Analisi di scenari di trasporto di CO2 in condotta tramite reti di Kolmogorov-Arnold

La crescente complessità dei modelli numerici ha consolidato l’impiego delle reti neurali nella simulazione dei fenomeni tipici dell’ingegneria idraulica, mettendo però in evidenza limiti strutturali legati alla scarsa interpretabilità e alla difficoltà di ricondurre le predizioni ai principi fisici sottostanti. Le Kolmogorov–Arnold Networks (KAN), basate sul teorema di rappresentazione di Kolmogorov–Arnold secondo cui ogni funzione multivariata può essere espressa come somma di funzioni univariate, forniscono una possibile risposta a queste criticità, combinando capacità predittiva e trasparenza del modello. Questo lavoro analizza le KAN sia dal punto di vista teorico sia attraverso due applicazioni in ambito idraulico. La prima riguarda la stima della portata di base, mediante la riproduzione e l’esame critico di uno studio di riferimento che per primo ha affrontato un problema idraulico tramite tali reti. La replicazione dei risultati ha richiesto l’utilizzo di una versione storica della libreria Python dedicata alle KAN, mentre l’impiego della versione più recente ha consentito di valutare gli effetti delle modifiche introdotte nell’evoluzione dell’architettura. La seconda applicazione riguarda il trasporto in condotta di miscele ricche di CO₂, considerando scenari con impurità variabili sia in impianto a configurazione fissa sia in impianto a configurazione variabile, condizioni che influenzano in modo significativo il comportamento termodinamico della miscela. Entrambe le analisi mettono in luce la capacità delle KAN di estrarre relazioni interpretabili, ridurre la complessità del modello e mantenere un livello affidabile di accuratezza predittiva. Nel complesso, i risultati indicano che le KAN costituiscono uno strumento complementare ai modelli di deep learning tradizionali, particolarmente utile nei contesti in cui la comprensione fisica del modello risulta fondamentale oltre all’accuratezza numerica.