از «تعمیر پس از خرابی» تا «نگهداشت پیش بینانه و هوشمند»: چگونه هوش مصنوعی می تواند منطق مدیریت زیرساخت های شهری را تغییر دهد؟
از «تعمیر پس از خرابی» تا «نگهداشت پیش بینانه و هوشمند»: چگونه هوش مصنوعی می تواند منطق مدیریت زیرساخت های شهری را تغییر دهد؟
مقدمه: شهرها نباید منتظر خرابی زیرساخت بمانند
یکی از مسائل کمتر دیده شده اما بسیار مهم در مدیریت شهری، فاصله میان زمان واقعی فرسودگی زیرساخت و زمان شناسایی آن توسط نظام مدیریت شهری است. بسیاری از شبکه های آب رسانی، خطوط حمل ونقل، معابر، تاسیسات انرژی و تجهیزات عمومی زمانی وارد چرخه تعمیر می شوند که نشانه های خرابی آشکار شده اند یا اختلال در ارائه خدمات به وجود آمده است. این رویکرد واکنشی، علاوه بر تحمیل هزینه های تعمیر، می تواند به توقف خدمات، افزایش آسیب پذیری شهری و توزیع نابرابر مخاطرات میان محله ها منجر شود.
اما اگر شهر بتواند پیش از وقوع خرابی، نشانه های فرسودگی را شناسایی کند، احتمال اختلال را برآورد کند و منابع نگهداشت را پیش از بحرانی شدن وضعیت تخصیص دهد، چه تغییری در مدیریت شهری رخ خواهد داد؟
این پرسش، زمینه ساز گذار از نگهداشت واکنشی (Reactive Maintenance) به نگهداشت پیش بینانه (Predictive Maintenance) است؛ گذاری که با ترکیب هوش مصنوعی، داده های مکانی، حسگرها و اطلاعات عملیاتی می تواند منطق مدیریت زیرساخت های شهری را متحول کند.
یک مرور پژوهشی منتشرشده در سال ۲۰۲۶ درباره مدیریت چرخه عمر سامانه های هوش مصنوعی در زیرساخت های شهری نشان می دهد که ارزیابی دقت مدل در زمان استقرار کافی نیست؛ زیرا فرسودگی حسگرها، تغییر شرایط محیطی، افزایش سن تجهیزات و تغییر الگوهای بهره برداری می توانند عملکرد مدل را در طول زمان تضعیف کنند. بنابراین، مسئله فقط پیش بینی خرابی نیست؛ بلکه ایجاد سامانه ای است که پیش بینی های خود را به طور مستمر ارزیابی کند و بتواند در چارچوبی پاسخگو به تصمیم های عملیاتی پیوند دهد.
۱. چرا الگوی سنتی نگهداشت دیگر کافی نیست؟
در الگوی سنتی، بسیاری از تصمیم های نگهداشت بر اساس تقویم تعمیرات، گزارش های میدانی، تجربه کارشناسان یا وقوع خرابی اتخاذ می شوند. این روش ها همچنان ضروری اند، اما به تنهایی نمی توانند پیچیدگی و مقیاس شبکه های زیرساختی شهرهای معاصر را به طور کامل پوشش دهند.
سه محدودیت اساسی در این رویکرد وجود دارد.
نخست، محدودیت اطلاعاتی؛ مدیران شهری ممکن است تصویر دقیقی از وضعیت لحظه ای همه اجزای شبکه در اختیار نداشته باشند. دوم، محدودیت زمانی؛ نشانه های اولیه خرابی ممکن است مدت ها پیش از بروز اختلال ظاهر شوند، اما در میان حجم انبوه داده ها شناسایی نشوند. سوم، محدودیت تخصیص منابع؛ بودجه، نیروی انسانی و تجهیزات تعمیراتی محدودند و نمی توان همه دارایی های شهری را هم زمان و با شدت یکسان نگهداشت کرد.
در چنین شرایطی، مسئله مدیریت شهری صرفا تعمیر زیرساخت نیست؛ بلکه تعیین این است که کدام دارایی، در چه زمانی، با چه سطحی از اولویت و با چه پیامد احتمالی برای شهروندان باید مورد مداخله قرار گیرد.
این همان نقطه ای است که هوش مصنوعی می تواند از یک ابزار تحلیل داده به ابزاری برای پشتیبانی از تصمیم های عملیاتی تبدیل شود.
۲. از نگهداشت پیشگیرانه تا نگهداشت پیش بینانه
تمایز میان نگهداشت پیشگیرانه و پیش بینانه برای مدیریت شهری اهمیت زیادی دارد.
- نگهداشت واکنشی: اقدام پس از خرابی یا اختلال.
- نگهداشت پیشگیرانه: اقدام در فواصل زمانی از پیش تعیین شده، با هدف کاهش احتمال خرابی.
- نگهداشت پیش بینانه: استفاده از داده ها و مدل ها برای برآورد وضعیت آینده دارایی و زمان یا احتمال نیاز به مداخله.
- نگهداشت تطبیقی و هوشمند: بازنگری مستمر در پیش بینی ها و اولویت های تعمیراتی بر اساس وضعیت واقعی، شرایط محیطی، پیامدهای اختلال و نتایج مداخلات قبلی.
در این چارچوب، هوش مصنوعی می تواند داده های مربوط به سن تجهیزات، سوابق تعمیرات، فشار شبکه، شرایط آب وهوایی، حجم ترافیک، تصاویر میدانی و گزارش های خرابی را تحلیل کند تا نشانه های افزایش خطر شناسایی شوند.
برای نمونه، یک مدل می تواند احتمال خرابی بخشی از شبکه آب رسانی را افزایش یافته تشخیص دهد؛ اما این خروجی به تنهایی نباید دستور قطعی حفاری یا تعویض لوله تلقی شود. اطلاعات باید با بازرسی میدانی، هزینه مداخله، اهمیت شبکه و پیامدهای احتمالی خرابی ترکیب شود.
بنابراین، پیش بینی هوشمند زمانی ارزش مدیریتی پیدا می کند که به تصمیمی معتبر، قابل اجرا و قابل ارزیابی منجر شود.
۳. زیرساخت شهری به مثابه یک سامانه یادگیرنده
یکی از تغییرات مهم در این رویکرد، تغییر نگاه به زیرساخت است. در الگوی سنتی، زیرساخت عمدتا مجموعه ای از دارایی های فیزیکی تلقی می شود که باید در طول عمر مفید خود تعمیر و نگهداری شوند. اما در رویکرد داده محور، زیرساخت می تواند به بخشی از یک سامانه یادگیرنده و پاسخ گو به تغییرات محیطی تبدیل شود.
این تحول دست کم در چهار حوزه کاربرد دارد:
شبکه های آب و فاضلاب: تحلیل تغییرات فشار، جریان و نشانه های نشت برای شناسایی زودهنگام اختلالات احتمالی.
شبکه حمل ونقل: ترکیب داده های ترافیکی، شرایط جوی و سوابق تعمیرات برای پیش بینی فرسودگی روسازی و اختلال در خطوط ریلی.
زیرساخت انرژی: تشخیص الگوهای غیرعادی مصرف و عملکرد تجهیزات برای کاهش احتمال خرابی و بهبود تداوم خدمات.
ساختمان ها و تاسیسات عمومی: پایش وضعیت تجهیزات و پیش بینی زمان مناسب تعمیر، جایگزینی یا بازسازی.
پژوهشی در سال ۲۰۲۶ درباره مدیریت روسازی های شهری سازگار با تغییرات اقلیمی، چارچوبی مبتنی بر یادگیری ماشین و ارائه تصمیم به عنوان خدمت (Decision-as-a-Service) معرفی کرده است که پیش بینی وضعیت روسازی را به تصمیم های نگهداشت و ارزیابی عملکرد محیطی و اقتصادی مرتبط می کند. این رویکرد نشان می دهد که ارزش AI فقط در تشخیص وضعیت نیست؛ بلکه در اتصال اطلاعات پیش بینی شده به انتخاب و اجرای مداخله مناسب نیز قرار دارد.
۴. از پیش بینی خرابی تا اولویت بندی عادلانه سرمایه گذاری شهری
بااین حال، یکی از مهم ترین پرسش ها در مدیریت زیرساخت این است که آیا بیشترین احتمال خرابی باید همواره به معنای بالاترین اولویت مداخله باشد؟
پاسخ منفی است.
فرض کنیم دو محله با مشکلات زیرساختی متفاوت مواجه اند. در محله نخست، احتمال خرابی یک خیابان بیشتر است، اما مسیرهای جایگزین متعددی وجود دارند. در محله دوم، احتمال خرابی اندکی پایین تر است، اما همان مسیر تنها دسترسی ساکنان به درمانگاه، مدرسه یا شبکه اصلی حمل ونقل را فراهم می کند.
اگر سامانه هوش مصنوعی صرفا احتمال خرابی یا هزینه تعمیر را بهینه کند، ممکن است اولویت بندی آن از منظر عدالت فضایی مناسب نباشد.
ازاین رو، پیشنهاد می شود تصمیم گیری درباره نگهداشت زیرساخت های شهری بر پایه ترکیبی از پنج مولفه انجام شود:
- احتمال خرابی: احتمال وقوع اختلال در بازه زمانی مشخص.
- شدت پیامد: میزان خسارت اقتصادی، محیطی و عملکردی ناشی از خرابی.
- اهمیت شبکه: نقش زیرساخت در استمرار خدمات حیاتی شهر.
- آسیب پذیری اجتماعی: میزان وابستگی گروه های مختلف جمعیتی به زیرساخت موردنظر و توان آنها برای مقابله با اختلال.
- هزینه و اثربخشی مداخله: هزینه تعمیر یا جایگزینی در مقایسه با خسارت مورد انتظار و منافع اجتماعی آن.
در نتیجه، یک قاعده مهم برای مدیریت شهری شکل می گیرد:
اولویت نگهداشت نباید فقط تابع احتمال خرابی باشد؛ بلکه باید برآیند احتمال خرابی، پیامد اختلال، آسیب پذیری اجتماعی و اهمیت عملکردی زیرساخت باشد.
این تغییر، نگهداشت پیش بینانه را از یک ابزار فنی به بخشی از سیاست گذاری فضایی و تخصیص عادلانه منابع شهری تبدیل می کند.
۵. چارچوب پیشنهادی: از زیرساخت واکنشی تا زیرساخت خودسازگار
بر مبنای تحولات اخیر در هوش مصنوعی و مدیریت زیرساخت، می توان چارچوب مفهومی زیر را برای برنامه ریزی و مدیریت شهری پیشنهاد کرد. این چارچوب، یک پیشنهاد تحلیلی برای توسعه پژوهش است، نه یک استاندارد تثبیت شده.
لایه اول: زیرساخت فیزیکی
شبکه آب، حمل ونقل، انرژی، معابر و تاسیسات شهری
لایه دوم: پایش و یکپارچه سازی داده
حسگرها، سوابق تعمیرات، GIS، داده های اقلیمی و گزارش های میدانی
لایه سوم: تحلیل پیش بینانه
تشخیص ناهنجاری، برآورد احتمال خرابی و پیش بینی روند فرسودگی
لایه چهارم: تصمیم گیری و اولویت بندی
ترکیب ریسک، هزینه، اهمیت شبکه، عدالت فضایی و محدودیت بودجه
لایه پنجم: مداخله و یادگیری
تعمیر، ارزیابی نتیجه، ثبت بازخورد و اصلاح مدل
اصل حاکم بر تمام لایه ها: نظارت انسانی، پاسخگویی نهادی، امنیت داده و ارزیابی مستمر عملکرد
در این مدل، حلقه بازخورد اهمیت ویژه ای دارد. پس از هر مداخله باید مشخص شود که آیا خرابی پیش بینی شده رخ داده است، آیا تعمیر انجام شده موثر بوده و آیا مدل همچنان با شرایط واقعی زیرساخت سازگار است.
مطالعه مروری Almaleh (2026) نیز بر اهمیت پایش مستمر، مدیریت تغییرات مدل، کنترل به روزرسانی ها و تعیین معیارهای پایان عمر سامانه های AI تاکید می کند. این یافته، ضرورت عبور از ارزیابی مقطعی الگوریتم ها به مدیریت چرخه عمر آنها را برجسته می سازد.
۶. چالش های اجرایی: چرا AI به تنهایی مسئله را حل نمی کند؟
اجرای این رویکرد با موانعی مواجه است که نادیده گرفتن آنها می تواند به شکست پروژه های هوشمندسازی منجر شود.
نخست، پراکندگی داده ها. اطلاعات زیرساختی اغلب میان سازمان های مختلف توزیع شده و از نظر قالب، کیفیت و تناوب به روزرسانی یکپارچه نیستند.
دوم، تغییرپذیری محیط. الگویی که در یک دوره زمانی یا یک محله عملکرد مناسبی دارد، ممکن است در شرایط اقلیمی یا عملیاتی متفاوت قابل اعتماد نباشد.
سوم، فاصله میان پیش بینی و اجرا. شناسایی احتمال خرابی زمانی موثر است که سازمان مربوطه اختیار، بودجه و ظرفیت عملیاتی لازم برای مداخله داشته باشد.
چهارم، مسئولیت پذیری. اگر مدل یک زیرساخت را کم خطر ارزیابی کند اما اختلالی جدی رخ دهد، باید امکان بررسی علت، ارزیابی تصمیم و تعیین مسئولیت نهادی وجود داشته باشد.
پنجم، عدالت در تخصیص منابع. اگر داده های تاریخی، کمبودهای گذشته یک محله را بازتاب دهند، مدل ممکن است ناخواسته همان الگوی کم توجهی را در تخصیص منابع آینده بازتولید کند.
بنابراین، استقرار موفق نگهداشت هوشمند به ترکیبی از توان فنی، اصلاح فرایندهای سازمانی، مدیریت داده، تخصص انسانی و قواعد روشن پاسخگویی نیاز دارد.
۷. پیامدها برای مدیریت شهری و برنامه ریزی فضایی
این تحول می تواند سه تغییر مهم در نظام مدیریت شهری ایجاد کند.
نخست، برنامه نگهداشت از یک برنامه عمدتا تقویمی به برنامه ای مبتنی بر وضعیت واقعی دارایی و ریسک آینده نزدیک می شود.
دوم، تخصیص بودجه زیرساختی می تواند از اولویت بندی صرفا فنی فراتر رود و پیامدهای اجتماعی و فضایی اختلال را نیز در نظر بگیرد.
سوم، ارزیابی عملکرد شهرداری ها می تواند علاوه بر تعداد تعمیرات انجام شده، شاخص هایی مانند کاهش زمان اختلال، افزایش قابلیت اطمینان خدمات، کاهش هزینه چرخه عمر و بهبود دسترسی محله های آسیب پذیر را در بر گیرد.
در این شرایط، نقش برنامه ریز شهری نیز تغییر می کند. برنامه ریز باید بتواند یافته های مدل های پیش بینی را به تصمیم های فضایی، بودجه ای و سیاستی ترجمه کند؛ به گونه ای که دقت فنی با منافع عمومی و عدالت شهری پیوند بخورد.
نتیجه گیری
آینده مدیریت زیرساخت های شهری صرفا به ساخت تجهیزات جدید یا توسعه سامانه های هوشمند وابسته نیست. بخش مهمی از این آینده به توانایی شهر در حفظ، نگهداشت و استفاده موثر از دارایی هایی بستگی دارد که زندگی روزمره شهروندان به آنها وابسته است.
هوش مصنوعی می تواند با شناسایی نشانه های اولیه فرسودگی، پیش بینی اختلال و پشتیبانی از اولویت بندی مداخلات، به مدیریت شهری کمک کند از چرخه تعمیر پس از خرابی فاصله بگیرد. بااین حال، پیش بینی دقیق به تنهایی تضمین کننده تصمیم مناسب نیست. داده های قابل اعتماد، ارزیابی مستمر مدل، ظرفیت اجرایی، نظارت انسانی و توجه به پیامدهای اجتماعی باید در کنار یکدیگر قرار گیرند.
از این منظر، مفهوم «زیرساخت شهری خودسازگار» (Self-Adaptive Urban Infrastructure) می تواند افق تازه ای برای پژوهش و سیاست گذاری ایجاد کند؛ زیرساختی که صرفا هوشمند نیست، بلکه وضعیت خود را پایش می کند، تغییرات را می آموزد، نیازهای نگهداشت را پیش بینی می کند و در چارچوب قواعد پاسخگو به تصمیم های اصلاحی پیوند می خورد.
در نهایت، هدف مدیریت هوشمند زیرساخت نباید صرفا کاهش هزینه تعمیرات باشد. هدف اصلی باید افزایش قابلیت اطمینان خدمات شهری، کاهش آسیب پذیری و توزیع عادلانه تر منافع نگهداشت میان شهروندان و محله ها باشد.
شهر هوشمند آینده فقط شهری نیست که خرابی را سریع تر تشخیص می دهد؛ شهری است که پیش از تبدیل شدن خرابی به بحران، برای آن آماده می شود.
منابع
Almaleh, A. (2026). A survey of lifecycle management for artificial intelligence systems in urban infrastructure across long-term operations. Applied Sciences, 16(14), 7303. https://doi.org/10.3390/app16147303
Digital service innovation for climate-resilient urban pavements: Decision-as-a-service linking UHI-aware ML to environmental–economic performance. (2026). Journal of Environmental Management, 411, 130121. https://doi.org/10.1016/j.jenvman.2026.130121
