Il contesto
Terna è il gestore della Rete di Trasmissione Nazionale italiana, una delle più estese d’Europa. Quotata nell’indice FTSE MIB, gestisce circa 76.000 km di linee ad alta e altissima tensione e centinaia di stazioni di trasformazione, garantendo sicurezza, continuità e qualità del servizio elettrico nel Paese.
Nel 2024 Terna ha testato i modelli predittivi di Eoliann, basati su intelligenza artificiale e dati satellitari, con l’obiettivo di costruire una mappatura del pericolo idraulico più completa e uniforme. Un passaggio essenziale per identificare le aree della rete più esposte e orientare in modo più mirato gli interventi di rafforzamento.
Le mappe delle Autorità di Bacino, pur restando il riferimento ufficiale, coprono solo il 39% del territorio nazionale per quanto riguarda i tiranti idrici, con dati spesso eterogenei tra distretti. Le mappe del Joint Research Centre europeo offrono una copertura più estesa, ma escludono i bacini più piccoli e hanno una risoluzione che non consente di cogliere bene elementi locali come le opere di difesa idraulica.
È in questo contesto che Terna ha avviato un Proof of Concept con Eoliann, nell’ambito del programma Innovation Bootcamp “Data Science for Resilience”, per sviluppare un approccio capace di superare i limiti delle fonti esistenti.
Il progetto
Il progetto, concluso a marzo 2024, è stato sviluppato congiuntamente da Terna ed Eoliann attraverso un doppio approccio: da una parte simulazioni idrauliche numeriche 2D, utili a generare mappe fisicamente accurate; dall’altra l’applicazione del modello di machine learning Airis Flood, per verificare la possibilità di estendere l’analisi a scala nazionale.
Terna ha selezionato tre aree pilota in Piemonte, ciascuna attorno a una stazione di trasformazione interessata da eventi alluvionali documentati negli anni precedenti. Questa scelta ha permesso di confrontare i risultati del progetto con dati reali di alta qualità messi a disposizione da ARPA Piemonte.
1. Simulazioni numeriche idrauliche 2D
Per ciascuna area, Eoliann ha sviluppato simulazioni idrologiche e idrauliche 2D utilizzando esclusivamente dati di Earth Observation, tra cui modello digitale del terreno, precipitazioni, copertura del suolo e rete idrografica.
Le simulazioni hanno prodotto mappe di altezza e velocità dell’acqua a 30 metri di risoluzione, per tre periodi di ritorno – 20, 100 e 200 anni – coerenti con il quadro normativo di riferimento.
2. Validazione contro eventi reali e fonti ufficiali
I risultati sono stati confrontati in modo sistematico attraverso il confronto con tre fonti indipendenti:
- i rilievi di eventi alluvionali reali forniti da ARPA Piemonte;
- le mappe delle Autorità di Bacino del Po;
- le mappe del Joint Research Centre europeo.
Questo ha permesso di misurare non solo la qualità della simulazione, ma anche il valore aggiunto rispetto agli strumenti già disponibili.
3. Applicazione del modello AI Airis Flood
Sulle stesse aree è stato poi applicato Airis Flood, il modello di machine learning di Eoliann per la stima del tirante idrico, già operativo a livello europeo.
Il modello combina variabili geomorfologiche, climatiche e urbanistiche per fornire una lettura continua e omogenea del pericolo alluvionale a 30 metri di risoluzione, colmando le principali lacune delle fonti pubbliche.
Confronto tra l’estensione dell’evento alluvionale reale e la mappa di tirante idrico simulata.
I risultati
Il progetto ha prodotto mappe di altezza dell’acqua per le tre aree pilota e per i tre periodi di ritorno considerati, validandole sia rispetto a eventi alluvionali reali sia rispetto alle principali fonti ufficiali.
I risultati hanno confermato l’affidabilità dei modelli idraulici.
Stima della velocità dell’acqua
Tramite le simulazioni idrauliche sono state generate mappe della velocità dell’acqua, una grandezza che le fonti pubbliche oggi non forniscono ma che è essenziale per valutare il rischio su sostegni e stazioni.
Validazione su eventi reali
Nel confronto con le estensioni degli eventi alluvionali documentati da ARPA Piemonte, le simulazioni idrauliche hanno mostrato un buon livello di coerenza, restituendo risultati complessivamente affidabili nella rappresentazione delle aree interessate.
Scalabilità dell’approccio
Il modello di machine learning testato nel contesto del PoC, ha permesso di esplorare la possibilità di estendere l’analisi oltre il perimetro pilota e di costruire una lettura più uniforme del pericolo idraulico su scala nazionale.
Copertura completa
A differenza delle fonti pubbliche, il modello di Eoliann offre copertura continua del territorio, con estensioni degli allagamenti stimate a 30 metri di risoluzione. Questo permette di superare sia le lacune di copertura sia le disomogeneità presenti nelle fonti ufficiali.
Perché conta
Il progetto con Terna mostra che rafforzare la resilienza di una rete nazionale significa prima di tutto renderne il rischio più leggibile, con dati coerenti, continui e utilizzabili.
Perché solo quando il pericolo viene misurato in modo uniforme – e nelle sue grandezze fisiche più rilevanti – diventa possibile capire dove intervenire, con quale priorità e su quali asset.
Vuoi mettere Airis alla prova sui tuoi asset? Richiedi una demo!
Il Gruppo CVA è uno dei principali produttori italiani di energia rinnovabile, con oltre 1,3 GW di capacità installata distribuita tra impianti idroelettrici, eolici e fotovoltaici. Interamente pubblico e controllato dalla Regione Autonoma Valle d’Aosta, opera lungo l’intera filiera dell’energia green e gestisce, attraverso la controllata DEVAL, la quasi totalità della rete di distribuzione elettrica regionale.
In un percorso di crescita che punta anche al raddoppio della capacità installata, CVA ha scelto di rafforzare la resilienza climatica delle proprie infrastrutture con strumenti capaci di leggere il rischio in modo più quantitativo, granulare e orientato al futuro.
Per chi gestisce reti elettriche in territori montani il rischio climatico ha una complessità specifica. Le infrastrutture si sviluppano in valli strette, attraversano aree a elevata pericolosità idrogeologica e sono esposte contemporaneamente a rischi diversi, come alluvioni, incendi e frane. Le mappe ufficiali restano un riferimento essenziale, ma non sempre offrono la granularità necessaria per prendere decisioni a livello di singolo asset. Le analisi ingegneristiche puntuali, al contrario, richiedono tempi lunghi e sono difficili da estendere a scala regionale.
A questo si aggiunge una dimensione ormai imprescindibile, quella prospettica: non basta più conoscere il rischio di oggi, serve capire come potrà evolvere nei prossimi decenni, per orientare investimenti, adattamento e priorità operative.
È in questo contesto che CVA ha avviato una collaborazione con Eoliann, selezionando come primo perimetro di analisi una parte della rete elettrica e 20 cabine in Valle d’Aosta, per passare a un approccio più avanzato alla valutazione del rischio climatico.
Il progetto
CVA ed Eoliann hanno sviluppato insieme un progetto basato sulla tecnologia di Airis. A differenza di un’analisi limitata alla sola pericolosità, il lavoro ha coperto l’intera catena del rischio: dalla probabilità e intensità degli eventi alla vulnerabilità degli asset, fino alla stima del danno economico atteso.
CVA ha fornito i dati geospaziali della rete, ha guidato la selezione degli asset pilota e ha messo a disposizione la propria conoscenza del territorio per la validazione dei risultati.
Segmentazione e analisi degli asset
Le linee elettriche sono state suddivise in segmenti di 30 metri, in modo coerente con la risoluzione dei modelli. Ogni segmento e ciascuna cabina sono stati poi analizzati attraverso i modelli proprietari di Eoliann, addestrati su dati satellitari, variabili climatiche e caratteristiche geomorfologiche del territorio.
Pericolosità e intensità degli eventi
L’analisi ha considerato due rischi principali:
- Alluvioni, valutate attraverso la profondità di inondazione su periodi di ritorno di 20, 100 e 200 anni
- Incendi, analizzati tramite Fire Weather Index (FWI) su periodi di ritorno di 2, 10 e 30 anni
È stato inoltre incluso un primo approfondimento sul rischio frane.
Vulnerabilità e danno economico atteso
Per ciascun asset, Airis ha stimato non solo la pericolosità, ma anche la vulnerabilità specifica in base alla tipologia infrastrutturale e la Perdita Annua Attesa (AAL), una metrica che sintetizza l’impattoeconomico medio del rischio nel tempo.
Ogni asset ha ricevuto così un Indice di Pericolo e un Indice di Rischio su scala 0–10.
Proiezioni climatiche al 2040 e 2050
Tutte le analisi sono state condotte sia sullo scenario attuale sia su scenari climatici futuri, con orizzonti 2040 e 2050 e scenari RCP 4.5 e RCP 8.5.
Questo ha permesso a CVA di leggere non solo il rischio presente, ma anche la sua possibile evoluzione nel tempo, in linea con i principali requisiti europei in materia di disclosure e adattamento.
Mappa dell’indice di rischio alluvionale sulla rete elettrica – Baseline 2025
I risultati
Il progetto ha restituito un profilo di rischio completo per oltre 3.600 segmenti di rete e 20 cabine, con una lettura che va dalla pericolosità fino alla stima del danno economico atteso, includendo anche proiezionial 2040 e 2050.
Valore generato
Una lettura completa del rischio
CVA dispone non solo di una misura della pericolosità, ma anche di una stima della vulnerabilità e della perdita economica attesa per ciascun asset.
Una visione anche sul futuro
Le proiezioni al 2040 e 2050 permettono di pianificare gli investimenti di adattamento guardando all’evoluzione del rischio, non solo alla fotografia attuale.
Priorità più chiare per gli interventi
Linee e cabine più esposte sono state identificate con precisione, offrendo una base quantitativa per orientare manutenzione e resilienza.
Più rischi, un’unica lettura
Alluvioni, incendi e frane sono stati analizzati con la stessa logica e sulla stessa base dati, restituendo una visione più integrata del rischio.
Perché conta
Il progetto con CVA mostra bene che cosa significa passare da una lettura frammentata del rischio a una visione più completa, capace di tenere insieme presente e futuro.
Perché rafforzare la resilienza di una rete non significa solo sapere dove si concentra il rischio oggi, ma anche capire come potrà cambiare nel tempo – e iniziare a decidere di conseguenza.
Vuoi mettere Airis alla prova sui tuoi asset? Richiedi una demo!
A dicembre 2024, CA Auto Bank ha annunciato la selezione di sei progetti innovativi proposti a Digital Factory, la piattaforma di open innovation realizzata insieme all’Incubatore del Politecnico di Torino (I3P) per esplorare nuove soluzioni e tecnologie in grado di contribuire alla trasformazione digitale della banca. I sei progetti, scelti tra gli oltre 50 che hanno superato la prima valutazione delle più di 150 candidature ricevute dal lancio della piattaforma, sono stati coinvolti in una fase di sperimentazione con l’obiettivo di testare e validare le soluzioni proposte.
La prima delle giovani imprese con cui il team di Digital Factory ha avviato un Proof-of-Concept è Eoliann.
Il prodotto principale di Eoliann consiste in un’interfaccia digitale che fornisce dati di valutazione dei rischi climatici attraverso diversi algoritmi di intelligenza artificiale – basati sulla fisica, sull’economia, sugli studi sul clima e su dati satellitari – gestiti in un’infrastruttura cloud, garantendo automazione e scalabilità.
“La nostra soluzione mira a consentire agli operatori di diversi settori industriali di quantificare facilmente l’esposizione al rischio climatico in modo aggiornato e accurato”, spiega Roberto Carnicelli, Co-Founder & CEO di Eoliann. “La consapevolezza sul tema e la necessità di una nuova soluzione sono aumentate per via dei cambiamenti normativi degli ultimi anni, in particolare per il settore bancario e assicurativo, e a causa del continuo aumento del numero di catastrofi naturali e dei loro danni sui beni privati e pubblici.”
La proposta di Eoliann ha raccolto l’interesse di CA Auto Bank, e in particolare del suo cluster interno dedicato all’ambito Climate Risk, per le potenzialità di integrazione nelle attività della banca digitale e in particolare del suo ramo assicurativo.
Le informazioni, le stime e le previsioni elaborate dalla startup potrebbero essere utilizzate per valutare approfonditamente i rischi finanziari in caso di eventi climatici estremi, offrire potenzialmente nuovi prodotti o servizi assicurativi, ottimizzare la gestione del portafoglio di prestiti e investimenti, calcolare con maggiore precisione il rischio di credito sui finanziamenti.
“Dal nostro punto di vista, il progetto candidato daEoliann presenta molte opportunità di sperimentazione sul campo e di potenziale integrazione sia con le piattaforme interne di CA Auto Bank, sia con i servizi che offriamo sul mercato internazionale”, commenta Andrea Mastroeni, ESG Manager di CA Auto Bank. “Il progetto Digital Factory ci ha offerto una preziosa occasione di incontro e approfondimento con molte giovani imprese dalla forte carica innovativa, pronte a mettere a disposizione la propria expertise tecnologica, e siamo lieti di aver potuto avviare un Proof-of-Concept con Eoliann, che abbiamo selezionato proprio per il suo particolare potenziale. Confidiamo che la sperimentazione porti buoni frutti e che la collaborazione possa evolversi ulteriormente.”
Anche la startup ha espresso fiducia nell’opportunità creata da Digital Factory e nell’avvio del primo confronto pratico sul campo con CA Auto Bank:
“Questo Proof-of-Concept è un’opportunità per dimostrare l’efficacia del nostro approccio tecnologico nell’integrare dati satellitari, modelli climatici avanzati e intelligenza artificiale per offrire valutazioni di rischio sempre più accurate e fruibili”, dichiara Giovanni Luddeni, Co-founder e CTO di Eoliann. “Lavorare con CA Auto Bank ci permette di testare sul campo la scalabilità della nostra soluzione in un contesto finanziario concreto”.