«Mi sembra importante premettere che l’obiettivo fondamentale di questo studio è stato quello di realizzare un efficace strumento previsionale della domanda idrica da parte dell’utenza in una rete reale. La domanda è il vero “motore” che fa funzionare la rete, ma, derivando dai comportamenti umani, è per sua natura aleatoria, e dunque di difficile previsione. Conoscere la domanda è fondamentale per poter stimare quella che sarà, ad esempio, l’evoluzione delle pressioni nel corso della giornata, e dunque se la rete da un lato sarà in grado di soddisfare sempre la richiesta, dall’altro se esiste la possibilità di abbassare le pressioni, riducendo al contempo le perdite in rete.

Per spiegare in sintesi cosa abbiamo fatto in questo studio, immaginiamo di dover indovinare quanta acqua consumerà una città nei prossimi quindici minuti. I metodi tradizionali rispondono con un unico numero, una sorta di “media del passato”. La Gaussian Process Regression fa qualcosa di più interessante: invece di un solo valore, restituisce una previsione accompagnata da un margine di incertezza, un po’ come quando le previsioni del tempo non dicono soltanto “ci saranno 20 gradi”, ma “tra 18 e 22 gradi”. Sappiamo così non solo quanto probabilmente consumeremo, ma anche quanto possiamo fidarci di quella stima: un’informazione preziosa per chi deve prendere decisioni in tempo reale.

L’approccio che abbiamo scelto è, in parole semplici, il modo in cui il modello impara a riconoscere gli schemi nascosti nei dati. È particolarmente bravo a cogliere nello stesso tempo le abitudini di brevissimo periodo, quelle che si ripetono ogni giorno e quelle che tornano ogni settimana. Il metodo tradizionale, basato sulle medie orarie, tende invece a sovrastimare quasi sempre i consumi e non riesce a cogliere il fatto che la domanda reale è irregolare e imprevedibile, soprattutto nei momenti di punta.

Il risultato, in numeri, è che l’errore di previsione si è più che dimezzato. Nei giorni feriali si è ridotto di circa il 59–66%, nei fine settimana addirittura del 67–69%. In pratica, le previsioni sono diventate molto più vicine a ciò che accade davvero nella rete».

«Le parti più difficili da stimare sono i picchi di consumo e i momenti di passaggio da una fase all’altra della giornata: il picco del mattino, quando tutti si preparano per uscire, la ripresa della sera e soprattutto il momento in cui il consumo scende dal picco mattutino verso il livello più tranquillo di metà giornata. Sono anche gli istanti più critici per chi gestisce la rete, perché è lì che l’acquedotto viene maggiormente sollecitato e possono aversi i disservizi.

Questi picchi sono per loro natura “capricciosi”: cambiano di giorno in giorno e nei fine settimana diventano ancora più marcati e irregolari, con salite più ripide e discese più brusche. Un metodo basato sulle medie tende inevitabilmente a smussare questi passaggi, restituendo un profilo troppo “morbido” rispetto alla realtà.

Il nostro algoritmo li ha interpretati meglio perché gli abbiamo fornito le informazioni giuste: che cosa era successo un quarto d’ora prima, un’ora prima, nello stesso momento del giorno precedente e della settimana precedente. In questo modo il modello impara sia le abitudini immediate sia i ritmi che si ripetono ogni giorno e ogni settimana. Gli abbiamo inoltre insegnato a distinguere i giorni feriali da quelli festivi e a leggere l’ora del giorno in modo “circolare”, così che le 23:59 e le 00:00 vengano riconosciute come istanti vicini e non come estremi opposti. Il risultato è una previsione che segue molto più fedelmente sia l’altezza sia il momento esatto dei picchi.

Voglio qui sottolineare come l’approccio basato sull’Intelligenza Artificiale che abbiamo utilizzato, è basato sulla conoscenza pregressa del funzionamento della domanda. Non è pertanto una “black-box”, ma una maniera di fondere le conoscenze pregresse con i nuovi strumenti».

«La forza di una previsione a quindici minuti è che arriva praticamente in tempo reale, ed è quindi perfetta per governare la rete “a distanza”, dalla sala di controllo. Ma il vero valore aggiunto sta nel sapere in anticipo non solo quanta acqua servirà, ma anche con quanta sicurezza possiamo dirlo: questo permette al gestore di prepararsi ai momenti di punta, invece di rincorrerli.

In concreto significa poter regolare la pressione della rete seguendo la domanda prevista: abbassarla nelle ore in cui si consuma poco — cosa che riduce anche le perdite d’acqua, un tema al centro del progetto di ricerca SMART RENEW, di cui sono stato coordinatore e che è stato finanziato dal Ministero dell’Università e della Ricerca Scientifica nell’ambito dei Progetti di Ricerca di Interesse Nazionale (PRIN), in cui si inserisce questo studio — e garantirla per tempo quando si avvicina un picco. Lo stesso discorso vale per l’accensione delle pompe e per la gestione dei serbatoi: con una buona previsione si possono programmare le manovre in anticipo, passando da una gestione che insegue i problemi a una che li previene.

Va detto con trasparenza che il modello non è ancora perfetto: la nostra verifica ha mostrato che in circa il 10–11% dei casi i consumi reali cadevano un po’ fuori dal margine di sicurezza previsto, segno che il sistema tende a essere leggermente troppo ottimista sulla propria precisione. È proprio da qui che partiranno i prossimi miglioramenti. Nel complesso, però, i risultati confermano che strumenti come questo sono una base concreta e promettente per rendere davvero “intelligenti” le reti idriche del futuro.

In ultimo mi pare necessario ringraziare il mio team all’Università di Cassino, che mi ha supportato in questa ricerca, e in particolare la professoressa Carla Tricarico e l’ingegner Cristian Cappello».