Il funzionamento dei depuratori di acque reflue rappresenta notoriamente un ambito tecnico-scientifico multidisciplinare che presenta importanti implicazioni dirette sugli ecosistemi terrestri e marini, nonché di tipo igienico-sanitario.
La multidisciplinarietà insita in questa materia fa scaturire l’esigenza imprescindibile di un approccio interdisciplinare nella progettazione e nella gestione dei depuratori, con particolare riferimento alla continuità dell’efficacia depurativa, dell’efficienza energetica e della riduzione dei fanghi prodotti.
Un approccio Knowledge-Based (KB) si basa sulla conoscenza esperta e sugli algoritmi di correlazione incrociata che regolano i numerosi parametri e indicatori di processo, sia di tipo chimico-fisico, che microbiologico.
L’approccio KB consente di operare con la massima consapevolezza ed indirizzo strategico, al fine ultimo di ottenere con continuità non solo un effluente di qualità e la contestuale riduzione della quantità di fanghi prodotta.
Attraverso l’applicazione di algoritmi Knowledge Based che utilizzano i parametri di input/output e di processo è possibile determinare per ciascuna sezione di trattamento il Perimetro Funzionale (#Functional-Boundary) e di definirne la Capacità Depurativa Residua (#Residual-Treatment-Ability). La determinazione dei dati input/output necessaria per alimentare gli algoritmi KB deriva essenzialmente da misurazioni medie giornaliere e da dati orari di misurazione (v. portata in ingresso, ossigeno disciolto, ecc.).
L’approccio Data-Driven (DD) si basa (quasi inconsapevolmente) sull’acquisizione ed analisi dei dati (on-line/real-time) raccolti dai processi di depurazione delle acque, dei fanghi prodotti e di consumo energetico.
Mentre però, i dati di misurazione idraulica (portate, volumi, livelli, ecc.) e quelli relativi agli assorbimenti elettrici (kW) sono di relativa semplice acquisizione, quelli relativi ai parametri chimici e microbiologici (concentrazioni di sostanze nutrienti, concentrazioni del fango biologico MLSS, analisi microscopica, Indice del Fango SVI, ecc.), si ottengono attraverso misurazioni periodiche di laboratorio, o mediante misure indirette (v. ORP, OD, ecc.). Quindi, anche nel caso di un approccio DD sostenibile, la frequenza di acquisizione (time polling) dei dati viene uniformata all’ora, se non al giorno, praticamente come nell’approccio KB.
Sistemi di apprendimento automatico di AI (Machine Learning e Deep Learning), hanno bisogno di basi dati multi-parametriche molto ampie e ben distribuite, spesso difficilmente disponibili e poco sostenibili per le taglie di impianti medio-piccole tipiche.
Un approccio misto e modulabile KB/DD (www.swater-saas.com) è quello che probabilmente risulterebbe il più efficace, dal punto di vista di efficacia operativa e di ottenimento degli obiettivi strategici di sostenibilità e di economia circolare.
(Giovanni Mappa, Dic., 2023)
