Questo articolo è tratto dalla mia tesi di laurea magistrale in Ingegneria Gestionale, nella quale ho approfondito l’applicazione del metodo stocastico Monte Carlo alla modellazione delle reti idriche urbane. Ho scelto di condividere qui su blogidraulicaantica.org i risultati e le prospettive di questa metodologia, convinta che rappresenti un passo fondamentale per l’innovazione nel settore del servizio idrico integrato.
Nel mondo dell’idraulica, dominato per secoli da equazioni deterministiche e modelli statici, qualcosa sta cambiando. La crescente complessità delle reti, la variabilità dei consumi, l’obsolescenza delle infrastrutture e l’incertezza operativa rendono oggi necessario un approccio più flessibile, capace di tenere conto delle dinamiche reali del sistema. E in questo scenario il metodo Monte Carlo emerge come una delle innovazioni più promettenti. Applicato alla modellazione idraulica, questo metodo consente di simulare il comportamento di una rete idrica introducendo in modo sistematico la variabilità e la probabilità dei guasti, delle riparazioni, dei flussi, delle pressioni e delle domande non costanti. Non più una rete ideale e perfettamente funzionante, ma una rete viva, soggetta a disservizi e recuperi, che si comporta diversamente a seconda delle condizioni stocasticamente simulate. Proprio questo consente una rappresentazione più fedele, più utile, più reale. L’approccio si articola in tre fasi: prima si simulano gli stati di guasto e funzionamento dei componenti (tubi, valvole, pompe), poi si calcolano le pressioni e le portate in ogni stato possibile della rete, infine si misura quanto a lungo ciascun nodo riceve una portata sufficiente, e quanto spesso invece soffre un disservizio.
Andamento delle perdite per tratto di rete – Il primo grafico mostra il confronto tra portate prima (blu) e dopo perdite (rosso), evidenziando quali segmenti perdono più acqua in simulazioni stocastiche
Nel grafico qui sopra è possibile osservare, tratto da uno studio recente, il confronto tra la portata teorica e quella reale in differenti tratti della rete: i tratti segnati in rosso evidenziano le sezioni maggiormente soggette a perdite idriche. Grazie al metodo Monte Carlo, queste informazioni emergono con chiarezza, consentendo di pianificare con priorità mirata gli interventi di manutenzione.
Performance dei modelli su dati simulati – Il secondo grafico presenta box‑plot delle metriche di accuratezza, recall e AUC per vari modelli di rilevazione perdite, usando dati Monte Carlo: utile per valutare robustezza e incertezza delle stime.
Nel secondo grafico, un box‑plot mostra l’accuratezza, il richiamo e la precisione dei modelli di simulazione applicati a scenari stocastici. Le barre evidenziano sia la performance media che la dispersione dei risultati: un’informazione cruciale per comprendere l’affidabilità della simulazione e per decidere quale modello adottare a seconda del contesto.
Questa tecnica è stata sperimentata anche nel mio lavoro di tesi con un caso reale non particolarmente estesa ma rappresentativa delle tipologie urbane minori del centro Italia. I risultati sono stati sorprendenti: in alcuni scenari critici, i nodi più lontani dai serbatoi non ricevevano più del 70% della portata attesa; in altri casi, la rete si dimostrava resiliente anche in presenza di due guasti simultanei. L’uso combinato del metodo Monte Carlo con i motori di calcolo idraulico classici, come EPANET, e con ambienti dinamici più evoluti (es. System Dynamics), apre oggi una nuova frontiera: progettare, simulare e governare le reti con un approccio probabilistico significa dotarsi finalmente di strumenti capaci di anticipare, misurare e prevenire il disservizio, piuttosto che inseguirlo quando è ormai in corso. In un’epoca in cui il concetto di resilienza è diventato centrale per la gestione delle risorse, il metodo Monte Carlo si propone come uno strumento scientifico, solido, pronto per l’applicazione anche su scala urbana. Non per sostituire l’ingegneria tradizionale, ma per affiancarla, correggerla dove necessario, guidarla verso modelli predittivi finalmente coerenti con la realtà complessa delle reti. Perché, in fondo, ogni goccia conta. Ma sapere dove – e quando – può mancare, oggi non è più solo una speranza. È una previsione scientificamente fondata.
