Perché i modelli predittivi sono un alleato importante per la gestione dei sistemi fognari
A cura di Marco Iusi, Head of Google Cloud Competence Center
La gestione delle reti fognarie è una sfida complessa, soprattutto in contesti urbani dove un sistema malfunzionante può avere gravi conseguenze per la salute pubblica e l'ambiente. Eventi meteorologici avversi, come piogge intense o inondazioni, possono mettere a dura prova le infrastrutture fognarie, causando blocchi, traboccamenti e altri problemi che richiedono interventi rapidi ed efficaci.
In questo contesto, un modello predittivo per l’allerta precoce rappresenta una soluzione innovativa per anticipare i problemi e supportare le attività di gestione e manutenzione delle reti fognarie. È dunque importante capire come un tale sistema possa migliorare la resilienza di queste reti, riducendo i rischi, ottimizzando le risorse e, allo stesso tempo, inquadrando questo approccio all'interno di una visione più ampia che consideri l'intero sistema idrico integrato.
Un modello predittivo è uno strumento basato su algoritmi di machine learning e analisi statistica, progettato per prevedere potenziali problemi nella rete fognaria prima che si verifichino. A tal scopo potrebbe essere utilizzata una vasta gamma di dati per analizzare e identificare schemi ricorrenti e rischi potenziali, a cominciare dalle previsioni meteorologiche, dai dati infrastrutturali della rete, dalle caratteristiche orografiche del territorio, dall’incidenza demografica su base stagionale, dallo storico di incidenti o di eventi meteorologici avversi, ecc.
Dalla previsione all’azione: le 3 fasi principali su cui si basano i modelli predittivi
Un sistema di allerta precoce si basa su un processo in più fasi che include la raccolta dati, l'analisi predittiva e la generazione di allarmi.
- Raccolta dati
È una fase essenziale che include l’individuazione di fonti dati affidabili, aggiornate ed eventualmente open (pur non escludendo la possibilità di accedere a provider a pagamento). Sempre a titolo di esempio, i dati meteorologici possono essere recuperati da stazioni meteorologiche locali e servizi nazionali; mentre i dati infrastrutturali riguardanti la rete fognaria risiedono sui sistemi GIS (Geographic Information System, di cui ormai buona parte dei gestori è dotata), piuttosto che in data model più avanzati come il BIM (Building Information Model). In entrambi i casi, è possibile recuperare dati riguardanti la localizzazione e lo stato delle condutture, piuttosto che dati sui flussi rilevati da sensori installati nelle fognature e storicizzabili grazie a moderni sistemi IoT. I dati storici provenienti dai sistemi su cui vengono gestite le risorse e gli asset aziendali, le relazione con i clienti e la gestione delle squadre operative ( ERP, CRM, WFM, etc) possono essere incrociati con lo storico di incidenti, segnalazioni e interventi riguardanti blocchi e traboccamenti, permettendo di identificare i punti critici della rete.
- Analisi predittiva
Il modello analizza i dati raccolti per identificare correlazioni tra i dati individuati ed i possibili problemi sulla rete fognaria. Ad esempio, piogge intense possono essere associate a un aumento del rischio di traboccamenti. Attraverso algoritmi di machine learning, il sistema prevede la probabilità che si verifichi un problema specifico in una determinata area della rete.
- Generazione di allarmi
Il sistema emette allarmi in base al livello di rischio calcolato, categorizzandoli in base alla gravità e suggerendo le azioni da intraprendere. Per esempio, un allarme di livello alto potrebbe richiedere l'intervento immediato di una squadra di manutenzione.
Avere a disposizione un sistema predittivo permette di attivare, per esempio, un monitoraggio aumentato in caso di allarme medio, ovvero intensificare il monitoraggio delle aree critiche per prevenire problemi. Allarmi di livello alto potrebbero attivare interventi preventivi, per esempio la pulizia immediata delle condutture o la predisposizione di squadre di emergenza. Inoltre, basandosi sui dati predittivi, la gestione delle squadre di manutenzione e delle risorse può essere pianificata in modo più efficiente, riducendo i costi operativi.
Più nel concreto, il vero valore del modello predittivo risiede nella sua capacità di tradurre le previsioni in azioni implementabili, ovvero diventare un Sistema di Supporto alle Decisioni (Decision Support System). Le linee guida operative associate al modello potrebbero dunque suggerire agli operatori esattamente cosa fare in risposta agli allarmi o, in situazioni futuribili, il sistema potrebbe addirittura agire in maniera autonoma sulla rete, in casi di estrema urgenza, grazie a degli attuatori telecontrollati (es.: paratie che si chiudono in caso di traboccamenti ed inondazioni).
I 3 aspetti fondamentali che rendono i modelli predittivi davvero efficaci: design, misurabilità e user experience
Per garantire che i modelli predittivi siano davvero efficaci, è essenziale che siano di valore per l'utente finale. Ciò significa che devono essere sia "usabili" che "usati". La complessità di uno strumento tecnologico non deve ostacolare la sua adozione: al contrario, deve essere progettato in modo tale da essere intuitivo e facilmente interpretabile dagli operatori che lo utilizzeranno quotidianamente.
È fondamentale prevedere una fase di design condivisa con gli utenti finali, durante la quale possano esprimere le loro esigenze e fornire feedback sulle funzionalità sviluppate. Questo approccio collaborativo assicura che le soluzioni siano realmente utili e rispondenti alle necessità operative.
I benefici del modello predittivo devono essere misurabili. Gli utenti devono poter vedere chiaramente l'impatto positivo dell'adozione di questi strumenti, sia in termini di efficienza operativa che di riduzione dei rischi. Metriche chiare e trasparenti permettono di valutare l'efficacia del modello e di apportare eventuali miglioramenti.
La user experience deve essere al centro dello sviluppo del modello. Un'interfaccia utente ben progettata, intuitiva e accessibile garantisce che lo strumento venga utilizzato correttamente e che i risultati siano facilmente interpretabili. È inutile sviluppare funzionalità iperboliche se poi nessuno le utilizza perché troppo complesse da eseguire o perché i risultati sono difficili da comprendere.
In conclusione, perché è importante applicare i modelli predittivi alla gestione delle reti fognarie?
In un mondo sempre più interconnesso e soggetto a eventi climatici estremi, la gestione proattiva delle infrastrutture critiche come le reti fognarie è essenziale. Un modello predittivo per l’allerta precoce rappresenta un passo avanti verso una gestione più intelligente ed efficiente, permettendo di anticipare i problemi, proteggere l'ambiente e garantire la salute pubblica. Tuttavia, per massimizzare i benefici di tale approccio, è cruciale inserirlo all'interno di una strategia di gestione del sistema idrico integrato, che consideri tutte le componenti del ciclo dell'acqua come parte di un unico ecosistema interconnesso e resiliente.
Inoltre, è essenziale tener conto della mappa applicativa esistente presso i gestori delle risorse idriche. Prima di introdurre nuove fonti di dati, occorre consolidare, valorizzare e monetizzare il patrimonio informativo già disponibile. Solo in questo modo si potrà creare un sistema predittivo realmente efficace e integrato, capace di trasformare la gestione delle nostre città, rendendole più resilienti e sostenibili nel lungo periodo.
Infine, è fondamentale che questi modelli siano di valore per l'utente finale. Devono essere progettati in modo da essere utilizzabili e realmente utilizzati, coinvolgendo attivamente gli utenti finali nel processo di sviluppo e garantendo che i benefici siano misurabili. La user experience deve godere della massima attenzione, perché uno strumento complesso e difficile da usare rischia di rimanere inutilizzato, vanificando gli sforzi fatti per migliorare la gestione delle infrastrutture critiche.