمان‌واقعی IoT**، **مدل‌های هوش مصنوعی سازگار** و **فرم‌های کم‌کد‑تقویت‑شده‑هوش مصنوعی**، شرکت‌های آب می‌توانند تشخیص نشت را از یک فرآیند واکنشی و پرهزینه به یک سرویس داده‑محور و پیش‌بین تبدیل کنند. موتور فرم AI Form Builder امکان تکرار سریع، مشارکت شهروندان و بهبود مستمر دقت تشخیص را فراهم می‌کند — در حالی که هزینه‌های پیاده‌سازی پایین و انطباق با مقررات حفظ می‌شود.

نتیجه یک **زیرساخت آب مقاوم‌تر**، **صرفه‌جویی قابل توجه در هزینه‌ها** و **شراکت قوی‌تر بین شهرداری‌ها و جوامعی که خدمت می‌کنند** است.

---

## مطالب مرتبط

- [پلتفرم‌های علم شهروندی برای زیرساخت‌های شهری – MIT OpenCourseWare](https://ocw.mit.edu)