Tecniche predittive per la gestione delle reti idriche

10 Maggio 2019 • Treviso • Museo di Santa Caterina
UTILIS ITALIAN INNOVATION SUMMIT
Future of leak detection today
Tecniche predittive per la gestione delle reti idriche
Dott. ing. Matteo Nicolini
Idrostudi – Area Science Park (Trieste)
D.P.I.A. - Università di Udine

UTILIS ITALIAN INNOVATION SUMMIT • Future of leak detection today • Treviso, 10 Maggio 2019
Premesse
Gestione
Reti Idriche
Modelli di
simulazione
Modelli di
ottimizzazione
Proiezione/
Previsione
DATI
Sistemi di
controllo
Scenari medio/lungo termine
per strategie di pianificazione
(progetti generali, water safety plan,…)
Analisi a breve termine
per gestione real-time
(individuazione perdite,
risparmio energetico,
pressure management, …)
“Prediction is very difficult,
especially if it's about the future.”
Nils Bohr

Titolo argomento
Sistemi a controllo distribuito
Sensori
Trasmettitori
Attuatori,
Valvole di
regolazione
Smart set-point
Condizioni
ambientali
Vincoli
operativi
Organizzazione Dati
(Big Data)
Accumulo di dati e informazioni
da un gran numero di dispositivi IOT
Analisi e visualizzazione
(Big Data Analytics, Complex Networks,
Artificial Intelligence – Machine Learning)
Visualizzazione e previsione di valori e variazioni
in base alla gran mole di dati raccolti
Ottimizzazione
(Artificial Intelligence
Evolutionary algorithms)
Gestione ottimale e miglioramento
prestazioni in base alle previsioni
IOT
(Internet Of
Things)
Altri
sensori
da campo
(Simulation)
Modelli di simulazione,
Dinamiche di processo
Ingegnerizzazione
Mondo
Virtuale
Mondo
Reale
Incremento
efficienza
reti
Inquadramento
DATI

Tecniche predittive per la gestione delle perdite
• Il 60% dell’intera rete nazionale (425000 km) è stato posato oltre 30 anni fa ed il 25%
della stessa si stima superi addirittura i 50 anni di vita ("Blue Book 2017" Utilitalia).
• L’individuazione di tecniche predittive che possano identificare le strategie per intervenire
su asset critici delle reti è una priorità di molti enti gestori
Modelli deterministici
• Shamir e Howard (1979)
• McMullen (1982),
Modelli probabilistici monovariabili
Modelli probabilistici multivariabili
• Kleiner e Rajani (2003)
Machine Learning (metodi di apprendimento automatico)

Reti Neurali Artificiali (ANN)
Le reti neurali artificiali si ispirano al funzionamento biologico del cervello replicandone:
1. la capacità di imparare attraverso l’apprendimento
2. la conoscenza, mediante la «forza» delle connessioni fra neuroni (pesi-sinaptici)
L'utilità dei modelli di Rete Neurale consiste nella possibilità di COMPRENDERE una
funzione utilizzando solo le OSSERVAZIONI SUI DATI
Algoritmo di Backpropagation (BPNN)
• Minimizzazione dell'errore attraverso la
modifica dei pesi







 N
i
ii
N
i
ii
TT
N
OT
N
R
1
1
2
2
)(
1
1
)(
1
1

Applicazione alla rete di Fano (AN)

Applicazione alla rete di Fano (AN)
89%
2% 1%
6%
0% 0% 0% 1% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
0.00%
10.00%
20.00%
30.00%
40.00%
50.00%
60.00%
70.00%
80.00%
90.00%
100.00%
N°condotte
Errore Assoluto
Rete 1 : Errore assolutio - Simulazione 2015

RETE
Collezione di nodi (vertici) interconnessi a
coppieattraversodei rami (spigoli).
..come
social networks, reti
internet, reti
biologiche, stormi di
uccelli, relazioni tra
neuroni nel cervello ecc
RAPPRESENTATO
MEDIANTE:
SISTEMACOMPLESSO
Sistema costituito da più parti collegate tra
loro, il cui comportamento non può essere
colto senza studiare l’interazione tra le parti
stesse.
”l’insieme più della somma delle parti”
Scienziati e ingegneri, guardando un sistema, cercano di comprenderne il
funzionamento analizzando ogni singola parte… fino ai dettagli degli elementi
costitutivi (approccio riduzionistico).
Molto spesso la chiave della comprensione del funzionamento non è nei singoli
elementi, ma nella loro interazione (sguardo sistemico).
Reti complesse

SCALE-FREESMALL-WORLDRANDOM
Decade
rapidamentea0
RANDOMESMALL-WORLD:
DISTRIBUZIONE
ESPONENZIALE
Presentauna
lungacoda
SCALE-FREE:
DISTRIBUZIONE
POWER-LAW
✔ resistentea
rotturecasuali
✘ vulnerabile
adattacchi
mirati
✘ vulnerabili a
rotturecasuali
✔ resistenti ad
attacchi mirati
Rete Internet
RETICOMPLESSE:ESEMPI
Rete collaborazioni scientifiche
Reti di trasporti
Tipologie di reti reali:
-Reti fisiche (o materiali)
-Reti virtuali (o relazionali)
Unareteèrappresentatadaun
GRAFO
Insiemedi n nodiovertici
collegati dam linee,chiamate
anchespigoli olink.
Dal puntodi vistamatematico,un
grafoèdescrittoattraversola
MATRICEDI
ADIACENZA
RETICOMPLESSEeGRAFI

NODIAMONTE
Nodi chealimentanoil
nodoconsiderato
NODIDIPENDENTI
Nodi chevengonoalimentati
dal nodoconsiderato
Inodi amontealimentano
quellidipendentiin
percentualevariabile,che
generalmentediminuisce
allontanandosi dal nodo
stesso.
Considerato un nodo:
1) Qual è la distribuzione di probabilità dei
nodi che lo alimentano?
2) Qual è la distribuzione di probabilità dei
nodi alimentati da questo?
→ Simulazioni numeriche quali-quantitative del comportamento
di un acquedotto (la sola topologia
non è più sufficiente!)
Quantificazione della vulnerabilità ai fini dei Water Safety Plan

y = 0.6627e-0.003x
R² = 0.9849
y = 0.5685e-0.003x
R² = 0.9835
y = 0.283e-0.003x
R² = 0.9389
y = 0.5028e-0.003x
R² = 0.9849
y = 1x-1
R² = 1
0.00001
0.0001
0.001
0.01
0.1
1
10
1 10 100 1000 10000 100000
Distribuzione P(Kout)
Distribuzione di probabilità di alcune reti reali: andamento esponenziale
Rete di Cayley:
andamento
scale-free
Numero nodi dipendenti
M. Nicolini, 7th Int.l Conf. on Environmental Management, Engineering, Planning and Economics, Mykonos (2019)

y = 0.6627e-0.003x
R² = 0.9849
y = 0.5685e-0.003x
R² = 0.9835
y = 0.283e-0.003x
R² = 0.9389
y = 0.5028e-0.003x
R² = 0.9849
y = 1x-1
R² = 1
0.00001
0.0001
0.001
0.01
0.1
1
10
1 10 100 1000 10000 100000
Distribuzione P(Kout)
I
Distribuzione di probabilità di alcune reti reali: andamento esponenziale
Area  Indice
di vulnerabilità
Rete di Cayley:
andamento
scale-free
Numero nodi dipendenti
M. Nicolini, 7th Int.l Conf. on Environmental Management, Engineering, Planning and Economics, Mykonos (2019)

OBIETTIVO: Localizzare le perdite
a partire dalle misure di pressione.
IDEA: se in una rete ‘integra’ gli
andamenti della pressione sono
correlati:
Reti complesse per la gestione delle perdite

OBIETTIVO: Localizzare le perdite
a partire dalle misure di pressione.
IDEA: La formazione di una perdita
introduce un disturbo nei segnali: il
nodo che risulta più scorrelato è
quello in cui si verifica la perdita.
Reti complesse per la gestione delle perdite

Grazie per l’attenzione
Matteo Nicolini

Tecniche predittive per la gestione delle reti idriche

Recommended

Recommended

More Related Content

Similar to Tecniche predittive per la gestione delle reti idriche

Similar to Tecniche predittive per la gestione delle reti idriche (20)

More from Servizi a rete

More from Servizi a rete (20)

Tecniche predittive per la gestione delle reti idriche