⚡ electrical engineering

Safe and Near-Optimal Gate Control: A Case Study from the Danish West Coast

Il paper presenta un approccio basato su Uppaal Stratego e un gemello digitale per apprendere in modo online un controller automatico per le paratoie del Fjord di Ringkøbing in Danimarca, il quale garantisce il rispetto dei requisiti di sicurezza in diverse condizioni meteorologiche, superando le prestazioni del controllo umano attuale.

Autori originali: Martin Kristjansen (Aalborg University), Kim Guldstrand Larsen (Aalborg University), Marius Mikučionis (Aalborg University), Christian Schilling (Aalborg University)

Pubblicato 2026-04-07

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Martin Kristjansen (Aalborg University), Kim Guldstrand Larsen (Aalborg University), Marius Mikučionis (Aalborg University), Christian Schilling (Aalborg University)

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immaginate di avere un grande vaso da fiori (il Fjord di Ringkøbing) situato in Danimarca, che si trova tra la terraferma e il mare. Questo vaso è collegato al mare attraverso 14 grandi porte scorrevoli (le paratoie).

Il problema è che il livello dell'acqua in questo vaso deve essere mantenuto perfetto:

Se è troppo alto, l'acqua inonda le case e i giardini.
Se è troppo basso, i pesci non riescono a migrare e la natura soffre.
Inoltre, le barche devono poter entrare e uscire senza essere spazzate via dalle correnti, e le porte non devono rompersi a causa di differenze di pressione troppo forti.

Attualmente, ci sono degli operatori umani che guardano il mare e decidono manualmente quando aprire o chiudere queste porte. È un lavoro difficile, specialmente con i cambiamenti climatici che portano piogge più intense e un livello del mare che sale.

La Soluzione: Il "Gemello Digitale" e l'Intelligenza Artificiale

Gli autori di questo articolo hanno creato una soluzione geniale: un "Gemello Digitale".
Pensate a un videogioco ultra-realistico che simula esattamente come l'acqua si muove nel Fjord, tenendo conto della marea, del vento e della pioggia. Questo gioco non è solo un passatempo, è un laboratorio virtuale dove un'intelligenza artificiale (AI) può imparare a giocare senza rischiare di allagare la città reale.

Ecco come funziona il processo, passo dopo passo:

1. L'Allenamento (Il "Coach" Virtuale)

L'AI (chiamata reinforcement learning) entra nel gemello digitale. Il suo obiettivo è imparare a muovere le porte per mantenere l'acqua nel "range di sicurezza" (tra 0 e 25 cm sopra un certo livello di riferimento).

Le Regole: Se l'acqua esce dal range, l'AI prende una "penalità" enorme (come perdere punti in un gioco). Se apre le porte troppo spesso, perde punti per l'usura delle macchine. Se blocca i pesci, perde punti.
La Strategia: L'AI prova milioni di combinazioni nel simulatore. Impara che, ad esempio, se il vento è forte, può aprire tutte le porte per mescolare l'acqua, ma se il vento è debole, deve aprirne solo una per far passare i pesci.

2. L'Aggiornamento in Tempo Reale (Il "Metodo Online")

Qui sta il trucco: il meteo cambia. Una previsione vale solo per le prossime ore.
Invece di insegnare all'AI una strategia rigida una volta per tutte, il sistema si aggiorna continuamente.

Ogni 6 ore, arriva una nuova previsione meteo.
Il sistema prende il gemello digitale, lo aggiorna con la nuova previsione e fa "allenare" l'AI per circa un'ora.
L'AI produce una nuova strategia perfetta per le condizioni specifiche di quei prossimi 3 giorni.
È come se aveste un allenatore personale che vi dice: "Oggi piove, quindi tieni le porte chiuse; domani c'è il sole, aprile un po'".

3. Il Risultato: Più Sicuro e Quasi Perfetto

Gli scienziati hanno messo alla prova questa nuova AI confrontandola con il metodo umano (o meglio, con le regole standard che usano gli operatori).

Sicurezza: L'AI ha mantenuto l'acqua sempre nel range sicuro. L'operatore umano (o la sua strategia di base), invece, ha lasciato l'acqua uscire dal range sicuro per diverse ore, rischiando danni.
Pesci e Barche: L'AI è stata quasi perfetta nel far passare i pesci e nel far aspettare le barche il tempo minimo necessario, esattamente come l'operatore umano.
Usura: L'unico "difetto" è che l'AI ha aperto e chiuso le porte un po' più volte rispetto all'operatore umano, ma questo è un piccolo prezzo da pagare per la sicurezza assoluta.

Perché è importante?

Immaginate di dover guidare un'auto in una nebbia fitta. Un guidatore umano guarda avanti e cerca di indovinare. Questo sistema è come un'auto a guida autonoma che vede attraverso la nebbia grazie a una mappa digitale aggiornata in tempo reale.

In sintesi, questo studio dimostra che possiamo usare l'intelligenza artificione e i "gemelli digitali" per gestire infrastrutture critiche come le dighe. Non sostituisce necessariamente l'umano, ma gli dà un super-potere: la capacità di prevedere il futuro (meteo) e agire in modo sicuro e ottimale, proteggendo la natura, le case e la vita quotidiana delle persone.

Titolo: Controllo Sicuro e Quasi-Ottimale delle Paratoie: Uno Studio di Caso sulla Costa Ovest Danese

Autori: Martin Kristjansen, Kim Guldstrand Larsen, Marius Mikučionis, Christian Schilling (Aalborg University, Danimarca).
Fonte: Proceedings of the 7th Workshop on Models for Formal Analysis of Real Systems (MARS'26), EPTCS 443, 2026.

1. Il Problema

Il Ringkøbing Fjord, una vasta laguna interna sulla costa occidentale della Danimarca, è separato dal Mare del Nord da una diga dotata di 14 paratoie controllabili individualmente e una chiusa per il traffico marittimo.
Attualmente, la gestione del livello dell'acqua è affidata a operatori umani che decidono quando aprire o chiudere le paratoie basandosi su principi operativi informali. Questo approccio presenta diverse criticità:

Requisiti conflittuali: È necessario bilanciare la sicurezza (evitare allagamenti o prosciugamento che danneggiano la fauna e le proprietà), la migrazione dei pesci, il passaggio delle barche e la riduzione dell'usura meccanica delle paratoie.
Cambiamenti climatici: L'innalzamento del livello del mare e l'aumento delle precipitazioni riducono la finestra temporale disponibile per il deflusso dell'acqua verso il mare.
Limiti della gestione manuale: Gli operatori devono reagire a scenari complessi e dinamici, con il rischio di violare i limiti di sicurezza o di non ottimizzare le prestazioni.

L'obiettivo è sviluppare un sistema di controllo automatico che garantisca il rispetto dei vincoli di sicurezza e ottimizzi le prestazioni in modo adattivo.

2. Metodologia

Gli autori propongono un approccio basato su un Gemello Digitale (Digital Twin) e sull'Apprendimento per Rinforzo (Reinforcement Learning - RL) online, implementato tramite lo strumento UPPAAL STRATEGO.

A. Modellazione del Gemello Digitale

Il sistema è modellato come una rete di automati ibridi stocastici:

Livello dell'acqua: Un automa risolve un'equazione differenziale ordinaria (ODE) che descrive la variazione del livello dell'acqua ( $h_f$ $h_{f}$ ) in funzione del flusso dalle paratoie ( $Q_{gates}$ $Q_{g a t es}$ ) e dai fiumi circostanti ( $Q_{streams}$ $Q_{s t r e am s}$ ).
- Il flusso attraverso le paratoie è calcolato in base alla differenza di livello tra mare e laguna e all'area aperta delle paratoie.
- Il flusso dai fiumi è stimato basandosi su dati storici mensili.
Controllore: Decide il numero di paratoie da aprire (nessuna, una, o tutte le 14) ogni 10 minuti.
Traffico e Requisiti: Automi separati monitorano l'arrivo delle barche, i tempi di attesa, la sicurezza del livello dell'acqua e le condizioni per la migrazione dei pesci.

B. Apprendimento per Rinforzo Online

Poiché il controllo fisico reale è troppo rischioso per l'apprendimento per tentativi ed errori, viene utilizzato il gemello digitale.

Strategia: Viene utilizzato il Q-learning con raffinamento delle partizioni per gestire spazi degli stati continui (come il livello dell'acqua).
Approccio Online: Il controllore viene aggiornato periodicamente (ogni 6 ore) quando diventa disponibile una nuova previsione meteorologica (valida per 3 giorni). Questo permette al sistema di adattarsi a cambiamenti a lungo termine (es. innalzamento del mare) e di incorporare implicitamente le previsioni meteo nell'ambiente di simulazione senza espanderlo esponenzialmente.
Funzione di Costo: L'obiettivo è minimizzare un costo ponderato che include:
1. Tempo fuori dal range di sicurezza ( $w_1$ ).
2. Tempo di attesa delle barche al quadrato ( $w_2$ ).
3. Numero di cambi di configurazione delle paratoie ( $w_3$ ).
4. Tempo in cui i pesci non possono migrare nonostante le condizioni lo permettano ( $w_4$ ).

C. Scenario di Confronto (Baseline)

Per valutare l'efficacia, è stato implementato un controllore di base deterministico che segue le linee guida interne dell'Autorità Costiera Danese (DCA), senza utilizzare previsioni meteo future.

3. Contributi Chiave

Gemello Digitale Integrato: Sviluppo di un modello ibrido dettagliato del Ringkøbing Fjord che include idrodinamica, traffico marittimo e requisiti ecologici.
Controllo Online Adattivo: Dimostrazione di come l'apprendimento per rinforzo possa essere applicato in modo online per aggiornare le strategie di controllo in base alle nuove previsioni, gestendo l'incertezza e i cambiamenti climatici.
Garanzia di Sicurezza: Il metodo appreso garantisce il rispetto rigoroso dei vincoli di sicurezza, superando le limitazioni dei controllori basati su regole fisse.
Analisi dei Pesi: Uno studio sistematico su come la ponderazione dei requisiti di sicurezza influenzi le prestazioni globali, offrendo indicazioni per il tuning dei parametri.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti su tre scenari di livello del mare (Normale, Basso, Alto) utilizzando dati storici del 2018.

Metrica	Controllore Baseline (Umano/Regole)	Controllore Appreso (RL)
Sicurezza (Tempo nel range 0.00-0.25m)	Violato (63.2% - 82.0% del tempo)	100% (Sempre sicuro)
Migrazione Pesci	~95-99%	~96-99% (Leggermente superiore)
Tempo Massimo Attesa Barche	~8.9 - 9.0 min	~8.8 min
Operazioni Paratoie	Minori (26-36 operazioni)	Maggiori (32-40 operazioni)

Analisi dei risultati:

Sicurezza: Il controllore appreso ha mantenuto il livello dell'acqua sempre all'interno del range sicuro (0.00 - 0.25 m DVR90). Al contrario, il controllore baseline ha violato i limiti di sicurezza in tutti gli scenari, con deviazioni fino a 2 cm e tempi di violazione significativi (fino a 1/3 del tempo nello scenario normale).
Prestazioni: Le prestazioni in termini di migrazione dei pesci e tempi di attesa delle barche sono state comparabili o leggermente migliori per il controllore appreso.
Trade-off: Il controllore appreso esegue un numero maggiore di operazioni (aperture/chiusure) rispetto al baseline, ma questo è un compromesso accettabile per garantire la sicurezza assoluta.
Sensibilità ai Pesi: L'analisi ha mostrato che un peso elevato per la sicurezza ( $w_1 = 10^6$ ) è necessario per garantire il rispetto dei vincoli, anche se ciò può portare a un apprendimento più lento delle ottimizzazioni secondarie.

5. Significato e Lavori Futuri

Il paper dimostra che l'uso di UPPAAL STRATEGO in modalità online è un approccio promettente per l'ottimizzazione di infrastrutture critiche soggette a cambiamenti climatici. La capacità di apprendere strategie in circa 60 minuti (molto meno della finestra di previsione di 3 giorni) rende il sistema praticabile.

Direzioni future identificate:

Azioni più granulari: Passare da 3 configurazioni fisse (0, 1, 14 paratoie) a un controllo più fine per ridurre l'usura.
Salinità: Integrare esplicitamente la gestione della salinità nel modello, non solo tramite la velocità del vento.
Superficie dell'acqua: Migliorare il modello per tenere conto delle differenze di livello dovute al vento (fino a 70 cm tra le estremità della laguna).
Scudo (Shielding): Integrare meccanismi di "shielding" formale per bloccare preventivamente azioni che porterebbero a stati insicuri, anche durante la fase di apprendimento.
Pesi Ottimali: Calcolare un fronte di Pareto per trovare il miglior compromesso tra i vari requisiti di performance.

In conclusione, questo studio valida l'uso di gemelli digitali e apprendimento automatico per gestire infrastrutture idriche complesse, offrendo una soluzione più sicura e adattiva rispetto alla gestione manuale attuale.