Rilevamento delle perdite d’acqua e analisi dei flussi anomali; ottimizzazione dell’assetto delle reti e manutenzione predittiva; gestione avanzata della domanda.
Sono alcune delle possibili applicazioni dell’intelligenza artificiale in campo idrico individuate dal recente Position Paper della Fondazione per la Sostenibilità digitale, in seno alla quale Acquedotto Pugliese, Gruppo CAP, Italgas e MM hanno da poco costituito un gruppo di lavoro dedicato al tema Acque.
Il Position Paper, presentato a Roma questa primavera, ne esprime il punto di vista, mettendo a fuoco il ruolo delle tecnologie digitali nel favorire una gestione innovativa e sostenibile del sistema idrico nazionale, notoriamente caratterizzato da macroscopiche inefficienze strutturali.
Per lo sviluppo dei territori
Rendere virtuoso il processo di gestione della risorsa idrica, a partire dalla fase di captazione fino alla distribuzione e alla depurazione, è funzionale allo sviluppo sostenibile del territorio e le tecnologie digitali costituiscono la leva per attuarlo.
Più in generale, la sostenibilità digitale dell’acqua è una chiave per la crescita delle economie locali e del sistema Paese: questa la tesi sottesa al documento, che si rivolge agli operatori del settore sollecitandone il coinvolgimento e la partecipazione.
La condivisione di conoscenze e buone pratiche è infatti particolarmente utile per un settore come quello idrico, la cui gestione particolarmente frammentata è in capo a imprese pubbliche prevalentemente piccole e medie, che non sempre dispongono delle risorse, soprattutto economiche, per far fronte agli investimenti necessari all’aggiornamento tecnologico. Anche a loro beneficio, il Position Paper identifica 6 ambiti applicativi e vari casi d’uso dell’intelligenza artificiale già attuali nel settore idrico.
Rilevamento delle perdite d’acqua
L’applicazione del machine learning al rilevamento delle perdite d’acqua nelle reti idriche si basa sull’impiego di algoritmi addestrati per identificare pattern e anomalie nei dati provenienti dai sensori distribuiti. Obiettivo, accrescere l’efficienza del monitoraggio, identificando rapidamente le situazioni problematiche e riducendo il volume di acqua perso a causa di perdite non individuate. L’approccio analitico e predittivo è funzionale alla continuità del servizio e alla riduzione degli sprechi.
Analisi di flussi anomali
L’utilizzo di algoritmi di regressione permette di modellare il comportamento usuale del flusso dell’acqua in una sezione della rete, riconoscendo variazioni significative e inattese e segnalandole come possibili perdite.
Tecniche di machine learning avanzate, come l’analisi di serie temporali, sono in grado di individuare perdite di minima entità che sfuggono alla verifica manuale. Il modello può essere integrato con dati di pressione, temperatura e altri parametri per rilevare possibili anomalie.
Ottimizzazione dell’assetto delle reti
L’utilizzo di modelli di machine learning basati su algoritmi di regressione permette di predire la domanda futura in base a fattori come la temperatura, la densità di popolazione, gli schemi di consumo stagionali e le previsioni meteorologiche.
È possibile addestrare modelli basati su reti neurali artificiali che apprendono i pattern dei consumi giornalieri e prevedono i consumi nelle varie fasce orarie. È possibile simulare i bilanci idrici e predire i flussi futuri, consentendo una distribuzione ottimale dell’acqua in base a parametri dinamici precedentemente identificati.
Manutenzione predittiva
Gli algoritmi di apprendimento automatico integrano dati provenienti da sensori distribuiti lungo la rete con dati storici di manutenzione, informazioni dettagliate sugli asset, condizioni ambientali e altri fattori.
Analizzando lo stato di corrosione dei tubi e i dati relativi ai guasti passati è possibile prevedere la vita residua delle tubazioni, creando modelli predittivi in grado di prevederne il deterioramento per programmare interventi di manutenzione preventiva.
Gestione della domanda
Modellando i consumi passati in relazione alle variabili ambientali e comportamentali, è possibile predire la domanda futura in base a fattori come la temperatura, la densità di popolazione, gli schemi di consumo stagionali e le previsioni meteorologiche e prevedere i consumi nelle diverse fasce orarie.
I sistemi di machine learning utilizzano approcci di ottimizzazione avanzata per simulare i bilanci idrici e predire i flussi futuri, consentendo una distribuzione ottimale dell’acqua lungo la rete in base a una serie di parametri dinamici, ottimizzando l’erogazione dell’acqua, per esempio aumentando la pressione nelle ore di picco di consumo e riducendola durante le ore di minore richiesta.
