Surrogate-Assisted Multi-Objective Optimization of Stilling Basin Design: Integrating ANN Metamodeling with NSGA-II Using Real Experimental Data

L'acqua che scorre velocemente su una diga o lungo uno scivolo trasporta un potere immenso. Se quel flusso ad alta velocità colpisce il letto del fiume senza preavviso, agisce come una sabbiatrice implacabile, scavando buche profonde e minacciando di compromettere la struttura stessa che trattiene l'acqua. Per prevenire questa distruzione, gli ingegneri costruiscono una vasca specifica alla base di queste strutture, nota come bacino di dissipazione. Il suo compito è quello di costringere l'acqua a rallentare e a perdere la sua energia in modo sicuro prima di proseguire a valle. Ciò avviene attraverso un evento caotico e turbolento chiamato salto idraulico, in cui il velo d'acqua sottile e veloce si abbatte improvvisamente in una pozza più profonda e lenta. L'obiettivo è dissipare il più possibile quella energia distruttiva. Tuttavia, c'è un problema: la stessa turbolenza che frammenta l'energia tende anche a scavare, o erodere, il letto del fiume. Gli ingegneri affrontano da tempo un difficile equilibrio: progettare un bacino che fermi la potenza dell'acqua senza scavare un buco così profondo da far crollare le fondamenta.

Per decenni, trovare la forma perfetta per questi bacini ha significato affidarsi al metodo del tentativi ed errori, a modelli fisici in laboratorio o a complesse simulazioni informatiche che potevano richiedere giorni per un singolo progetto. Un nuovo studio, tuttavia, offre un modo più veloce e intelligente per risolvere questo enigma. Ricercatori della Northern Technical University e della Karlstad University hanno sviluppato un metodo che combina dati sperimentali reali con l'intelligenza artificiale per trovare i migliori design possibili in pochi minuti. Invece di tirare a indovinare o eseguire migliaia di lente simulazioni al computer, hanno addestrato un cervello digitale affinché imparasse dalle misurazioni reali effettuate in esperimenti precedenti. Questo sistema ha poi utilizzato un potente algoritmo di ricerca per esplorare migliaia di potenziali progetti, identificando rapidamente i compromessi perfetti tra il fermare l'energia dell'acqua e la protezione del letto del fiume.

Il team ha iniziato raccogliendo dati di alta qualità da due studi separati e sottoposti a revisione paritaria, in cui gli scienziati avevano già testato come l'acqua si comportava in diverse configurazioni di bacino. Hanno raccolto ottanta punti dati distinti, ognuno dei quali rappresentava una specifica combinazione di profondità dell'acqua, velocità, lunghezza del bacino e altezza di piccoli blocchi posizionati all'interno per interrompere il flusso. Questi blocchi, chiamati paratoie o dissipatori (baffles), sono cruciali perché aiutano a frammentare l'acqua e a creare la turbolenza necessaria per rallentarla. I ricercatori hanno inserito questi dati reali in una rete neurale artificiale, un tipo di programma informatico modellato sul cervello umano ed eccellente nel individuare schemi in informazioni complesse. Hanno insegnato a questo modello digitale di prevedere due cose: quanta energia perderebbe l'acqua (efficienza) e quanto verrebbe scavato il letto del fiume (profondità di erosione). Il modello ha imparato così bene da poter prevedere l'esito di un nuovo design con un'accuratezza superiore al 95 percento, un livello di precisione che lo ha reso un sostituto affidabile delle costose prove fisiche o delle lente simulazioni al computer.

Una volta addestrato il modello digitale, i ricercatori lo hanno messo alla prova sulla risoluzione del problema della ricerca del miglior design. Hanno chiesto al computer di risolvere un classico conflitto: massimizzare la perdita di energia e contemporaneamente minimizzare lo scavo della buca. Nel mondo reale, non è possibile avere entrambe le cose contemporaneamente; di solito, rendere l'acqua più capace di perdere energia significa che essa scaverà un buco più profondo. Per navigare in questa situazione, hanno utilizzato un algoritmo chiamato NSGA-II, progettato specificamente per gestire obiettivi contrastanti. Invece di fornire una singola risposta, l'algoritmo ha generato un elenco di 123 diversi progetti, ognuno dei quali rappresenta un compromesso unico. Alcuni progetti erano molto bravi a fermare l'energia ma lasciavano un buco leggermente più profondo, mentre altri erano delicati sul letto del fiume ma non fermavano l'energia dell'acqua in modo altrettanto efficace. Questa collezione di opzioni, nota come fronte di Pareto, offre agli ingegneri un menù di scelte piuttosto che una singola soluzione forzata, permettendo loro di scegliere il design che meglio si adatta alle loro esigenze specifiche.

Lo studio ha identificato un particolare design come il "miglior compromesso", una soluzione che si colloca esattamente al centro della curva di compromesso. Per questa configurazione ideale, l'acqua entra nel bacino con una profondità di 0,064 metri e una velocità di 0,812 metri al secondo. Il bacino stesso è lungo circa 1,004 metri e i dissipatori all'interno sono alti 0,036 metri. Questa specifica configurazione riesce a dissipare il 51,10 percento dell'energia dell'acqua mantenendo la profondità di erosione a soli 0,005 metri. I ricercatori hanno anche scoperto quali fattori fossero più rilevanti. Hanno scoperto che la velocità dell'acqua in entrata era il principale motore della perdita di energia; cambiare la velocità aveva un impatto enorme su quanta potenza veniva dissipata. Al contrario, l'altezza dei dissipatori era il fattore più critico per controllare quanto profondamente il letto del fiume venisse scavato. Regolando queste due variabili, gli ingegneri possono calibrare il bacino per dare priorità o alla sicurezza dall'erosione o alla massima riduzione dell'energia.

Forse il risultato più significativo di questo lavoro è la rapidità con cui sono stati ottenuti questi risultati. In passato, ottimizzare un design del genere utilizzando dettagliate simulazioni di fluidodinamica computazionale poteva richiedere giorni o addirittura settimane di tempo di calcolo. Utilizzando il modello di intelligenza artificiale addestrato su dati reali, i ricercatori hanno completato l'intero processo di ottimizzazione, incluse dieci sessioni separate per garantirne l'affidabilità, in circa 25 minuti totali. Questa drastica riduzione dei tempi significa che gli ingegneri possono ora esplorare una gamma molto più ampia di possibilità e trovare soluzioni migliori senza essere frenati dai limiti computazionali. Sebbene lo studio rilev che i risultati specifici siano validi solo entro l'intervallo delle condizioni testate, il metodo stesso è uno strumento potente. Dimostra che, combinando dati sperimentali reali con algoritmi intelligenti, possiamo risolvere problemi idraulici complessi in modo efficiente, garantendo che le strutture che proteggono i nostri fiumi e le nostre città siano progettate con precisione e praticità.