Approfondimenti
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:
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!
Vuoi andare più a fondo?
