Il monitoraggio satellitare in continuo per la prelocalizzazione dei cedimenti sui collettori fognari
1.
2. Il Monitoraggio Satellitare in continuo per la
prelocalizzazione dei cedimenti sui Collettori Fognari
Ing. Paolo Gelli
Gruppo Hera – Direzione Acqua
Ing. Sergio Samarelli
Planetek Italia s.r.l.
3. 14.681
Km di rete
fognaria
1/3 della Lunghezza
della Circonferenza
Terrestre
2200 km di collettori di
«grandi dimensioni»
4. Manutenzione «ad evento»
Verifiche in campo «su
chiamata»
Difficile definizione delle
priorità
Tempi e costi di intervento
non prevedibili
Manutenzione predittiva:
Riduzione dei costi di ispezione e verifica
in campo
Individuazione tempestiva di anomalie in
modo mirato
Prevenzione danni a strutture e
infrastrutture
Salvaguardia della popolazione
7. Gennaio 2019
Alimentazione del database
con i risultati delle verifiche
in campo
Analisi delle correlazioni dei
dati «esterni» con i dati di
monitoraggio satellitare
Individuazione dei pesi
Sviluppo dell’Algoritmo di
Ottimizzazione
Test in campo e calibrazione
dei parametri configurabili
Progettazione e sviluppo
della soluzione definitiva
Avviamento del sistema di
monitoraggio «ottimizzato»
Condivisione e
inserimento a sistema
dei dati di secondo
livello
Dati storici degli ODL di
PI da cedimenti di reti
fognarie
Dati sui flussi di traffico
giornaliero da TPL (n.ro
corse/giorno)
Dati sull’andamento
della falda ipodermica
(Piattaforma FaldaNet
RER)
Implementazione
Sistema a Network Alert
Individuazione degli
warnings ed esecuzione
delle verifiche in campo
Fase 0
Preparazione progetto
Condivisione dati da GIS
HERA a Sistema (shp,
WMS)
Condivisione dati da
Sistema a HERA (WMS)
Setting dei valori di
Warning (velocità /
accellerazione)
Formazione del
personale
Definizione procedure
per verifiche in campo
Definizione dei kpi di
monitoraggio del
progetto (classe di danno
UNI EN 13508-2)
Fase 1
Utilizzo Sistema
Analisi «visiva» degli
warnings
Predisposizione
programma di
verifiche in campo
Esecuzione
videoispezioni e
attribuzione classe di
danno alla condotta
Registrazione dati a
consuntivo
Fase 2
Implementazione
Piattaforma Integrata
Fase 3
Sviluppo dell’Algoritmo con
logiche di Machine
Learning
Novembre 2017 Febbraio 2018
Maggio 2018 Dicembre 2018
Gennaio 2018 Luglio2018
Attività in corsoAttività svolte
8. Territori: Bologna e Modena
Superficie: 3490 kmq
Estensione reti: 6210 km
Durata: 1/1/2018 - 30/05/2020
Accesso ai dati storici a partire
da fine 2014
Controllo continuo con frequenza
di rivisitazione pari a 6 giorni
Segnalazioni dei punti da verificare in campo sulla base di:
Velocità di movimento
Accelerazione
Coerenza del dato
9. Da Sistema di Visualizzazione
dei dati satellitari
A Piattaforma integrata di
gestione delle informazioni
Rami con elevata
velocità di cedimento
Rami con modesta
velocità di cedimento
ODL di PI storici
suddivisi per tipologia
e anno
Piezometro
falda ipodermica
ODL di PI
10. Dettaglio dei dati dei rami
con elevata velocità di
cedimento da sottoporre a
verifica in campo
Numero corse TPL per
singola tratta di rete
fognaria
11. Numero di Verifiche in campo realizzate 23
Numero di Videoispezioni realizzate 19
Lunghezza tratte ispezionate 916 m.l.
Numero di tratti critici rilevati 13
Classe di danno media rilevata 2,37
12. √ Monitoraggio in continuo di aree estese
√ Nessun dispositivo da installare in campo
√ Alta percentuale di copertura del territorio monitorato
√ Alta precisione di misura degli spostamenti altimetrici (1 mm)
√ Alta coerenza tra gli spostamenti altimetrici rilevati e gli spostamenti effettivi
misurati in campo
√ Percentuale di successo pari a circa il 50 %
√ Individuazione dei rami critici mediante analisi buffer
√ Limiti nell’ evidenziare problematiche «puntuali»
√ Onerosità delle verifiche in campo
Monitoraggio in continuo e PRE-localizzazione dei cedimenti
Supporto e indirizzo delle tecniche di monitoraggio tradizionali
14. Da Interfaccia di
visualizzazione di dati
satellitari e dati ausiliari
All’analisi delle
correlazioni e sviluppo
dell’Algoritmo di Ricerca
con logica ML
• Machine Learning: Clustering per serie temporali:
• Definizione di classi per descrivere gli andamenti temporali tipici dei
PS;
• Studio automatico di comportamenti anomali;
• Deep + Machine Learning: Change detection:
• Uso di algoritmi di ‘change point detection’ (Machine Learning);
• Uso di reti neurali per land cover e land use (U-Net, Deep Learning);
Editor's Notes
Suddivisione gerarchica per classi di diametro e di dimensioni
Cantiere via Indipendenza a Bologna:
Lavori 22 giorni
Chiusura totale del tratto di strada