Modello di machine learning integrato a tecniche di RTC per la gestione del sistema fognario di Rimini: il caso del bacino Colonnella I

La città di Rimini è attraversata da fosse consortili, nate con la funzione di raccolta ed allontanamento delle acque meteoriche, che nel tempo sono state trasformate in vere e proprie condotte fognarie miste. In corrispondenza di eventi piovosi intensi, le paratoie poste alla foce delle fosse vengono spesso aperte determinando così un impatto negativo sia sulla qualità delle acque del litorale sia sull'indotto turistico della città. Una delle soluzioni più efficienti per prevenire questi fenomeni è effettuare un controllo in tempo reale (RTC) del sistema fognario, ottimizzando così la capacità di invaso, trasporto e di trattamento del sistema durante gli eventi piovosi. Nell’elaborato di tesi in questione, realizzato nell’ambito di un tirocinio presso HERA SPA, è stata discussa l’implementazione di un modello previsionale di machine learning, basato su una rete neurale artificiale che, integrandosi con le tecniche di RTC già presenti, permetterà di supportare al meglio gli operatori durante la gestione del sistema fognario afferente al sottobacino Colonnella I. Le attività hanno previsto l’analisi dettagliata delle diverse tipologie di dati utilizzati dalla rete neurale, delle varie fasi che hanno portato alla realizzazione del tool di demo e della valutazione qualitativa delle prestazioni fornite dal modello. Questa fase è stata condotta analizzando, in corrispondenza di vari istanti temporali, gli errori commessi dal modello nella previsione delle grandezze di output. Al termine della valutazione, in base alle numeriche emerse è stato possibile evidenziare alcune criticità tecniche del sistema ed identificare le possibili migliorie da apportare affinché il modello possa essere uno strumento effettivamente valido ed utilizzabile nella gestione del servizio.