Vodoopskrba je jedna od najvažnijih javnih usluga koja doprinosi kvaliteti života, a važnost sigurnog vodoopskrbnog sustava osnovni je zahtjev svake gradske vodovodne mreže. Pravilno modeliranje miješanja u hidrauličkim elementima mreže od velike je važnosti za točnu simulaciju i predikciju širenja onečišćenja. U ovoj doktorskoj disertaciji istražuje se miješanje fluida u cjevovodnim mrežama i njenim segmentima (dvostruki T-spojevi) eksperimentalnim pristupom, numeričkim modelima i metodama strojnog učenja u svrhu točnijeg i efikasnijeg modeliranja širenja i detekcije onečišćenja u urbanim vodoopskrbnim mrežama. Dobiveni su novi eksperimentalni podaci za miješanje fluida u različitim konfiguracijama dvostrukih T-spojeva te je validiran numerički model kalibracijom turbulentnog Schmidtovog broja. Istražuje se i predlaže pristup baziran na strojnom učenju koji koristi umjetne neuronske mreže i koji se trenira podacima koji su generirani rezultatima dobivenim putem numeričkih analiza u svrhu stvaranja računski učinkovitih i robusnih modela za miješanje fluida u dvostrukim T-spojevima. S obzirom na računsku efikasnost, modeli koji su izrađeni strojnim učenjem mogu se integrirati u postojeće inženjerske sofvere koji su bazirani na jednostavnijim modelima, kako bi se povećala njihova točnost kod simulacije propagacije onečišćenja u cjevovodnim mrežama. Osim navedenog, istražuje se i modeliranje miješanja fluida u dvostrukom T-spoju putem modela turbulencije Large Eddy Simulation povezanim s modelom čistog advekcijskog transporta skalara. Predloženi način modeliranja miješanja fluida u dvostrukom T-spoju daje točne rezultate miješanja u dvostrukom T-spoju koji ne uključuje potrebu za kalibracijom turbulentnog Schmidtov broja te time stvara mogućnost za generiranje korekcijskih faktora za jednostavnije modele u svrhu točnijeg modeliranja onečišćenja u cjevovodima. Predstavljene su i istražene tri različite metodologije koje koriste algoritme strojnog učenja u svrhu otkrivanja izvora onečišćenja u vodovodnim mrežama. Prva od tri metodologija se temelji na klasifikaciji najvjerojatnijeg izvora onečišćenja u vodoopskrbnoj mreži te radi na temelju algoritma Nasumičnih šuma (Random Forest). Algoritam Nasumičnih šuma istreniran je podacima koji su dobiveni Monte Carlo hidrauličkim simulacijama koje uključuju i modeliranje transporta onečišćenja. Algoritam se pokazuje računalno učinkovitim i lako generira popis najvjerojatnijih izvora onečišćenja u vodoopskrbnoj mreži te je testiran na dvije različite vodoopskrbne mreže različitih veličina. Nadalje, predstavljena je druga metodologija koja koristi algoritam zasnovan na strojnom učenju za klasifikaciju izvora onečišćenja u vodoopskrbnim mrežama koji je izrađen posebno za paralelne sustave visokih performansi. Algoritam koristi kombinaciju Umjetnih neuronskih mreža (Artificial Neural Networks) za klasifikaciju izvora onečišćenja te algoritam Nasumičnih šuma za regresijsku analizu kako bi odredio značajne varijable događaja onečišćenja kao što su vrijeme početka onečišćenja, vrijeme završetka onečišćenja i koncentraciju onečišćenja. Uspješno sužava potencijalne izvore onečišćenja što dovodi do identifikacije izvora onečišćenja, vremena početka i vremena završetka događaja onečišćenja i koncentraciju onečišćenja te je vrlo računski efikasan kada se koristi u superračunalnom okruženju. Na kraju, trećom metodologijom predstavljena su i istražena dva nova algoritamska okvira koja se temelje na spajanju algoritma strojnog učenja za predviđanje najvjerojatnijih izvora onečišćenja u vodovodnoj mreži s optimizacijskim algoritmima (stohastičkih i determinističkih) za određivanje relevantnih parametara kao što su vrijeme početka, vrijeme završetka onečišćenja i koncentracija onečišćenja za svaki predviđeni potencijalni izvor zasebno. Oba algoritamska okvira imaju dobru izvedbu i pokazuju robusnost u određivanju istinskog izvora onečišćenja.