مهندسین مشاور طرح و تحقیقات آب و فاضلاب اصفهان مجله آب و فاضلاب 1024-5936 36 3 2025 08 23 Optimization of Mobile Emergency Team Deployment in Water Crises Using Neural Networks (Case Study: Pakdasht, Varamin, Pishva and Qarchak Counties) بهینه‌سازی استقرار اکیپ‌های سیار امداد در بحران‌های آب با بهره‌گیری از شبکه‌ عصبی (مطالعه موردی: شهرستان‌های پاکدشت، ورامین، پیشوا و قرچک) 1 18 239313 10.22093/wwj.2025.544414.3513 FA ملیحه معززی فرهادی فر کارشناس ارشد بخش انرژی، معاونت توسعه و بهره‌برداری فاضلاب، شرکت آب و فاضلاب جنوب شرقی استان تهران، ورامین، ایران 0009-0001-8975-4962 ایمان توکلی کارشناس ارشد و مسئول سیستم اطلاعات مکانی، شرکت آب و فاضلاب جنوب شرقی استان تهران، ورامین، ایران 0009-0006-8269-8546 Journal Article 2025 03 18 The water scarcity crisis in Tehran Province and the Varamin Plain, coupled with frequent water and power outages, has led to air entrainment in pipelines, increased pressure, and pipe bursts, highlighting the need for intelligent water management in the deployment of emergency response teams. The innovation of this study lies in applying artificial intelligence–based methods for spatial analysis of incidents and identifying optimal locations for the deployment of mobile emergency teams. The main focus is on reducing response time and improving service coverage through the determination of optimal points using the Self-Organizing Map algorithm. This innovative approach contributes to the development of integrated software for incident management and faster decision-making under emergency conditions. The study area covers four counties: Varamin, Pishva, Qarchak, and Pakdasht. Using the Self-Organizing Feature Mapneural network algorithm, 16 optimal points for the deployment of mobile emergency teams were identified to enhance coverage and reduce response time, thereby minimizing losses caused by water and power disruptions. A total of 3,603 incident points recorded in the GIS system with UTM coordinates (Zone 39N) were used for spatial analysis and clustering in MATLAB. The research process included spatial data collection and preprocessing, SOM execution, and output map generation in the GIS environment. Among the 16 optimal locations, 9 are situated in high-incident-density areas (more than 8 incidents per square kilometer), and 6 are located in zones with high customer density (over 1,666 customers per square kilometer). The distribution of other points across lower-density zones ensures adequate coverage of rural and sparsely populated areas. The results indicate that the SOM algorithm successfully identified spatial patterns of incidents and population density, achieving balanced and efficient site selection for mobile emergency teams. The main advantage of SOM lies in its ability to analyze two-dimensional spatial data precisely, preserve topological structure, and adapt to data variability-making it superior to other clustering and metaheuristic methods. The findings confirm that the SOM algorithm is an effective approach for urban crisis management and optimal deployment of emergency resources, with potential for further development using more complex datasets to enhance rapid response systems. <strong><span dir="RTL" lang="FA">بحران کم‌آبی در استان تهران و دشت ورامین، همراه با قطعی‌های مکرر آب و برق، موجب هواگیری شبکه، افزایش فشار و شکستگی خطوط شده که ضرورت مدیریت هوشمند آب در استقرار اکیپ‌های امدادی را پررنگ می‌کند. نوآوری در این پژوهش، استفاده از روش‌های مبتنی بر هوش مصنوعی برای تحلیل مکانی حوادث و شناسایی موقعیت بهینه استقرار اکیپ‌های امداد بود. تمرکز اصلی بر کاهش زمان واکنش و بهبود پوشش امدادی از طریق تعیین نقاط بهینه با بهره‌گیری از الگوریتم </span>SOM<span dir="RTL" lang="FA"> بود. این رویکرد نوآورانه می‌تواند به توسعه نرم‌افزارهای جامع مدیریت حوادث و تصمیم‌گیری سریع‌تر در شرایط اضطراری کمک کند. محدوده مطالعاتی این طرح در چهار شهرستان ورامین، پیشوا، قرچک و پاکدشت بود. در این پژوهش، با بهره‌گیری از الگوریتم شبکه عصبی نگاشت خودسازمانده کوهونن، 16 نقطه بهینه برای استقرار اکیپ‌های سیار شناسایی شد تا با بهبود پوشش و کاهش زمان پاسخ‌گویی، سرعت رسیدگی به حوادث بحرانی افزایش یابد و خسارات ناشی از قطع آب و برق به حداقل برسد. داده‌های 3603 نقطه حادثه ثبت ‌شده در سیستم </span>GIS<span dir="RTL" lang="FA"> با مختصات </span>UTM<span dir="RTL" lang="FA"> زون 39 شمالی برای تحلیل و خوشه‌بندی در محیط </span>MATLAB<span dir="RTL" lang="FA"> استفاده شد. فرایند پژوهش شامل جمع‌آوری و تصفیه داده‌های مکانی، اجرای الگوریتم </span>SOM<span dir="RTL" lang="FA"> و تهیه نقشه خروجی در محیط </span>GIS<span dir="RTL" lang="FA"> بود. از میان 16 نقطه بهینه، ۹ نقطه در محدوده‌های با تراکم بالای حوادث (بیش از ۸ حادثه در هر کیلومترمربع) و ۶ نقطه در نواحی با تراکم بالای مشترکین (بیش از ۱۶۶۶ مشترک در هر کیلومترمربع) قرار دارند. توزیع سایر نقاط در بازه‌های تراکم کمتر، پوشش مناطق روستایی و کم‌جمعیت را تضمین می‌کند. نتایج نشان داد الگوریتم </span>SOM<span dir="RTL" lang="FA"> توانسته با شناسایی الگوهای مکانی حوادث و تراکم جمعیتی، مکان‌یابی اکیپ‌های امداد سیار را به‌صورت بهینه و متوازن انجام دهد. مزیت اصلی الگوریتم </span>SOM<span dir="RTL" lang="FA"> در تحلیل دقیق داده‌های دوبعدی مکانی به همراه وزن‌دهی بهتر، حفظ ساختار توپولوژیکی و توانایی انطباق با تغییرات داده‌ها است که آن را نسبت به سایر روش‌های خوشه‌بندی و فرا ابتکاری متمایز می</span><span dir="RTL" lang="FA">‌</span><span dir="RTL" lang="FA">کند. یافته‌های این پژوهش نشان‌دهنده آن بود که الگوریتم </span>SOM<span dir="RTL" lang="FA">، راهکاری کارآمد برای مدیریت بحران‌های شهری و استقرار بهینه‌ تجهیزات امدادی است که ظرفیت توسعه با داده‌های پیچیده‌تر را به‌منظور ارتقای سامانه‌های پاسخ فوری دارد.</span></strong> https://www.wwjournal.ir/article_239313_86e34badcf80768f0ad5667554c8cec9.pdf