Le reti di distribuzione idrica e fognaria urbane, spesso caratterizzate da decenni di infrastrutture, richiedono sistemi sofisticati di monitoraggio per prevenire perdite silenziose, rotture catastrofiche e contaminazioni. Il Tier 2 introduce un approccio strutturato e tecnologicamente avanzato per rilevare variazioni di pressione con precisione, trasformando dati grezzi in azioni operative concrete. Questo articolo esplora passo dopo passo la progettazione, l’implementazione e l’ottimizzazione di un sistema di monitoraggio passo da passo, con riferimento diretto alle best practice tecniche del Tier 2 e integrando gli elementi fondamentali del Tier 1 per una comprensione completa e replicabile.

Le tubazioni urbane in ghisa o HDPE, esposte a cicli di carico termico, variazioni stagionali e attività industriali vicine, sono soggette a perdite che spesso sfuggono ai controlli visivi. Le anomalie di pressione, anche minime, possono indicare infiltrazioni iniziali o micro-fessurazioni, che nel tempo degenerano in guasti costosi e pericolosi. Il Tier 2 definisce un protocollo basato su un ciclo integrato di acquisizione dati in tempo reale, analisi avanzata con machine learning e gestione dinamica degli allarmi, garantendo una manutenzione predittiva che riduce i costi operativi del 30-45% e il rischio ambientale. A differenza del Tier 1, che stabilisce le basi teoriche e la consapevolezza del problema, il Tier 2 fornisce la metodologia operativa dettagliata per trasformare i segnali fisici in interventi mirati.

Fase 1: Progettazione strategica del sistema di monitoraggio

1.1 Selezione e posizionamento ottimale dei sensori di pressione
Il successo del monitoraggio dipende dalla collocazione accurata dei dispositivi: si devono posizionare in punti critici – valvole di isolamento, curve strette, giunzioni, zone con elevato gradiente di pressione. Per tubazioni in ghisa, tipiche di reti fognarie storiche italiane (es. Roma, Milano), è consigliato installare sensori ogni 150-250 metri, con particolare attenzione alle sezioni interrate dove l’umidità ambientale amplifica il rischio di corrosione e perdite. In HDPE, dove l’elasticità riduce la propagazione di rotture, i sensori possono essere posizionati ogni 300-400 metri, privilegiando le sezioni soggette a vibrazioni meccaniche o variazioni termiche.

1.2 Integrazione con sistemi SCADA e rete di comunicazione
Il Tier 2 prevede l’integrazione con sistemi SCADA esistenti per l’acquisizione centralizzata, ma in ambiente urbano con interferenze elettromagnetiche (es. vicino linee ferroviarie o impianti industriali), la rete wireless deve essere robusta. Si raccomanda l’uso di reti LoRaWAN o NB-IoT: LoRaWAN garantisce copertura estesa e basso consumo, ideale per aree periferiche; NB-IoT offre maggiore stabilità in ambienti con edifici alti o gallerie. La configurazione prevede gateway distribuiti lungo il percorso, con crittografia AES-128 per sicurezza dei dati, e un protocollo di timestamping sincronizzato (NTP) per tracciare con precisione ogni variazione.

Fase 2: Raccolta e analisi dati con filtri e algoritmi adatti

2.1 Frequenza di campionamento e filtraggio avanzato
La frequenza di campionamento ideale varia tra 1 e 10 Hz, ma per tubazioni storiche con risposta lenta (es. ghisa), si raccomanda 2-5 Hz per catturare variazioni lente senza sovraccaricare il sistema. I dati grezzi, spesso contaminati da rumore di traffico, attività commerciali e cicli di pompaggio, richiedono un filtraggio digitale preciso:
– Filtro Butterworth a ordine 4 con frequenza di taglio 0.5 Hz per eliminare componenti ad alta frequenza.
– Filtro FIR con fase lineare per evitare distorsioni temporali nelle derivate.
Il risultato è una serie temporale pulita, pronta per l’estrazione di indicatori chiave come gradiente di pressione, tasso di variazione (ΔP/Δt) e deviazione standard.

2.2 Monitoraggio delle derivate e derivate temporali
Le variazioni rapide del gradiente di pressione (es. ΔP/Δt > 0.02 bar/ora in tubi in ghisa) possono indicare infiltrazioni localizzate anche prima della comparsa di una perdita visibile. In una rete di trattamento acque reflue a Napoli, l’applicazione di un filtro passa-basso a 0.3 Hz ha permesso di isolare segnali di perdita in tratti di HDPE con un anticipo di 48-72 ore rispetto ai metodi tradizionali.
Esempio pratico:
Tabella 1: Confronto tra variazione di pressione e segnale di perdita rilevato

| Intervallo | Pressione (bar) | Derivata (bar/ora) | Stato rischio |
|———–|—————–|———————|—————|
| Normale | 6.20 ± 0.05 | 0.01 ± 0.01 | Basso |
| Anomalia | 6.18 ± 0.08 | 0.12 ± 0.03 | Medio-alto |

La soglia dinamica di allarme si aggiorna automaticamente in base alla variazione stagionale e al carico medio, evitando falsi positivi.

Fase 3: Classificazione avanzata delle anomalie con modelli predittivi

3.1 Metodo A: Soglie statiche calibrate su dati storici
Si definiscono soglie di allarme basate su 3 anni di dati di pressione per tratto, calcolando media, mediana e deviazione standard. Un allarme si attiva quando la pressione scende sotto *media – 2σ* o supera *media + 1.5σ* in periodi di carico stabile. Questo approccio funziona bene in reti con comportamento prevedibile, come quelle industriali italiane con ciclo notturno di basso flusso.

3.2 Metodo B: Modelli predittivi con LSTM e ARIMA
Per rilevare deviazioni non lineari, si addestrano modelli LSTM (Long Short-Term Memory) e ARIMA su serie storiche pulite. LSTM, addestrato su dati di una rete fognaria a Bologna, ha raggiunto un’accuratezza del 92% nel prevedere deviazioni anomale causate da micro-perdite non lineari. ARIMA, invece, eccelle nel rilevare trend di lungo termine e stagionalità, fondamentale in reti con picchi estivi legati al clima.

3.3 Filtro ibrido: soglie + modelli adattivi
Il sistema Tier 2 integra entrambe le logiche: un allarme primario si attiva con soglie statiche semplici, mentre modelli dinamici valutano la persistenza e la natura dell’anomalia. Questo riduce i falsi allarmi del 68% rispetto a sistemi basati solo su soglie fisse, come dimostrato in un caso studio a Torino, dove il 72% delle segnalazioni iniziali si rivelò non critico.

Implementazione della manutenzione predittiva: KPI e automazione

4.1 Definizione di KPI operativi
I principali indicatori sono:
– Deviazione standard della pressione (σ): misura la variabilità interna al tratto
– Tasso di variazione (ΔP/Δt): indice di perdita attiva
– Soglia dinamica di allarme: *P_min = media – 2σ*, *P_max = media + 1.5σ*
– Frequenza di rilevazione anomala: numero di segnali critici/mese

4.2 Integrazione con CMMS per automazione
I dati di allarme vengono inviati automaticamente al sistema CMMS (es. SAP EAM o software locale), generando ordini di lavoro con priorità dinamica. Un’espressione tipica: “Perdita stimata in tratto X – Pressione < P_min – Priorità Alta” attiva un intervento entro 4 ore, riducendo il tempo medio di risposta da 72 a 8 ore.

4.