Ứng dụng trí tuệ nhân tạo trong hệ thống cấp nước tại Việt Nam: Cơ hội và thách thức

Tóm tắt: Chiến lược quản lý tài nguyên nước hiệu quả đòi hỏi cách tiếp cận theo cả ba hướng: giám sát dữ liệu lịch sử, dự đoán xu hướng tương lai và thực hiện các biện pháp kiểm soát để quản lý rủi ro và đảm bảo tính bền vững. Với khả năng xử lý dữ liệu khổng lồ, phân tích, dự báo và đưa ra các quyết định thông minh, trí tuệ nhân tạo (AI) có tiềm năng to lớn trong việc cải thiện hệ thống cấp nước, nâng cao hiệu quả quản lý và sử dụng nguồn tài nguyên nước quý giá, đặc biệt là ở một quốc gia đang phát triển như Việt Nam. Bài viết giới thiệu tổng quan về các kỹ thuật AI phổ biến đã được thực hiện trong các tác vụ khác nhau và tiềm năng ứng dụng trong quản lý nguồn nước cấp tại Việt Nam, cũng như thảo luận về những thách thức và giải pháp để triển khai công nghệ này một cách hiệu quả.

1. Các kỹ thuật và thuật toán Trí tuệ nhân tạo phổ biến trong quản lý nguồn nước

Trí tuệ nhân tạo (AI) là một lĩnh vực của khoa học máy tính tập trung vào việc phát triển các hệ thống có khả năng thực hiện các nhiệm vụ thông thường đòi hỏi trí thông minh của con người, cho phép máy tính học hỏi từ kinh nghiệm, thích nghi với các đầu vào mới và thực hiện các nhiệm vụ giống như con người. Trong lĩnh vực quản lý nguồn nước, AI giúp kết hợp các lĩnh vực khác nhau như thủy văn, khí tượng, địa chất và môi trường vào một nền tảng duy nhất để giải quyết các vấn đề phức tạp như giám sát, dự báo và kiểm soát các sự kiện thủy văn theo các kỹ thuật học tập dữ liệu từ cơ bản đến nâng cao. Một số kỹ thuật phổ biến gồm có:

1. Kỹ thuật Học máy (Machine Learning - ML): Là quá trình máy tính tự động học hỏi từ dữ liệu bằng cách sử dụng các thuật toán thống kê. ML có thể được phân thành (i) Học có giám sát với dữ liệu đã được gán nhãn, sử dụng cho bài toán phân loại và hồi quy và (ii) Học không giám sát để tìm ra các mẫu trong dữ liệu không được gán nhãn. Đối với ML cổ điển, các kỹ thuật thường được nhắc đến là Máy vector hỗ trợ (SVM), Rừng ngẫu nhiên (Random Forest), Hồi quy Logistic, phân cụm K-means.

2. Kỹ thuật Học sâu (Deep Learning - DL): Là một dạng đặc biệt của ML, sử dụng mạng nơ-ron nhân tạo để trích xuất các đặc trưng và mẫu phức tạp từ dữ liệu lớn. DL đặc biệt hiệu quả khi xử lý dữ liệu không có cấu trúc như hình ảnh vệ tinh, dữ liệu cảm biến. Đối với kỹ thuật này, các thuật toán phổ biến có thể nhắc đến là Mạng nơ-ron nhân tạo (ANN), Mạng nơ-ron tích chập (CNN), Mạng trí nhớ ngắn-dài hạn (LSTM).

3. Kỹ thuật Học tăng cường (Reinforcement Learning - RL): cũng là một phân nhánh của ML, đặc biệt hữu ích trong các tình huống với bộ dữ liệu hạn chế. Đây kỹ thuật học tập trong đó một "tác nhân" học cách đưa ra quyết định thông qua tương tác với môi trường. RL đặc biệt hữu ích trong các bài toán ra quyết định động, như tối ưu hóa vận hành hồ chứa nước. Các thuật toán phổ biến Q-learning, Deep Q-Network (DQN).

Ngoài ra, Học máy trực tuyến (Online Machine Learning - OML) là kỹ thuật cập nhật mô hình học máy liên tục khi có dữ liệu mới, đặc biệt phù hợp với các hệ thống giám sát thời gian thực trong quản lý nước. Kỹ thuật này cho phép cải thiện liên tục các dự đoán, hành động và chiến lược với dữ liệu mới thu được, thúc đẩy sự thích ứng và tinh chỉnh theo thời gian để đáp ứng với điều kiện thay đổi và phát triển dữ liệu.

Lưu ý rằng ranh giới giữa các kỹ thuật học tập đôi khi mờ nhạt vì một thuật toán có thể thuộc nhiều danh mục (ví dụ: Auto-encoder vừa là DL vừa được dùng để giảm chiều dữ liệu trong ML không giám sát) và một số thuật toán có thể kết hợp các yếu tố từ nhiều loại. Mỗi thuật toán có thế mạnh riêng và phù hợp với những bài toán cụ thể trong quản lý hệ thống. Ví dụ, SVM và Random Forest thường được sử dụng để phân loại và dự báo, trong khi LSTM rất hiệu quả cho dự báo chuỗi thời gian như lưu lượng dòng chảy hay nhu cầu sử dụng nước. Một số thuật toán phức tạp có thể kết hợp nhiều kỹ thuật (ví dụ: một hệ thống học tăng cường có thể sử dụng mạng nơ-ron sâu để ước tính giá trị hoặc chính sách).

2. Tiềm năng ứng dụng AI trong hệ thống cấp nước tại Việt Nam

Trên thế giới, Trung Quốc, Hoa Kỳ và Ấn Độ là những quốc gia tiên phong trong việc áp dụng rộng rãi các kỹ thuật AI trong quản lý tài nguyên nước, dựa theo thống kê số lượng xuất bản về chủ đề này [1]. Việt Nam cũng đã đạt được nhiều thành tựu nổi bật khi hiện nằm trong số 30 nước dẫn đầu thế giới về nghiên cứu AI (theo Thundermark Capital) hay đứng thứ 59/193 quốc gia về "Chỉ số sẵn sàng AI của chính phủ" (theo Oxford Insights thực hiện năm 2023). Tháng 6/2024, Bộ Khoa học và Công nghệ cũng đã ban hành Quyết định số 1290/QĐ-BKHCN về việc hướng dẫn một số nguyên tắc về nghiên cứu, phát triển các hệ thống AI có trách nhiệm. Đây được xem là những điểm sáng cho việc áp dụng AI vào hệ thống cấp nước tại Việt Nam, vốn đang đối mặt với nhiều thách thức như ô nhiễm nguồn nước, thất thoát nước, quản lý nhu cầu sử dụng không hiệu quả và ảnh hưởng của biến đổi khí hậu.

2.1. Ứng dụng AI trong biện pháp kỹ thuật phía cung cấp nước

2.1.1. Phát hiện rò rỉ và bảo trì cơ sở hạ tầng

Các thuật toán như SVM, ANN và DL có thể phân tích dữ liệu từ cảm biến để phát hiện các điểm rò rỉ trong đường ống với độ chính xác cao, trong đó các mô hình lai với vectơ hỗ trợ được khuyến nghị do sự không nhất quán của ANN với một số quy luật của dòng chảy [2]. Mô hình ML như Gradient Boosting và Random Forest có thể dự đoán thời điểm đường ống có thể bị vỡ, giúp lập kế hoạch bảo trì chủ động. Thuật toán di truyền (GA) kết hợp với lý thuyết đồ thị có thể tối ưu hóa việc lập kế hoạch sửa chữa đường ống, tiết kiệm thời gian và chi phí.

2.1.2. Giám sát chất lượng nước

Tại các nhà máy nước ở Việt Nam, việc áp dụng các "cảm biến mềm" dựa trên AI có thể giúp giám sát các thông số chất lượng nước khó đo lường như E-coli và chất rắn lơ lửng với chi phí thấp hơn so với cảm biến vật lý truyền thống. Theo đó, các mô hình ANN có thể dự báo hàm lượng oxy hòa tan, nhu cầu oxy hóa học và sinh học, và các chỉ số chất lượng nước khác. Các thuật toán DL có thể phát hiện sớm các dấu hiệu ô nhiễm từ dữ liệu cảm biến và hình ảnh hoặc giúp tối ưu hóa liều lượng hóa chất trong xử lý nước, tiết kiệm chi phí và đảm bảo chất lượng. Dự đoán sử dụng logic mờ/hệ thống suy luận, SVM và các mô hình lai khác cũng được khuyến nghị cao [3]. Trong mô hình hóa chất lượng nước ngầm, các thuật toán ANN như mạng nơ-ron lan truyền ngược (BPANN), mạng nơ-ron truyền tiến (FFANN), perceptron đa lớp (MLP) và mạng nơ-ron Bayesian (BNN) thường được sử dụng [4].

2.1.3. Tối ưu hóa quy trình khử muối nước biển

Với đường bờ biển dài, Việt Nam có tiềm năng lớn trong việc sử dụng công nghệ khử muối nước biển để bổ sung nguồn nước ngọt, đặc biệt tại các vùng ven biển miền Trung và Nam Trung Bộ thường xuyên đối mặt với hạn hán. Các mô hình AI có thể phân tích và tối ưu hóa quy trình khử muối, giảm thiểu tiêu thụ năng lượng và chi phí vận hành hoặc phân tích hiệu suất dài hạn của hệ thống màng lọc, dự đoán nhu cầu bảo trì và tối ưu hóa lịch vệ sinh màng [5]. Ngoài ra, các mạng nơ-ron cảm xúc (Emotional ANN) được sử dụng để mô hình hóa quá trình lọc nano và thẩm thấu ngược, đánh giá biến động trong thông lượng nước và chất lượng nước đầu ra [6].

2.1.4. Hiệu chỉnh thông số và tối ưu hóa mô hình hệ thống

Vai trò của việc căn chỉnh các thông số đường ống (độ nhám, hệ số tổn thất cục bộ, đặc tính bơm, lưu lượng …) bằng AI trong hệ thống cấp nước tập trung vào việc nâng cao độ chính xác của các mô hình mô phỏng và dự đoán hành vi vật lý của hệ thống. Điều này có vai trò then chốt trong việc quản lý và tối ưu hóa hoạt động. Các kỹ thuật thông minh như logic mờ, ANN, neuro-fuzzy và GAs đang được sử dụng hiệu quả trong nhiều quá trình tối ưu hóa hệ thống [7] mà trong đó, toàn bộ quá trình mô phỏng mô hình và hiệu chỉnh có thể được tự động hóa thông qua các phương pháp tích hợp. Bên cạnh đó, AI tạo sinh (Generative AI) là một nhánh của trí tuệ nhân tạo có khả năng tạo ra nội dung, dữ liệu, hoặc mô hình mới dựa trên dữ liệu huấn luyện. Khác với các phương pháp AI truyền thống chỉ phân tích và dự đoán dựa trên dữ liệu có sẵn, AI tạo sinh có thể tạo ra các kịch bản vận hành mới, đề xuất cấu hình tối ưu, và mô phỏng các tình huống khác nhau để căn chỉnh thông số vận hành nhằm đạt được hiệu quả cao nhất. Mạng đối sinh (GANs - Generative Adversarial Networks) là một thuật toán phổ biến thuộc AI tạo sinh được ứng dụng hiệu quả trong tối ưu hóa mô hình hệ thống [8].

2.2. Ứng dụng AI trong quản lý nhu cầu sử dụng nước

2.2.1. Dự báo nhu cầu sử dụng

Dự báo chính xác nhu cầu sử dụng nước là yếu tố quan trọng để lập kế hoạch và phân bổ nguồn nước hiệu quả. Tại Việt Nam, với sự phát triển nhanh chóng của đô thị và công nghiệp, việc này càng trở nên cấp thiết. Việc triển khai việc áp dụng đồng hồ nước thông minh kết hợp với AI sẽ giúp hiểu rõ hơn về mẫu tiêu thụ nước của khách hàng, từ đó có chính sách phân bổ nước công bằng và bền vững hơn.

- Dự báo ngắn hạn: Các mô hình như LSTM, SVR, KNN, RFR, XRM, ARIMA, ANN, LSTM có thể dự báo nhu cầu sử dụng nước theo giờ hoặc theo ngày, giúp các nhà cung cấp nước tối ưu hóa áp lực nước và vận hành bơm [9].

- Dự báo dài hạn: Mô hình MLPNN (Multi-layer perceptron neural networks), GRNN, RBFNN có thể dự báo nhu cầu sử dụng nước theo quý hoặc năm, hỗ trợ lập kế hoạch phát triển cơ sở hạ tầng [10].

2.2.2. Quản lý hạn hán

Việt Nam thường xuyên phải đối mặt với hạn hán ở miền Trung và Đồng bằng sông Cửu Long. Phương pháp quản lý hạn hán về cơ bản bao gồm việc xác định các khu vực dễ bị hạn hán, tạo kịch bản, lượng hóa phản ứng thủy văn và đánh giá kịch bản. Các hướng nghiên cứu sử dụng các thuật toán AI lai để dự báo lấy cảm hứng từ tự nhiên xác suất [11]. Các mô hình như CNN kết hợp với GIS có thể tạo bản đồ dòng chảy nhanh chóng, dự báo mực nước và lưu lượng dòng chảy trong khi mạng nơ-ron WANN (Wavelet Artificial Neural Network) có thể đánh giá hạn hán, hỗ trợ quản lý nguồn nước ngầm kết hợp với dữ liệu vệ tinh. Thuật toán học tăng cường có thể tối ưu hóa lịch xả nước của hồ chứa, cân bằng giữa việc ngăn lũ và đảm bảo nguồn nước trong mùa khô.

2.2.3. Hệ thống hỗ trợ ra quyết định thông minh (Intelligent Decision Support System - DSS) và ra quyết định dựa trên mô hình (Model-based DSS)

Quản lý nguồn nước đòi hỏi sự cân nhắc nhiều yếu tố phức tạp. Tại Việt Nam, các hệ thống hỗ trợ ra quyết định dựa trên AI có thể được triển khai tại các cơ quan quản lý tài nguyên nước cấp quốc gia và địa phương, giúp nâng cao hiệu quả và minh bạch trong quản lý nguồn nước. Thông qua tích hợp dữ liệu từ nhiều nguồn như cảm biến, vệ tinh, dự báo thời tiết và dữ liệu lịch sử, AI có thể cung cấp bức tranh toàn diện, thực hiện mô phỏng và đánh giá các kịch bản khác nhau, giúp nhà quản lý hiểu rõ tác động của các quyết định. Trong một số trường hợp, AI có thể tự động hóa các quyết định thường xuyên, giúp con người tập trung vào các quyết định chiến lược [12].

3. Những thách thức khi áp dụng AI vào hệ thống cấp nước tại Việt Nam

3.1. Rào cản về mô hình

Mô hình AI thường phức tạp và khó hiểu, đòi hỏi kiến thức chuyên môn sâu về lập trình và khoa học dữ liệu. Với nhiều thuật toán AI khác nhau, việc lựa chọn mô hình phù hợp cho từng bài toán cụ thể là một thách thức. Bên cạnh đó, tính minh bạch của mô hình AI, đặc biệt là DL, cũng là thách thức lớn khi hoạt động như "hộp đen", khó giải thích cách đưa ra dự đoán hoặc quyết định. Cuối cùng, mọi dự đoán đều có độ không chắc chắn, và hiểu biết về điều này là cần thiết khi áp dụng AI trong các quyết định quan trọng.

3.2. Rào cản về dữ liệu

Các mô hình AI thường học tập trên dữ liệu lịch sử, do đó có thể gặp khó khăn khi đối mặt với các tình huống chưa từng xảy ra, như các hiện tượng cực đoan do biến đổi khí hậu hay các sự kiện vỡ ống khác nhau. Việc dữ liệu không chính xác hoặc thiên lệch hoàn toàn có thể dẫn đến các quyết định sai lầm, ví dụ như ưu tiên cải tạo hệ thống khu vực có nhiều nhà máy hơn là ở khu vực nông thôn. Ngoài ra, vấn đề bảo mật và quyền riêng tư dữ liệu cá nhân cũng được đặt ra cho việc sử dụng dữ liệu từ đồng hồ nước thông minh và cảm biến.

3.3. Rào cản về cơ sở hạ tầng hệ thống

Triển khai AI đòi hỏi đầu tư vào cơ sở hạ tầng công nghệ thông tin, cảm biến IoT và máy tính hiệu suất cao. Việc tích hợp AI vào hệ thống cấp nước hiện hữu cũng có thể rất phức tạp và tốn kém. Phương pháp có hệ thống để xác định ứng dụng AI nào sẽ mang lại giá trị lớn nhất cho hệ thống cấp nước còn thiếu.

3.4. Rào cản về con người

Tại Việt Nam, Chính phủ đã ban hành nhiều chính sách và chiến lược nhằm phát triển và ứng dụng AI, tiêu biểu là “Chiến lược quốc gia về nghiên cứu, phát triển và ứng dụng AI đến năm 2030” (theo Quyết định 127/QĐ-TTg tháng 01/2021). Mặc dù có lực lượng lao động công nghệ thông tin đang phát triển, nhưng nguồn nhân lực AI đạt chuẩn quốc tế vẫn đang thiếu hụt (thống kê trong năm 2024 cho thấy Việt Nam chỉ có khoảng 700 người làm việc chuyên sâu trong lĩnh vực AI và chỉ một nửa số này là chuyên gia). Khu vực vẫn đang thiếu chuyên gia vừa hiểu về AI vừa hiểu về kỹ thuật nước và nhiều nhân viên ngành nước chưa quen với công nghệ số, cần được đào tạo để sử dụng các hệ thống dựa trên AI. Các chính sách và quy định hỗ trợ việc áp dụng AI trong ngành nước cũng chưa được đầy đủ. Ngoài ra, cần quan tâm đến sự cân bằng giữa tự động hóa và giám sát của con người để đảm bảo việc áp dụng được an toàn và hiệu quả.

4. Đề xuất giải pháp để triển khai AI trong hệ thống cấp nước tại Việt Nam

Để vượt qua các thách thức và tận dụng tiềm năng của AI trong hệ thống cấp nước, Việt Nam cần có chiến lược toàn diện bao gồm:

4.1. Xây dựng năng lực và đào tạo

Phát triển các chương trình đào tạo kết hợp giữa kỹ thuật nước và AI tại các trường đại học và cao đẳng, đồng thời hợp tác với các tổ chức quốc tế và trường đại học nước ngoài để chuyển giao kiến thức và công nghệ. Khuyến khích sử dụng các nền tảng AutoML (Automated Machine Learning) để giúp chuyên gia ngành nước có thể áp dụng AI mà không cần kỹ năng lập trình phức tạp. Xây dựng kho dữ liệu mở về tài nguyên nước để thúc đẩy nghiên cứu và phát triển các giải pháp AI.

4.2. Phát triển cơ sở hạ tầng dữ liệu

Đầu tư và triển khai mạng lưới cảm biến và đồng hồ nước thông minh để thu thập dữ liệu thời gian thực về chất lượng nước, áp suất, lưu lượng. Sự phối hợp giữa IoT và AI, thường được gọi là AIoT (Artificial Intelligence of Things), sẽ tạo ra một sức mạnh to lớn cho phép các hệ thống hiểu và hành động dựa trên dữ liệu thu thập một cách thông minh. Ngoài ra, cần lưu ý tiêu chuẩn hóa dữ liệu để đảm bảo tính nhất quán và khả năng tương tác của dữ liệu từ nhiều nguồn khác nhau.

4.3. Triển khai phương pháp tiếp cận từng bước

Việc triển khai AI nên bắt đầu ở quy mô nhỏ với các dự án thí điểm để chứng minh giá trị và học hỏi kinh nghiệm. Cần ưu tiên các ứng dụng AI có tiềm năng mang lại lợi ích lớn nhất, như phát hiện rò rỉ và dự báo nhu cầu sử dụng nước. Quá trình thực hiện cũng cần thường xuyên đánh giá hiệu quả của các giải pháp AI và điều chỉnh khi cần thiết.

4.4. Xây dựng khung pháp lý và chính sách hỗ trợ

Theo kế hoạch, dự thảo Luật Cấp, Thoát nước sẽ được trình Quốc hội thông qua tại kỳ họp tháng 10/2025 nhằm tạo hành lang pháp lý cho ngành cấp nước hoạt động và phát triển thuận lợi. Trong điều kiện phát triển không ngừng của công nghệ AI hiện tại, nội dung dự thảo cần có các chính sách khuyến khích đổi mới và áp dụng AI trong ngành Nước, xây dựng khung pháp lý rõ ràng về quyền sở hữu dữ liệu, quyền riêng tư và bảo mật cũng như phát triển các tiêu chuẩn đạo đức cho việc sử dụng AI trong quản lý nguồn nước để đảm bảo công bằng và minh bạch.

5. Tương lai của AI trong hệ thống cấp nước tại Việt Nam

Việt Nam đang tăng cường tốc độ số hóa nhằm hướng tới mạng lưới nước thông minh tích hợp công nghệ thông tin và truyền thông cho phép giám sát từ xa liên tục, kiểm soát và tối ưu hóa hoạt động của hệ thống phân phối nước theo thời gian thực. Điều này không những giúp giảm tỷ lệ thất thoát nước, tối ưu hóa tiêu thụ năng lượng mà còn giúp phát hiện sớm các vấn đề về chất lượng nước và Tăng cường khả năng phục hồi của hệ thống sau sự cố. Trong tương lai, AI kết hợp với các công nghệ mới nổi khác có thể mang lại những thay đổi đột phá cho hệ thống cấp nước tại Việt Nam:

- Thực tế ảo tăng cường (AR) và thực tế ảo (VR): Giúp trực quan hóa dữ liệu nhanh chóng, hỗ trợ bảo trì và đào tạo.

- Blockchain: Ghi lại dữ liệu nước trên nhiều máy tính theo một chuỗi các khối không thể thay đổi hoặc giả mạo, từ đó nâng cao tính minh bạch và bảo mật trong quản lý dữ liệu về nước, hỗ trợ các giao dịch, thanh toán nước và hợp đồng thông minh.

- Digital Twins (Bản sao số): Tạo mô hình kỹ thuật số của hệ thống cấp nước bằng cách tích hợp dữ liệu từ nhiều nguồn khác nhau như cảm biến IoT, hệ thống SCADA, dữ liệu địa lý GIS, mô hình thủy lực và các hệ thống thông tin khác. Bản sao số này liên tục được cập nhật với dữ liệu thời gian thực để mô phỏng và tối ưu hóa vận hành.

- Tính toán lượng tử: đây là một lĩnh vực mới nổi của khoa học máy tính, khai thác các nguyên tắc của cơ học lượng tử như chồng chập (cho phép lưu trữ và xử lý lượng thông tin lớn hơn) và ràng buộc (cho phép thực hiện các phép tính song song mạnh mẽ) để thực hiện các phép tính theo những cách mà máy tính cổ điển không thể, từ đó cách mạng hóa việc giải quyết các bài toán tối ưu phức tạp trong quản lý nước, đặc biệt là định tuyến hiệu quả của mạng lưới phân phối nước.

- AI có thể giải thích (Explainable AI - XAI): việc hiểu rõ lý do đằng sau các quyết định của AI là rất cần thiết. AI có thể giải thích (XAI) giúp tăng cường niềm tin vào các dự đoán của AI và giúp người không chuyên hiểu được hệ thống

6. Kết luận và khuyến nghị

Việc tích hợp AI trong các ứng dụng quản lý nước không phải là một sự phát triển gần đây và danh sách các thuật toán trong bài báo này cũng không thể đầy đủ tuyệt đối vì lĩnh vực AI và học máy liên tục phát triển với các thuật toán và biến thể mới. Do đó, điều quan trọng là phải điều tra những gì đã được thực hiện với các kỹ thuật AI khác nhau và xác định các xu hướng nghiên cứu để dẫn đầu. Quản lý nước hiệu quả dựa vào việc chọn mô hình AI thích hợp, phù hợp với nhiệm vụ cụ thể và đặc điểm dữ liệu. Các thuật toán ML có giám sát cổ điển như SVM, DT, RF và LR được công nhận cho các ứng dụng của chúng trong nhiệm vụ hồi quy và phân loại dữ liệu như giám sát cung cấp nước, phân tích dữ liệu lịch sử và dự đoán phía nhu cầu. Đối với các nhiệm vụ với dữ liệu không được gắn nhãn, học không giám sát sử dụng phân cụm K-means và thuật toán Apriori giúp nhóm dữ liệu và xác định các tính năng quan trọng. CNNs thành thạo trong việc phân tích dữ liệu không gian như hình ảnh vệ tinh để cải thiện dự đoán thủy văn, trong khi LSTMs xử lý hiệu quả dữ liệu chuỗi thời gian lớn cho dự đoán dòng chảy và nhu cầu nước. Các thuật toán RL như Q-learning và DQN cho thấy tiềm năng trong việc ra quyết định động như tối ưu hóa lịch trình xả nước cho quản lý hồ chứa và hoạt động bơm trong hệ thống phân phối nước. Cuối cùng, OML có thể được áp dụng để cải thiện liên tục các dự đoán, hành động và chiến lược tận dụng dữ liệu thời gian thực. XAI giúp cải thiện khả năng giải thích mô hình.

Các khuyến nghị sau có thể được nhận thấy để mở rộng việc quản lý cấp nước hỗ trợ bởi AI:

1. Truy cập dữ liệu mở, nền tảng AutoML không cần mã, và việc áp dụng cơ sở hạ tầng tiên tiến sẽ thúc đẩy nhanh việc áp dụng AI. Do đó, việc tăng đầu tư vốn để cải thiện hệ thống và kỹ năng thông qua đào tạo cho các chuyên gia dữ liệu và các bên liên quan trong việc ra quyết định về các hệ thống được hỗ trợ bởi AI là rất quan trọng.

2. Cần có nỗ lực nghiên cứu đáng kể để phát triển và áp dụng các thuật toán học tập lấy cảm hứng từ sinh học để cải thiện sự hiểu biết về quy trình nước và nâng cao hiệu suất hệ thống. Các thuật toán này cần có sự áp dụng rộng rãi hơn trong lĩnh vực nước.

Lời cảm ơn: Nghiên cứu được tài trợ bởi Đại học Quốc gia Thành phố Hồ Chí Minh (ĐHQG-HCM) trong khuôn khổ Đề tài mã số: ĐA2024-20-01

Tài liệu tham khảo

[1] Jayakumar, D.; Bouhoula, A.; Al-Zubari,W.K. Unlocking the Potential of Artificial Intelligence for SustainableWater Management Focusing Operational Applications.Water 2024, 16, 3328.

[2] Thikra, D.; Emad E.; Hector M. N., José F. G. D. Water pipe failure prediction and risk models: state-of-the-art review. Canadian Journal of Civil Engineering, 2020, 47(10): 1117-1127.

[3] Tung, T.M.; Yaseen, Z.M. A Survey on RiverWater Quality Modelling Using Artificial Intelligence Models: 2000–2020. J. Hydrol. 2020, 585, 124670.

[4] Haggerty, R.; Sun, J.; Yu, H.; Li, Y. Application of Machine Learning in Groundwater Quality

Modeling—A Comprehensive Review. Water Res. 2023, 233, 119745.

[5] Ray, S.S.; Verma, R.K.; Singh, A.; Ganesapillai, M.; Kwon, Y.-N. A Holistic Review on How Artificial Intelligence Has Redefined Water Treatment and Seawater Desalination Processes. Desalination 2023, 546, 116221.

[6] Abba, S.I.; Benaafi, M.; Aljundi, I.H. Intelligent Process Optimisation Based on Cutting-Edge

Emotional Learning for Performance Evaluation of NF/RO of Seawater Desalination Plant. Desalination 2023, 550, 116376.

[7] Swarnkar, A.; Swarnkar, A. Artificial Intelligence Based Optimization Techniques: A Review. In Intelligent Computing Techniques for Smart Energy Systems (Proceedings ICTSES 2018); Springer: Berlin/Heidelberg, Germany, 2019; pp. 95–103.

[8] Koochali, Al.; Ebrahim, B. A.; Habermehl, R. ; Bakhshizadeh, M.; Dittmer, U.; Haghighi, A.; Ahmed, S.; Dengel, A. Generative Adversarial Networks in Urban Water Management: A Review of Potentials, Theory and a Tailor-Made Application in Combined Sewerprediction, 2023.

[9] Kavya, M.; Mathew, A.; Shekar, P.R.; Sarwesh, P. Short Term Water Demand Forecast Modelling Using Artificial Intelligence for SmartWater Management. Sustain. Cities Soc. 2023, 95, 104610.

[10] Sakaa, B.; Chaffai, H.; Hani, A. ANNs Approach to IdentifyWater Demand Drivers for Saf-Saf River Basin. J. Appl. Water Eng. Res. 2020, 8, 44–54.

[11] Tao, H.; Abba, S.I.; Al-Areeq, A.M.; Tangang, F.; Samantaray, S.; Sahoo, A.; Siqueira, H.V.; Maroufpoor, S.; Demir, V.; Bokde, N.D.; et al. Hybridized Artificial Intelligence Models with Nature-Inspired Algorithms for River Flow Modeling: A Comprehensive Review, Assessment, and Possible Future Research Directions. Eng. Appl. Artif. Intell. 2024, 129, 107559.

[12] Xu, J.; Wang, H.; Rao, J.; Wang, J. Zone Scheduling Optimization of Pumps in Water Distribution Networks with Deep Reinforcement Learning and Knowledge-Assisted Learning. Soft Comput. 2021, 25, 14757–14767.

Tác giả: Hồ Tuấn Đức a,b,*

^{a Trung tâm Nghiên cứu về nước khu vực châu Á (CARE), Trường Đại học Bách khoa Thành phố Hồ Chí Minh (HCMUT).}

^{b Đại học Quốc gia Thành phố Hồ Chí Minh.}

^{* hotuanduc@hcmut.edu.vn}