DOI: https://doi.org/10.1038/s41598-026-42626-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41794981
تاريخ النشر: 2026-03-07
المؤلف: Tariq Ahamed Ahanger وآخرون
الموضوع الرئيسي: أنظمة المياه والتحسين
نظرة عامة
تقدم ورقة البحث إطار عمل مدعوم بتوأم رقمي (DT) للمراقبة والتنبؤ في الوقت الحقيقي في أنظمة إدارة مياه الصرف الصحي، مع معالجة الكفاءات التشغيلية التي يمكن أن تؤدي إلى تأخيرات في المعالجة، وأحمال هيدروليكية زائدة، وأحداث تلوث. يدمج الإطار استشعارًا ممكنًا عبر إنترنت الأشياء، ومحاكاة هيدروليكية باستخدام EPANET-MATLAB، وذكاء تنبؤي هجين يعتمد على نظام الاستدلال العصبي الضبابي التكيفي (ANFIS)، وكتلة سلسلة مشتركة لضمان مصداقية الحالة. تم تقييمه باستخدام مجموعتين كبيرتين من البيانات الواقعية من Kazhydromet ومرافق مياه الصرف الصحي البلدية، وأظهر الإطار توافقًا مستقرًا بين النظامين المادي والافتراضي مع أخطاء تزامن طفيفة وعدم انحراف تراكمي على مدى عمليات طويلة. كانت فترة تأخير مسار التحكم حوالي 9.51 ثانية للبيانات التشغيلية و11.01 ثانية للبيانات البيئية، مما يشير إلى استجابة قريبة من الوقت الحقيقي.
تفوق نموذج DT-ANFIS على المعايير الأساسية للتعلم الآلي العامة والمحاكيات المعتمدة على قواعد العمليات، محققًا دقة بنسبة 89.3%، وحساسية بنسبة 88.1%، ونوعية بنسبة 90.2%، ومقياس F بنسبة 88.7%، مع تحسينات ذات دلالة إحصائية (p < 0.05). أسفرت التقييمات التنبؤية عن معامل ارتباط بيرسون يصل إلى $r^2 = 0.89$، مما يدل على قدرات تنبؤية قوية. تم التحقق من متانة الإطار من خلال تحليل الاستقرار تحت ظروف اضطراب مختلفة، وسمح دمج محاكيات EPANET-MATLAB بتحليل شامل للسلوكيات الهيدروليكية تحت سيناريوهات الضغط. تختتم الدراسة بأن تحسينات الأداء تنبع من التكامل المعماري لنمذجة الهيدروليك والتزامن الثنائي الاتجاه، بدلاً من الأساليب المعتمدة على البيانات المعزولة.
مقدمة
تسلط المقدمة الضوء على التحديات الملحة التي تواجه أنظمة إدارة مياه الصرف الصحي التقليدية بسبب التحضر السريع، ونمو السكان، والتوسع الصناعي، مما أدى إلى زيادة تعقيد وحجم مياه الصرف الصحي. غالبًا ما تظهر هذه الأنظمة كفاءات منخفضة، بما في ذلك تأخيرات في المعالجة، واستهلاك طاقة مرتفع، وتسربات غير مكتشفة، واستجابات غير كافية لمعدلات التدفق المتغيرة. تفاقم نقص المراقبة في الوقت الحقيقي والتحكم الذكي هذه القضايا، مما يستلزم اعتماد تقنيات رقمية متقدمة.
لمعالجة هذه التحديات، يقترح البحث إطار عمل لتكنولوجيا التوأم الرقمي (DT) مدمج مع المنطق الضبابي لإدارة مياه الصرف الصحي الذكية. ينشئ هذا الإطار تمثيلات افتراضية في الوقت الحقيقي لشبكات مياه الصرف الصحي، مما يسهل المراقبة المستمرة، ومحاكاة الأداء، والتخطيط القائم على السيناريوهات. من خلال دمج المنطق الضبابي، يدير الإطار بشكل فعال عدم اليقين المرتبط بالمعلمات البيئية والتشغيلية، مما يمكّن من اتخاذ قرارات أكثر مرونة. بالإضافة إلى ذلك، يعزز استخدام الذكاء الاصطناعي (AI) التنبؤ وتحسين النظام، بينما تضمن تقنية البلوكشين شفافية البيانات وسلامتها في عمليات المراقبة والتقارير. يهدف الإطار المقترح إلى تحسين الكفاءة التشغيلية، وتحسين الموارد، والصيانة التنبؤية في أنظمة إدارة مياه الصرف الصحي.
الطرق
تحدد هذه القسم المحاكاة التجريبية لإطار عمل مدعوم بتوأم رقمي (DT) يهدف إلى تعزيز إدارة مياه الصرف الصحي الذكية في الهياكل الفنية المائية. يتكون هذا الإطار من ثلاث طبقات متكاملة تسهل المراقبة في الوقت الحقيقي، والتنبؤ، واتخاذ القرار لأنظمة مياه الصرف الصحي الحرجة. تستخدم الطبقة الأولى مستشعرات مدعومة بإنترنت الأشياء لجمع المعلمات التشغيلية والبيئية بشكل مستمر، بما في ذلك معدلات التدفق الداخل والخارج، ومستويات المياه في الخزانات، ودرجة الحموضة، والحمولة الكيميائية، ودرجة الحرارة، والظروف المحيطة. يتم نقل هذه البيانات بشكل آمن إلى بوابة محلية وتخزينها في مستودع متوافق مع اللوائح لضمان إمكانية تتبعها وموثوقيتها.
في طبقة السحابة، تخضع سجلات التشغيل التاريخية لاستخراج الأنماط لكشف العلاقات بين ظروف التدفق المتغيرة، وتأخيرات المعالجة، وأحداث الفشل، مما يُعلم استراتيجيات الصيانة التكيفية ويُحسن عمليات النظام. يتم استخدام نظام الاستدلال العصبي الضبابي التكيفي (ANFIS) للتنبؤ بسلوك مياه الصرف الصحي. يتم تقييم فعالية الإطار باستخدام عدة مقاييس أداء، لا سيما فترة التأخير إلى الرؤية ($\Delta t$)، التي تقيس إجمالي التأخير من التقاط البيانات إلى توليد رؤى قابلة للتنفيذ.
النتائج
تقدم قسم النتائج في ورقة البحث نتائج من دمج محاكيات EPANET-MATLAB الهيدروليكية ضمن إطار عمل توأم رقمي (DT)، يهدف إلى تعزيز الواقعية الفيزيائية للنموذج. تسهل المحاكاة الهيدروليكية تحليلًا كميًا لديناميات التدفق ومستويات المياه العقدية، مما يظهر أن DT يحافظ على الاستقرار عبر ظروف تشغيلية مختلفة. على وجه التحديد، تظل قيم الحالة المطلقة المتوسطة (MAS)، كما هو ملخص في الجدول 10، محصورة باستمرار تحت 0.55، مع انحرافات تتوافق مع الاضطرابات المعروفة مثل الزيادات في التدفق والأمطار. يشير هذا الاستقرار إلى توافق موثوق بين النظام المادي ونظيره الرقمي، مما يؤكد قابلية تطبيق DT للمراقبة في الوقت الحقيقي ودعم اتخاذ القرار التنبؤي.
بالإضافة إلى ذلك، تسلط نتائج الإزالة المقدمة في الجدول 12 الضوء على الدور الحاسم للتكامل المعماري في أداء النظام. يؤدي إزالة نموذج EPANET الهيدروليكي إلى تدهور كبير في توافق الحالة، مما يبرز ضرورة المحاكاة المدركة للعملية. علاوة على ذلك، يؤدي تعطيل التزامن الثنائي الاتجاه إلى زيادة الانحراف بين النظامين المادي والافتراضي، مما يعزز أهمية التصحيحات المعتمدة على المتبقيات. بينما لا تؤثر طبقة البلوكشين بشكل مباشر على دقة التنبؤ، إلا أنها ضرورية لضمان سلامة وقابلية تدقيق تطور حالة DT. بشكل عام، تؤكد النتائج أن الإطار المقترح يعمل بشكل متماسك كنظام DT، حيث يساهم كل مكون في متانته وموثوقيته التشغيلية.
المناقشة
تقدم البحث المقترح إطار عمل مدعوم بتوأم رقمي (DT) لإدارة مياه الصرف الصحي، مع التركيز على دقته التنبؤية وقابليته العملية. في قلب هذا الإطار توجد نظرية توافق حالة DT الزمنية، التي تزامن تدفقات مستشعرات إنترنت الأشياء المتنوعة والمتعددة المعدلات مع حالات DT الافتراضية، مما يضمن توافقًا ماديًا افتراضيًا ثابتًا. يدمج النموذج أربعة مكونات رئيسية: جمع البيانات في الوقت الحقيقي من المستشعرات، نموذج DT لتكرار سلوك النظام، نظام الاستدلال العصبي الضبابي التكيفي (ANFIS) للتحليلات التنبؤية، وتقنية البلوكشين لإدارة البيانات بشكل آمن. يعزز هذا النهج الشامل الكفاءة التشغيلية من خلال تمكين المراقبة المستمرة، واكتشاف الأخطاء، ومحاكاة السيناريوهات.
بشكل ملحوظ، يعالج الإطار الفجوات الموجودة في أبحاث DT لمياه الصرف الصحي، التي غالبًا ما تركز على المحاكاة الميكانيكية أو المراقبة المعزولة. من خلال تقديم آلية تزامن زمنية محددة رياضيًا، وطبقة ذكاء مدمجة تعتمد على ANFIS، وطبقة إدارة حالة مدعومة بالبلوكشين، يسهل النموذج دعم اتخاذ القرار التشغيلي في الوقت الحقيقي. يميز الهيكل المقترح نفسه من خلال نطاقه التشغيلي، وذكائه التكيفي، وإدارة الوعي بالثقة، متجاوزًا النماذج التقليدية التي تركز على المحاكاة إلى نموذج DT تشغيلي تنبؤي، متزامن، وآمن. تعتبر هذه التطورات ضرورية لتحسين أنظمة مياه الصرف الصحي وضمان إدارة موثوقة في بيئات معقدة.
DOI: https://doi.org/10.1038/s41598-026-42626-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41794981
Publication Date: 2026-03-07
Author(s): Tariq Ahamed Ahanger et al.
Primary Topic: Water Systems and Optimization
Overview
The research paper presents a Digital Twin (DT)-assisted framework for real-time monitoring and forecasting in wastewater management systems, addressing operational inefficiencies that can lead to treatment delays, hydraulic overloads, and contamination events. The framework integrates IoT-enabled sensing, EPANET-MATLAB hydraulic simulations, hybrid Adaptive Neuro-Fuzzy Inference System (ANFIS) predictive intelligence, and a consortium blockchain for secure state attestation. Evaluated using two extensive real-world datasets from Kazhydromet and municipal wastewater facilities, the framework demonstrated stable physical-virtual alignment with minimal synchronization errors and no cumulative drift over extended operations. The control-path latency was approximately 9.51 seconds for operational data and 11.01 seconds for environmental data, indicating near-real-time responsiveness.
The DT-ANFIS model outperformed generic machine learning baselines and process-rule-based simulators, achieving a precision of 89.3%, sensitivity of 88.1%, specificity of 90.2%, and an F-measure of 88.7%, with statistically significant improvements (p < 0.05). Predictive evaluations yielded a Pearson correlation coefficient of up to $r^2 = 0.89$, indicating strong forecasting capabilities. The framework's robustness was validated through stability analysis under various disturbance conditions, and the integration of EPANET-MATLAB simulations allowed for comprehensive analysis of hydraulic behaviors under stress scenarios. The study concludes that the performance enhancements stem from the architectural integration of hydraulic modeling and bidirectional synchronization, rather than from isolated data-driven approaches.
Introduction
The introduction highlights the pressing challenges faced by conventional wastewater management systems due to rapid urbanization, population growth, and industrial expansion, which have led to increased wastewater complexity and volume. These systems often exhibit inefficiencies, including treatment delays, high energy consumption, undetected leakages, and inadequate responses to fluctuating inflow rates. The lack of real-time monitoring and intelligent control further exacerbates these issues, necessitating the adoption of advanced digital technologies.
To address these challenges, the paper proposes a Digital Twin (DT) technology framework integrated with fuzzy logic for intelligent wastewater management. This framework creates real-time virtual representations of wastewater networks, facilitating continuous monitoring, performance simulation, and scenario-based planning. By incorporating fuzzy logic, the framework effectively manages uncertainties related to environmental and operational parameters, enabling more flexible decision-making. Additionally, the use of Artificial Intelligence (AI) enhances forecasting and system optimization, while blockchain technology ensures data transparency and integrity in monitoring and reporting processes. The proposed framework aims to improve operational efficiency, resource optimization, and predictive maintenance in wastewater management systems.
Methods
The section outlines the experimental simulation of a Digital Twin (DT)-enabled framework aimed at enhancing intelligent wastewater management in hydro technical structures. This framework consists of three integrated layers that facilitate real-time monitoring, predictive forecasting, and decision-making for critical wastewater systems. The first layer utilizes IoT-assisted sensors to continuously gather operational and environmental parameters, including inflow and outflow rates, reservoir water levels, pH, chemical load, temperature, and ambient conditions. These data are securely transmitted to a local edge gateway and stored in a regulatory-compliant repository to ensure traceability and reliability.
In the cloud layer, historical operational logs undergo pattern mining to uncover correlations between varying inflow conditions, treatment delays, and failure events, which inform adaptive maintenance strategies and optimize system operations. The Adaptive Neuro-Fuzzy Inference System (ANFIS) is employed for predictive forecasting of wastewater behavior. The framework’s effectiveness is evaluated using several performance metrics, notably the Latency-to-Insight ($\Delta t$), which measures the total delay from data capture to the generation of actionable insights.
Results
The results section of the research paper presents findings from the integration of EPANET-MATLAB hydraulic simulations within a digital twin (DT) framework, aimed at enhancing the physical realism of the model. The hydraulic simulation facilitates a quantitative analysis of flow dynamics and nodal water levels, demonstrating that the DT maintains stability across various operational conditions. Specifically, the mean absolute state (MAS) values, as summarized in Table 10, remain consistently bounded below 0.55, with deviations correlating to known disturbances such as inflow surges and rainfall. This stability indicates a reliable alignment between the physical system and its digital counterpart, affirming the DT’s applicability for real-time monitoring and predictive decision support.
Additionally, the ablation results presented in Table 12 highlight the critical role of architectural integration in the system’s performance. The removal of the EPANET hydraulic model leads to significant degradation in state alignment, emphasizing the necessity of process-aware simulation. Furthermore, disabling bidirectional synchronization results in increased physical-virtual drift, reinforcing the importance of residual-based corrections. While the blockchain layer does not directly affect predictive accuracy, it is essential for ensuring the integrity and auditability of the DT’s state evolution. Overall, the findings validate that the proposed framework operates cohesively as a DT system, with each component contributing to its robustness and operational reliability.
Discussion
The proposed research introduces a Digital Twin (DT)-assisted framework for wastewater management, emphasizing its predictive accuracy and practical applicability. Central to this framework is the Temporal DT State Alignment Theory, which synchronizes heterogeneous, multi-rate IoT sensor streams with virtual DT states, ensuring a consistent physical-virtual correspondence. The model integrates four key components: real-time data acquisition from sensors, a DT model for system behavior replication, an Adaptive Neuro-Fuzzy Inference System (ANFIS) for predictive analytics, and blockchain technology for secure data management. This comprehensive approach enhances operational efficiency by enabling continuous monitoring, fault detection, and scenario simulation.
Significantly, the framework addresses existing gaps in wastewater DT research, which often focus on mechanistic simulations or isolated monitoring. By introducing a mathematically defined temporal synchronization mechanism, an ANFIS-embedded intelligence layer, and a blockchain-assisted state management layer, the model facilitates real-time operational decision support. The proposed architecture distinguishes itself through its operational scope, adaptive intelligence, and trust-aware management, moving beyond traditional simulation-centric models to a predictive, synchronized, and secure operational DT. This advancement is crucial for optimizing wastewater systems and ensuring reliable management in complex environments.