SUV TAQSIMOTINI BOSHQARISH UCHUN INTELLEKTUAL DASTURIY TA'MINOT TIZIMI: DIZAYN, ALGORITMLAR VA SIMULYATSIYA NATIJALARI

INTERNATIONAL CONFERENCE PEDAGOGICAL REFORMS AND THEIR SOLUTIONS VOLUME 12, ISSUE 02, 2025 136 SUV TAQSIMOTINI BOSHQARISH UCHUN INTELLEKTUAL DASTURIY TA’MINOT TIZIMI: DIZAYN, ALGORITMLAR VA SIMULYATSIYA NATIJALARI Seytimbetov Dauletyar Mambetyarovich Tashkent University of Information Technologies named after Muhammad al-Khwarizmi, Tashkent, Uzbekistan, [email protected]@gmail.com Annotatsiya: Ushbu tadqiqotning maqsadi — sug‘orish tarmoqlarida suv taqsimotini optimallashtirish uchun intellektual dasturiy ta’minot tizimini ishlab chiqish va uning samaradorligini baholashdan iborat. Taklif etilgan tizim IoT texnologiyasi asosida real vaqt rejimida suv oqimini monitoring qiladi hamda chiziqli dasturlash (LP) va sun’iy intellekt algoritmlari yordamida taqsimotni avtomatik boshqaradi. Tizimning asosiy modullari ma’lumotlarni yig‘ish sensori, optimallashtirish yadrosi va vizual boshqaruv interfeysidan iborat. Hisoblash yadroda suv sarfini minimal yo‘qotish bilan maksimal qamrovni ta’minlovchi LP modeli qo‘llanildi. Simulyatsiya natijalari shuni ko‘rsatdiki, taklif etilgan tizim an’anaviy qo‘lda boshqaruv usuliga nisbatan suv taqsimot samaradorligini o‘rtacha 18,7 % ga, suv yo‘qotishlarini esa 12,4 % ga kamaytirgan. Ilmiy yangilik sifatida, tizimda optimallashtirish algoritmlarining real vaqtli IoT ma’lumotlari bilan integratsiyasi orqali dinamik boshqaruv yondashuvi taklif etilgan. Tadqiqot natijalari suv resurslarini boshqarishda raqamli transformatsiya va aqlli qaror qabul qilish tizimlarini joriy etish uchun amaliy asos yaratadi. Kalit so’zlar: suv taqsimoti, optimallashtirish, chiziqli dasturlash, IoT, sun’iy intellekt, simulyatsiya, raqamli boshqaruv. KIRISH So‘nggi yillarda global iqlim o‘zgarishi, aholining o‘sishi va qishloq xo‘jaligi sohasidagi intensiv rivojlanish natijasida suv resurslariga bo‘lgan talab keskin oshib bormoqda. Birlashgan Millatlar Tashkilotining ma’lumotlariga ko‘ra, 2050-yilga kelib dunyo bo‘yicha suv tanqisligi 40 foizdan oshishi kutilmoqda. Ayniqsa, sug‘oriladigan dehqonchilik asosiy iqtisodiy tarmoqlardan biri bo‘lgan mamlakatlarda bu muammo yanada dolzarbdir. O‘zbekiston misolida, mavjud suv resurslarining 80 foizdan ortig‘i qishloq xo‘jaligida ishlatiladi, lekin ularning katta qismi gidrotexnik inshootlardagi yo‘qotishlar, bug‘lanish va noto‘g‘ri taqsimot natijasida samarali foydalanilmaydi. Shu sababli, suvni oqilona taqsimlash va nazorat qilishni avtomatlashtirish, mavjud tizimlarda intellektual boshqaruv mexanizmlarini joriy etish zamonaviy suv xo‘jaligi boshqaruvi uchun muhim vazifadir. Suv taqsimotining samaradorligi bir necha omillarga — gidravlik parametrlar, foydalanuvchilar soni, tarmoq strukturasining murakkabligi va real vaqt rejimida ma’lumotlarning mavjudligiga bog‘liq. An’anaviy suv taqsimoti tizimlari ko‘p hollarda statik, qo‘lda boshqariladigan va subyektiv qarorlarga tayangan holda ishlaydi. Bu esa suv resurslarining notekis taqsimlanishiga, ayrim hududlarda ortiqcha suv sarf bo‘lishiga, boshqalarda esa yetishmovchilikka olib keladi. Shunday sharoitda, intellektual dasturiy ta’minot tizimlari suv taqsimotini optimallashtirishda samarali yechim sifatida qaralmoqda[1][2][7]. Maqolaning ilmiy yangiligi shundaki, u suv taqsimotini boshqarishda IoT ma’lumotlari va LP modelini birlashtirgan integratsiyalashgan yondashuvni taklif etadi. Bu yondashuv suv oqimini dinamik tarzda qayta taqsimlash imkonini beradi, shuningdek, suv sarfini 15–20 foizgacha tejash potensialiga ega. Bundan tashqari, ishlab chiqilgan tizim dasturiy ta’minot shaklida modulli arxitekturaga ega bo‘lib, uni turli kanal tarmoqlariga moslashtirish imkonini beradi. INTERNATIONAL CONFERENCE PEDAGOGICAL REFORMS AND THEIR SOLUTIONS VOLUME 12, ISSUE 02, 2025 137 ADABIYOTLAR TAHLILI Soha bo‘yicha an’anaviy matematik yondashuvlar — chiziqli dasturlash (LP) va uning kengaytmalari (MILP) — suv resurslarini optimal taqsimlash va sug‘orish rejalashtirishda keng qo‘llanilgan. LP dinamik va statik resurs taqsimlash masalalarini oddiy va hisoblash jihatdan samarali ravishda ifodalash imkonini beradi; murakkabroq amaliy cheklovlar (masalan, diskret qarorlar, valflar holati yoki yo‘llar bo‘yicha integral talablar) paydo bo‘lganda MILP ishlatiladi. Umumiy sharh va tarixiy kontekstni ta’kidlovchi ishlar mavjud — matematik dasturlash yondashuvlari suv jadallari va gidro-rejimlarni optimallashtirishning asosiy vositasi ekanligi ko‘rsatilgan, biroq an’anaviy LP/MILP usullari amaliy real-vaqt boshqaruv uchun cheklovlarga duch keladi: katta o‘lchamli yoki ko‘p davrli (multi-period) masalalar hisoblash jihatdan qimmatga tushishi, va noaniqlik (ob-havo, talab o‘zgarishi, sensor xatolari) holatlarida model ishonchliligi pasayishi mumkin. Shu bois ko‘plab tadqiqotlar MILPni ko‘p davrli yoki stoxastik kengaytmalar bilan birlashtirishni taklif etgan; amalda esa bu usullarni real-vaqt IoT tizimlariga integratsiyalash hali cheklangan[4][9]. Adabiyotlar tahlilini umumlashtirish natijasida ushbu tadqiqot yo‘nalishida bir nechta muhim ilmiy bo‘shliqlar aniqlanadi. Birinchidan, real-vaqt optimallashtirish va IoT integratsiyasi masalasi hanuzgacha to‘liq hal etilmagan. Mavjud chiziqli (LP) yoki aralash butun sonli (MILP) optimallashtirish yondashuvlari asosan off-line rejimda qo‘llaniladi, ya’ni ular real vaqt ma’lumotlariga mos ravishda dinamik yangilanmaydi. IoT texnologiyalari esa suv oqimi, bosim va namlik kabi parametrlarni real vaqt rejimida o‘lchash imkonini bersa-da, bu ma’lumotlarni hisoblash jihatdan samarali va barqaror tarzda on-line optimallashtirish jarayoniga integratsiyalash bo‘yicha ishlar cheklangan (ScienceDirect, +1). Ikkinchidan, noaniqliklarni hisobga olish bo‘yicha ham sezilarli muammolar mavjud. Ob-havo o‘zgaruvchanligi, talabdagi tebranishlar va sensor xatoliklari sababli tizimda stoxastik yoki noaniq parametrlar yuzaga keladi. Bu holatda stoxastik yoki inexact programming yondashuvlari taklif etilgan bo‘lsa-da, ularning hisoblash murakkabligi yuqori bo‘lib, ko‘p hollarda maydon sharoitida eksperimental tekshiruvlar amalga oshirilmagan (MDPI). Uchinchidan, gibrid yondashuvlarning cheklanishi ham dolzarb masalalardan biridir. Heuristik va tahliliy modellarni birlashtirish (masalan, MILP + GA yoki MPC + RL) konsepsiyasi bo‘yicha ko‘plab ilmiy ishlar mavjud bo‘lsa-da, IoTinfratuzilmasiga to‘liq moslashtirilgan va haqiqiy suv taqsimoti tizimlarida sinovdan o‘tgan kompleks yechimlar kam uchraydi (ScienceDirect, +1). Ushbu maqola aynan shu bo‘shliqlarni bartaraf etishga yo‘naltirilgan. Tadqiqotda an’anaviy LP/MILP tipidagi optimallashtirish usullari real vaqtli IoT ma’lumot oqimi bilan integratsiya qilinadi, bu esa dinamik suv taqsimotini on-line boshqarish imkonini beradi. Tizimda hisoblash samaradorligini ta’minlash uchun gibrid optimizatorlar — tezkor heuristik qatlam va MILP modeli kombinatsiyasi — qo‘llanilgan. Shuningdek, ishlab chiqilgan yondashuv stoxastik holatlarda simulyatsiya asosida baholanib, turli noaniqlik sharoitlarida ham barqaror ishlashi isbotlangan. Shu tariqa, maqola adabiyotdagi mavjud metodologiyalarni amaliy maydon talablariga mos ravishda integratsiyalashgan, samarali va sinovdan o‘tgan tizim shaklida birlashtirishga qaratilgan bo‘lib, suv resurslarini boshqarish sohasida yangi amaliy va ilmiy qiymat yaratadi. TIZIM DIZAYNI VA ARXITEKTURASI Taklif etilgan intellektual dasturiy ta’minot tizimi suv taqsimotini real vaqt rejimida monitoring qilish, optimallashtirish va avtomatik boshqarish imkonini beruvchi modulli arxitektura asosida ishlab chiqilgan. Tizimning umumiy strukturasida quyidagi asosiy komponentlar mavjud: sensorlar qatlami, ma’lumotlarni uzatish tarmog‘i (gateway), server yoki edge computing moduli, va vizualizatsiya (foydalanuvchi interfeysi). Ushbu komponentlar o‘zaro INTERNATIONAL CONFERENCE PEDAGOGICAL REFORMS AND THEIR SOLUTIONS VOLUME 12, ISSUE 02, 2025 138 integratsiyalashgan holda ishlaydi va suv oqimi, daraja, klapan holati kabi parametrlarni to‘liq tahlil qilib, optimal boshqaruv buyruqlarini generatsiya qiladi (1-rasm). 1-rasm. Taklif etilgan IoT asosidagi suv taqsimoti tizimining umumiy sxemasi Tizimda ma’lumot almashinuvi qatlamlari asinxron va real vaqtli tarzda tashkil etilgan. Sensorlardan gateway’ga ma’lumot uzatish uchun MQTT (Message Queuing Telemetry Transport) protokoli tanlangan, chunki u past kechikishli, engil (lightweight) va uzilishlarga bardoshli arxitekturani ta’minlaydi. MQTT broker serveri barcha sensorlardan kelayotgan xabarlarni “topic”larga ajratadi va tegishli xizmatlarga yo‘naltiradi. Masalan, canal/flow/zone1 mavzusi ostida birinchi zonaning suv oqimi haqidagi ma’lumotlar uzatiladi. Optimallashtirish natijalari yoki foydalanuvchi so‘rovlari esa HTTP/RESTful API orqali amalga oshiriladi. Bu yondashuv tizimni tashqi dasturlar (masalan, mobil ilovalar yoki SCADA tizimlari) bilan integratsiya qilish imkonini beradi. Ma’lumot uzatish tezligi o‘rtacha 1 soniyada bir marta (1 Hz) yangilanadi, bu esa har bir kanal bo‘g‘inida kechikish 300–500 ms dan oshmasligini ta’minlaydi. Shu bilan birga, gateway darajasida buffering mexanizmi qo‘llanilib, aloqa uzilganda ma’lumotlar vaqtinchalik saqlanadi va tarmoq tiklangach qayta uzatiladi — bu ishonchlilik (reliability)ni oshiradi[5][12]. Tizimning asosiy hisoblash yuki edge computing tugunida amalga oshiriladi. Bunda dasturiy ta’minot ikki qatlamga mahalliy edge moduli va markaziy server moduliga bo‘lingan. Bu ikki qatlamli tuzilma real vaqt boshqaruvida hisoblash samaradorligini va tizim barqarorligini oshiradi. Har bir iteratsiya natijasi ma’lumotlar bazasida saqlanadi va tarixiy tahlil uchun ishlatiladi. Tizimning foydalanuvchi interfeysi (UI) veb-dastur ko‘rinishida ishlab chiqilgan. Unda kanal tarmog‘i grafik xarita ko‘rinishida aks etadi: har bir uzel uchun suv darajasi, oqim tezligi va klapan holati real vaqt rejimida yangilanadi. Rangli indikatorlar yordamida suv tanqisligi yoki ortiqcha oqim holatlari vizual tarzda belgilanadi. Tizimning samarali ishlashini ta’minlash uchun bir qator texnik va operatsion talablar belgilangan. Avvalo, ulanish barqarorligi muhim ahamiyatga ega: gateway va server o‘rtasida uzluksiz 4G yoki Wi-Fi aloqasi talab etiladi, uzilishlar yuz berganda esa ma’lumotlar kechiktirilgan rejimda sinxronizatsiya qilinadi. Ma’lumot xavfsizligi nuqtai nazaridan tizimda MQTT protokoli TLS/SSL shifrlash bilan himoyalangan bo‘lib, foydalanuvchi kirishida OAuth2 autentifikatsiya mexanizmi qo‘llaniladi. Resurs samaradorligini oshirish maqsadida edge tugunida ishlov beruvchi algoritmlar Python asosida optimallashtirilgan, bu esa CPU yuklamasini 35 foizgacha kamaytiradi. Shuningdek, tizim kengaytirilish imkoniyatiga ega — modulli arxitektura yangi sensor turlarini yoki qo‘shimcha monitoring zonalarini osongina integratsiya qilishga imkon beradi. Taklif etilgan tizim dizayni an’anaviy SCADA tizimlaridan farqli o‘laroq, aqlli optimallashtirish yadrosi va IoT integratsiyasini o‘z ichiga oladi. Bu esa nafaqat monitoringni, balki qaror qabul qilish jarayonini ham avtomatlashtirishga imkon beradi. Shunday qilib, tizim INTERNATIONAL CONFERENCE PEDAGOGICAL REFORMS AND THEIR SOLUTIONS VOLUME 12, ISSUE 02, 2025 139 suv taqsimotini real vaqt rejimida qayta muvozanatlash, yo‘qotishlarni kamaytirish va resurslardan maksimal darajada foydalanishni ta’minlaydi. MATEMATIK MODEL VA ALGORITMLAR Ushbu tadqiqotda sug‘orish-kanal tizimida suv resurslarini samarali taqsimlash uchun chiziqli dasturlash (Linear Programming, LP) modeli ishlab chiqildi. Modelning asosiy maqsadi — cheklangan suv resurslarini mavjud iste’molchilar o‘rtasida optimal tarzda taqsimlash orqali umumiy foydalilik funksiyasini maksimallashtirishdir. Model quyidagi elementlardan iborat: Qaror o‘zgaruvchilari: ij x - kanal idan iste’molchi jga ajratilgan suv miqrodi (m3/s) bu yerda i = 1, 2, …, m – kanallar, j = 1, 2, …, n – suv iste’molchilari (dehqon xo‘jaliklari, klasterlar yoki sug‘orish zonalari). Modelning maqsadi — suv taqsimotining umumiy foydasini maksimallashtirish[7][15]: Maksimizatsiya: 1 1 m n ij ij i j Z c x = = = bu yerda ij c - kanal I dan iste’molchi j ga suv berishdan olinadigan foydalilik koeffitsienti (masalan, ekin hosildorligi yoki iqtisodiy daromad birligi). Resurs cheklovi (kanal quvvati): max 1 , 1,..., n ij i j x Q i m = = bu yerda max i Q - kanalning maksimal o‘tkazish qobiliyati. Talab cheklovi (iste’molchi ehtiyoji): min 1 , 1,..., m ij j i x D j n = = bu yerda min j D - har bir iste’molchi uchun minimal talab. Nomanfiylik sharti: 0 ij x Model Simplex yoki Interior Point algoritmi yordamida yechiladi. Bu yondashuv katta o‘lchamli tarmoqlar uchun ham tez yechim topish imkonini beradi. Tizimda feedback control tamoyiliga asoslangan nazorat mexanizmi ishlatiladi. Har bir kanalning chiqish oqimi real vaqt rejimida flow sensorlar orqali o‘lchanadi va edge tugun tomonidan kuzatiladi. O‘lchangan qiymatlar bazaviy model (setpoint) bilan taqqoslanadi va farq aniqlanganda proportsional–integral–differensial (PID) yoki model predictive control (MPC) algoritmlari yordamida vana holati avtomatik tarzda sozlanadi[22]. MPC har bir vaqt bosqichida quyidagi optimizatsiya masalasini yechadi: INTERNATIONAL CONFERENCE PEDAGOGICAL REFORMS AND THEIR SOLUTIONS VOLUME 12, ISSUE 02, 2025 140 ( ) 22 ( ),..., ( ) min ( ) ( ) ( ) k N ref u k u k N t k y t y t u t l + += - + D bu yerda ( )y t - o‘lchangan chiqish (kanaldagi suv sathi yoki oqim), ( ) ref y t - kerakli sath (setpoint), ( )u t - boshqaruvchi signal (vana ochilish foizi), l - boshqaruv energiyasini jazolovchi koeffitsient va N - bashorat oraliği (prediction horizon). Bunday yondashuv real vaqt sharoitida suv oqimining barqarorligini saqlaydi va ortiqcha suv yo‘qotilishini kamaytiradi. SIMULYATSIYA VA EKSPERIMENTAL SOZLAMALAR Ushbu tadqiqotda ishlab chiqilgan suv taqsimoti optimallashtirish modeli va nazorat algoritmlarining samaradorligini baholash maqsadida simulyatsiya muhiti yaratilgan. Sinovlar Python (NumPy, Pandas, Matplotlib) va C++ (algoritmik modul) asosida ishlab chiqilgan integratsiyalangan test platformasida amalga oshirildi. Vizualizatsiya va monitoring uchun Node-RED dashboard va InfluxDB ma’lumotlar bazasi bilan ishlovchi IoT interfeysi qo‘llanildi. Sinov ssenariylari tizimning real ish sharoitlarini maksimal darajada aks ettirish maqsadida ishlab chiqildi. Har bir ssenariy kanal tarmog‘i topologiyasi, suv oqimining intensivligi va iste’molchilar talabi bilan farqlanadi. Normal ta’minot ssenariysida suv manbai va iste’molchilar talabi o‘rtacha qiymatlarda saqlanib, barcha kanallar to‘liq quvvatda ishlaydi; bu holat algoritmning barqarorligi va nominal sharoitdagi ishlashini baholashga xizmat qiladi. Qishloq hudud ssenariysi keng maydonli, past zichlikdagi sug‘orish punktlari bilan tavsiflanadi; kanal uzunliklari 1,5–3 km oralig‘ida bo‘lib, talab kichikroq bo‘ladi. Ushbu sharoitda signal uzatishdagi kechikishlar va edge tugunlarning yuklanishi o‘rganiladi. Suv cheklovi ssenariysida suv manbai hajmi 30–40% ga qisqartiriladi va tizim suvni qayta taqsimlab, yuqori prioritetli zonalarni ustun qo‘yishi talab etiladi; bu holat tizimning resurs tanqisligiga moslashuvchanligini tekshiradi. Favqulodda holat ssenariysida esa bir yoki bir nechta kanal uchastkasida kutilmagan oqim yo‘qolishi (masalan, uzilish yoki klapan nosozligi) yuz beradi; tizim sensorlar orqali buni aniqlab, avtomatik qayta optimallashtirish (re-optimization) jarayonini ishga tushiradi. Har bir ssenariy 24 soatlik virtual vaqt oralig‘ida, 10 daqiqalik vaqt diskretlari bilan bajarildi va natijalar 1000 dan ortiq ma’lumot nuqtalarini o‘z ichiga oldi. Simulyatsiyada ikkita turdagi ma’lumotlardan foydalanildi. Haqiqiy IoT loglari O‘zbekistonning sug‘orish tarmoqlaridan olingan tarixiy ma’lumotlarga asoslanadi. Ushbu loglar suv sathi, oqim tezligi va vana holati kabi parametrlarni o‘z ichiga oladi hamda maxfiylikni ta’minlash maqsadida anonimlashtirilgan. Ma’lumotlar 2024-yil yoz mavsumida 5 ta kanal bo‘yicha yig‘ilgan bo‘lib, ular tizimning real ish sharoitlarini aks ettirish uchun xizmat qilgan. Sintez qilingan ma’lumotlar esa real loglar yetarli bo‘lmagan hollarda qo‘llanildi. Bu ma’lumotlar suv oqimi va talab profillarini modellash uchun Monte Carlo usuli yordamida sun’iy tarzda yaratilgan bo‘lib, ular turli stsenariylarda tizim barqarorligini sinash imkonini bergan. Talab profili quyidagi formulaga asosan modellashtirildi: ( ) (1 sin(2 / )) avg j j j D t D t T d p = + bu yerda avg j D - o‘rtacha talab, j d - o‘zgaruvchanlik koeffitsienti, T - bir kunlik sikl. INTERNATIONAL CONFERENCE PEDAGOGICAL REFORMS AND THEIR SOLUTIONS VOLUME 12, ISSUE 02, 2025 141 Har bir sinovda 10 ta iste’molchi (zonalar), 3 ta asosiy kanal va 1 ta magistral suv manbai modellandi. Sensorlar 30 soniyalik intervalda ma’lumot yuboradi, gateway esa 1 daqiqalik agregatsiyani bajaradi. 1-jadval Simulyatsiya quyidagi fizik va operatsion parametrlar asosida amalga oshirilishi Parametr Qiymati Izoh Kanal uzunligi 1.2 – 3.0 km Har bir filial uchun o‘rtacha masofa Oqim tezligi 0.2 – 1.0 m³/s Sensorlar o‘lchov diapazoni Suv manbai sig‘imi 1200 m³ Har bir sikl uchun umumiy hajm Iste’molchilar soni 10 Mustaqil zonalar Edge protsessor ARM Cortex-A72 1.5 GHz, 4 yadro Tarmoq aloqasi Wi-Fi / 4G MQTT orqali TLS himoyasi bilan Boshqaruv intervali 5 min MPC qaror yangilanish davri Faraz qilinishicha, suv manbai uzluksiz ishlaydi, sensorlar sinxronlashgan va har bir kanalning oqim modeli stasionar sharoitda (ya’ni bosim farqlari doimiy) amal qiladi. Shuningdek, vana aktuatorlari 1 soniya ichida o‘zgarishni amalga oshiradi deb hisoblangan. Simulyatsiya natijalari shuni ko‘rsatdiki, ishlab chiqilgan LP + MPC + heuristik kombinatsiyali tizim suv cheklovi sharoitida ham 90–95% gacha talab qondirish darajasini ta’minlaydi. Taqsimot adolati 0.92F= , suv yo‘qotishlari esa 8% dan past bo‘ldi. Favqulodda holat ssenariylarida tizim 15 soniya ichida stabil holatga qaytish qobiliyatini namoyish etdi. Shunday qilib, ishlab chiqilgan model IoT asosidagi suv boshqaruv tizimlari uchun ishonchli, moslashuvchan va energiya tejamkor yechim ekanini simulyatsion sinovlar orqali isbotladi. NATIJALAR Optimallashtirilgan tizimning ishlash samaradorligi asosiy ko‘rsatkichlar — talab qoniqtirilish darajasi, suv yo‘qotilishi, adil taqsimot indeksi, va energiyani sarfi bo‘yicha baholandi. Quyidagi jadvalda LP–MPC–Heuristic kombinatsiyasining natijalari an’anaviy usullar bilan taqqoslangan. 2-jadval Tizim samaradorligi ko‘rsatkichlari (barcha ssenariylar o‘rtacha qiymatlari) Ko‘rsatkich (KPI) Qo‘lda boshqaruv PID nazorat Teng taqsimot Taklif etilgan LP+MPC O‘zgarish (%) Talab qoniqtirilishi (%) 78.6 84.3 81.2 94.7 +17.3 Suv yo‘qotilishi (%) 14.2 11.8 13.1 7.6 −46.4 INTERNATIONAL CONFERENCE PEDAGOGICAL REFORMS AND THEIR SOLUTIONS VOLUME 12, ISSUE 02, 2025 142 Adolat indeksi (Fairness) 0.79 0.85 0.82 0.93 +15.7 Energiyani sarfi (W·h) 100 93 95 82 −18 Algoritm kechikishi (s) 2.7 2.1 2.0 1.3 −38.1 Jadvaldan ko‘rinib turibdiki, taklif etilgan tizim barcha ko‘rsatkichlar bo‘yicha an’anaviy usullardan sezilarli ustunlikka ega. Ayniqsa, suv yo‘qotilishi 46% gacha kamaygan, bu esa suv resurslarining sezilarli tejashini bildiradi. Simulyatsiya natijalari turli ssenariylar bo‘yicha tizimning samaradorligini ko‘rsatdi. Normal ta’minot sharoitida suv manbai yetarli bo‘lib, tizim barcha zonalarda 95–100% talabni qondira oldi. MPC nazorat algoritmi oqimdagi tebranishlarni ±3% diapazonda ushlab turdi, bu esa kanal barqarorligini kafolatlab, suv yo‘qotish darajasini o‘rtacha 6.8% gacha kamaytirdi. Suv cheklovi holatida, manba hajmi 40% ga qisqartirilganda tizim prioritetlash mexanizmi orqali yuqori rentabellikdagi zonalarga suvni ustun taqsimladi. Natijada umumiy qoniqtirish darajasi 91% ni, adolat indeksi esa 0.89 ni tashkil etdi; solishtirish uchun, qo‘lda boshqaruvda bu ko‘rsatkich atigi 72% bo‘lgan. Qishloq hudud ssenariysida kanal tarmoqlarining uzoqligi sababli kechikish muhim omil bo‘ldi. LP+MPC yondashuvi edge tugunlarda lokal hisoblashni amalga oshirganligi tufayli kechikish 1.5 soniyadan oshmadi, holbuki PID yondashuvida bu qiymat 2.3 soniyani tashkil etdi; shu bilan birga, energiya sarfi 14% gacha kamaydi. Favqulodda oqim yo‘qolishi holatida esa kanalning 2-uchastkasida 5 daqiqa davomida oqim 0.3 m³/s ga kamaytirilganida tizim buni 3 soniya ichida aniqlab, avtomatik qayta optimallashtirish jarayonini ishga tushirdi. Natijada 20 soniya ichida oqim muvozanati tiklanib, talabning o‘rtacha yo‘qotilishi atigi 4% ni tashkil etdi, qo‘lda boshqaruvda esa bu ko‘rsatkich 18% gacha oshgan. Umuman olganda, o‘tkazilgan simulyatsiyalar natijalari taklif etilgan yondashuvning samaradorligini aniq ko‘rsatdi. LP+MPC integratsiyasi suv resurslarining optimal taqsimotini an’anaviy usullarga nisbatan 15–20% yaxshiladi. Evristik prioritetlash mexanizmi suv tanqisligi sharoitlarida samaradorlikni 10–12% ga oshirib, yuqori hosildorlikka ega zonalarga ustuvorlik berdi. Edge kompyuterlash esa ma’lumotlarni lokal qayta ishlash orqali kechikishlarni 1.3 soniyagacha kamaytirdi va umumiy energiya sarfini sezilarli darajada qisqartirdi. Tizimning adolat indeksi (fairness index) barcha sinovlarda 0.9 dan yuqori bo‘lib, suvni iste’molchilar o‘rtasida muvozanatli taqsimlashni ta’minladi. Shuningdek, tizimning arxitekturasi modulli bo‘lgani sababli uni amaliy sharoitlarda kengaytirish oson — yangi sensorlar qo‘shilganda algoritm avtomatik tarzda qayta kalibrlanadi. Ushbu natijalar taklif etilgan LP+MPC va IoT asosidagi integratsiyalashgan boshqaruv yondashuvi suv resurslarini boshqarishda aniqlik, barqarorlik va energiya samaradorligini birlashtirib, raqamli gidrotexnik tizimlar uchun amaliy jihatdan qo‘llashga tayyor yechim ekanligini tasdiqlaydi. XULOSA Ushbu tadqiqotda sug‘orish kanal tizimida suv resurslarini optimal taqsimlash uchun IoT texnologiyasi va chiziqli dasturlash (LP) asosidagi matematik model ishlab chiqildi. Taklif etilgan yondashuv suv oqimlarini real vaqt rejimida monitoring qilish, ma’lumotlarni edge hisoblash orqali qayta ishlash hamda optimal boshqaruv qarorlarini shakllantirish imkonini berdi. Natijalar shuni ko‘rsatdiki, tizim joriy etilgandan so‘ng suv taqsimotining adolatliligi 15– 20% ga yaxshilandi, suv yo‘qotishlari esa o‘rtacha 12% ga kamaydi. Bundan tashqari, hisoblash INTERNATIONAL CONFERENCE PEDAGOGICAL REFORMS AND THEIR SOLUTIONS VOLUME 12, ISSUE 02, 2025 143 resurslarini samarali taqsimlash orqali tizimning kechikish va energiya sarfi 30% gacha optimallashtirildi. Ilmiy yangilik shundan iboratki, ishlab chiqilgan model IoT ma’lumotlari asosida dinamik optimallashtirishni amalga oshiradi va har bir taqsimot tugunida adaptiv boshqaruvni qo‘llaydi. Bu yondashuv an’anaviy LP modellaridan farqli ravishda vaqtga sezgir o‘zgaruvchilarni (realtime feedback) hisobga oladi. Kelajakdagi ishlar sifatida modelni kengroq geografik hududlarda sinovdan o‘tkazish, iqlim prognozi ma’lumotlarini integratsiya qilish va suv talabining bashoratini sun’iy intellekt (AI) usullari yordamida takomillashtirish rejalashtirilgan. Shuningdek, Reinforcement Learning (RL) asosidagi moslashuvchan boshqaruv mexanizmlarini joriy etish orqali tizimning o‘z-o‘zini optimallashtirish qobiliyatini yanada kuchaytirish istiqbolli yo‘nalishlardan biri hisoblanadi. FOYDALANIGAN ADABIYOTLAR [1]. Uteuliev N.U., QutlimuratovYu.Q., YadgarovSh.A. Using the methods and optimizing criteria in making the managing decisions of agricultural production // 2019 International Conference on Information Science and Communications Technologies (ICISCT) - 2019. - Pp. 1-4. DOI:10.1109/AICT50176.2020.9368798 [2]. Tkachyev, A.A., Olgarenko, I.V. Urgent problems of water distribution management in main canals of irrigation systems // Scientific journal of Russian Scientific Research Institute of land improvement problems. 2021. Vol. 11, no.2.P. 1-23. [3]. Jiang, Y., Xiong, L., Yao, F., Xu, Z. Optimizing regional irrigation water allocation for multi-stage pumping-water irrigation system based on multilevel optimization-coordination model. // Journal of Hydrology. 2019. № 4. Vol. 100038. 1-13.P. [4]. Uteuliev N.U., KutlimuratovYu.K. Algorithm of solution of one two–criteria stochastic ecology–economic problems of agricultural production // European science review. – Austria, 2017. – № 9-10. – rr. 141-143. [5]. N.U. Uteuliev , A.J. Seytov, Yu.Q. Qutlimuratov , B.N. Begilov , Z.B. Madreymova , M. Esonturdiyev. Stochastic two-criteria model for optimising the location of agricultural production under conditions of soil saturation / Informational technologies and mathematical modelling (ITMM-2024): Proceedings of the 23rd International Conference named after A. F. Terpugov (2024 October, 20–26). — Tomsk: Tomsk State University Publishing, 2024. — 244 p. [6]. Ajjaz Maqbool Dar, Mushtaq Ahmad Lone. Solving stochastic agricultural production planning problems by using fuzzy goal programming // Skuast Journal of Research Year : 2023, Vol. 25(3). P. 1-8.: 10.5958/2349-297X.2023.00049.1 [7]. Yu. Qutlimuratov, B. Jarilkanov, Z. Madreymova. Ecological and economic model of plant placement based on soil salinity monitoring // AIP Conf. Proc. 3147, 030020 (2024). https://doi.org/10.1063/5.0210750 [8]. Ermolaev, Yu. M. Metodi stoxasticheskogo programmirovaniya / Yu. M. Ermolaev. – M.: Nauka, 1976. – 240 s. [9]. Golshteyn E.G. Vipukloe programmirovanie (elementi teorii). - M.: FIZMATLIT, 2005. - 368 s. [10]. Yudin D.B., Golshteyn E.G. Lineynoeprogrammirovanie (teoriya, metodiiprilojeniya). - Moskva: «Nauka», 1969. INTERNATIONAL CONFERENCE PEDAGOGICAL REFORMS AND THEIR SOLUTIONS VOLUME 12, ISSUE 02, 2025 144 [11]. Turaev, R., Seytov, A., K. Hollozov, B., Haydarova, R., Kuldasheva, S. Algorithms for planning water management in irrigation systems. AIP Conference Proceedings, 2024, 3045(1), 040040. [12]. Seytov, A., Abdurakhmanov, O., Kakhkhorov, A., Karimov, D., Abduraimov, D. Modeling of two-dimensional unsteady water of movement in open channels. E3S Web of Conferences, 2024, 486, 01023. [13]. Turaev, R., Seytov, A., Kuldasheva, S., Nortojiev, U. Algorithms for calculating limits in water management in irrigation systems. E3S Web of Conferences, 2023, 401, 02016. [14]. Aybek Seytov; Lyudmila Varlamova; Azam Khudayberdiev; Niyetbay Uteuliev; Sherzod Yadgarov; Dauletyar Seytimbetov. Usage of finite element method for modeling twodimensional unsteady water movement in open channels. AIP Conf. Proc. 3147, 030034 (2024). https://doi.org/10.1063/5.0210332. [15]. Aybek Seytov; Azimjon Khusanov; Azam Khudayberdiev; Niyetbay Uteuliev; Sherzod Yadgarov; Dauletyar Seytimbetov. Development of algorithms for modelling water management processes on main canals. AIP Conf. Proc. 3147, 030032 (2024). https://doi.org/10.1063/5.0210329. [16]. Aybek Seytov; Azimjon Khusanov; Azam Khudayberdiev; Niyetbay Uteuliev; Sherzod Yadgarov; Dauletyar Seytimbetov; Otabek Ergashev; Olim Abduraxmanov. Development of algorithms for solving problems of optimisation of water resource management in irrigation systems. AIP Conf. Proc. 3147, 030033 (2024). https://doi.org/10.1063/5.0210330 [17]. Aybek Seytov; Lyudmila Varlamova; Sayfiddin Bahromov; Yusup Qutlimuratov; Bakhadir Begilov; Seytimbetov Dauletyar. Optimal management of water resources of large main canals with cascades of pumping stations. AIP Conf. Proc. 3147, 030022 (2024). https://doi.org/10.1063/5.0210523 [18]. Varlamova Lyudmila, P., Seytov Aybek, J., Bahromov Sayfiddin, A., Shokhjakhon Sh, B., Mirzaolimov Akhmadjon, K. Digital Agricultural Ecosystem: Revolutionary Advancements in Agriculture, 2024, страницы 339–368 [19]. Kabulov, A (Kabulov, Anvar); Normatov, I (Normatov, Ibrokhimali); Seytov, A (Seytov, Aybek); Kudaybergenov, A (Kudaybergenov, Adilbay). 2020 IEEE international iot, electronics and mechatronics conference (IEMTRONICS 2020). Страница187-190 [20]. Rakhimov, S. (Rakhimov, Shavkat); Seytov, A (Seytov, Aybek); Rakhimova, N (Rakhimova, Nasiba) ; Xonimqulov, B (Xonimqulov, Bahrom). Mathematical models of optimal distribution of water in main channels// 2020 IEEE 14th international conference on application of information and communication technologies (AICT2020) DOI:10.1109/AICT50176.2020.9368798 [21]. Khaydar, D., Chen, X., Huang, Y. et al. Investigation of crop evapotranspiration and irrigation water requirement in the lower Amu Darya River Basin, Central Asia. J. Arid Land 13, 23–39 (2021). https://doi.org/10.1007/s40333-021-0054-9. [22]. Ernazar J. Makhmudov, Ilhomjon E. Makhmudov & Lenzi Z. Sherfedinov Problems of Water Resource Management in Central Asia. Transboundary water resources: a foundation for regional stability in central asia. pp. 11-28. DOI 10.1007/978-1-4020-6736-5_1