Sintesi Tecnica: Un Framework di Reti Neurali Informate dalla Fisica con Guida Visiva per l'Ottimizzazione in Tempo Reale del Dosaggio dei Coagulanti negli Impianti di Trattamento delle Acque

1. Definizione del Problema

La coagulazione è un processo unitario critico nel trattamento delle acque per la riduzione della torbidità e del colore, tuttavia l'ottimizzazione del dosaggio del coagulante rimane una sfida a causa delle complesse interazioni fisico-chimiche non lineari coinvolte. Le strategie di controllo convenzionali si affidano a misurazioni della torbidità in tempo reale o al grado di flocculazione (DF) come indicatori di processo. Tuttavia, gli autori identificano un limite fondamentale: queste metriche rappresentano esiti macroscopici dell'aggregazione e della sedimentazione delle particelle che presentano ritardi fisici intrinseci. Poiché i cambiamenti iniziati sul fondo di uno sedimentatore richiedono tempo per propagarsi verso l'alto fino allo strato di supernatante, le misurazioni della torbidità e del DF forniscono un feedback reattivo e ritardato piuttosto che un'intuizione in tempo reale sull'evoluzione della dinamica dei floc. Questo disallineamento temporale limita le strategie di controllo tradizionali, portando a un uso inefficiente dei prodotti chimici e a una ridotta efficienza operativa. Inoltre, i modelli di apprendimento automatico puramente basati sui dati spesso soffrono di una mancanza di interpretabza fisica e di una scarsa capacità di generalizzazione quando affrontano dati sparsi, rumorosi o fuori distribuzione.

2. Metodologia

Lo studio propone un framework di Reti Neurali Informate dalla Fisica con Sensori in Tempo Reale e Guida Visiva (RTS-VG PINNs). Questa architettura ibrida integra dati sensoriali in tempo reale, percezione visiva profonda e leggi fisiche governanti in un sistema di apprendimento unificato. La metodologia procede attraverso tre fasi:

A. Acquisizione dei Dati Sperimentali

Gli esperimenti sono stati condotti utilizzando campioni d'acqua naturali (PDAM) e artificiali (a base di caolino) con diverse condizioni iniziali (pH, temperatura, conducibilità, potenziale zeta). I dosaggi dei coagulanti (Policloruro di Alluminio - PAC) sono stati variati sistematicamente da 12 a 120 mg/L.

• Sensori: Torbidità, pH ed elettroliticità sono stati monitorati in tempo reale.
• Sistema Visivo: Una telecamera ad alta risoluzione (Canon 250D, 60 fps) ha catturato l'evoluzione temporale delle strutture dei floc durante le fasi di miscelazione rapida, miscelazione lenta e sedimentazione.
• Dataset: Le sequenze di immagini sono state categorizzate in quattro fasi di evoluzione dei floc (dispersione, aggregazione iniziale, crescita/densificazione e sedimentazione) per addestrare i modelli di deep learning.

B. Estrazione delle Caratteristiche Visive (La "Guida Visiva")

Sono state impiegate due architetture complementari di Reti Neurali Convoluzionali (CNN) per estrarre le caratteristiche dalle sequenze di immagini:

1. ResNet-50: Un detector a due stadi utilizzato per l'estrazione di caratteristiche ad alta sensibilità per catturare variazioni sottili nella morfologia e densità dei floc.
2. YOLOv8: Un detector a stadio singolo utilizzato per il rilevamento e il tracciamento in tempo reale dell'evoluzione dei floc.
   Questi modelli classificano la densità dei floc e mappano le caratteristiche visive in una velocità di sedimentazione efficace variabile nel tempo, $v_0(t)$. Questa velocità funge da parametro dinamico che collega le osservazioni visive grezze con il modello fisico.

C. Architettura della Rete Neurale Informata dalla Fisica (PINN)

Il nucleo del framework consiste in due problemi accoppiati:

1. Problema Diretto (Modellazione Forward):

   • Il modello risolve l'equazione differenziale alle derivate parziali (PDE) di sedimentazione di Kynch per ricostruire la distribuzione spazio-temporale della densità dei floc, $\phi(t, z)$.
   • La velocità variabile nel tempo $v_0(t)$, inferita dalle caratteristiche visive della CNN, modula la PDE.
   • La funzione di perdita ($\mathcal{L}_{Total}$) combina la fedeltà dei dati (corrispondenza con le osservazioni sperimentali), i vincoli fisici (minimizzazione dei residui della PDE), le condizioni iniziali e le condizioni al contorno (assenza di flusso in superficie).

2. Problema Inverso (Ottimizzazione del Dosaggio):

   • Il modello stima il dosaggio ottimale del coagulante ($D$) apprendendo la relazione inversa tra le variabili operative (pH, temperatura, torbidità iniziale, ecc.) e gli esiti del processo.
   • I vincoli fisici sono incorporati tramite la cinetica di adsorbimento di Langmuir (modellazione dell'evoluzione del potenziale zeta) e la cinetica di coagulazione di Smoluchowski (modellazione della torbidità tramite tassi di aggregazione e rottura).
   • Il framework risolve per il dosaggio che bilancia i meccanismi di aggregazione e rottura.

3. Contributi Chiave

• Integrazione della Percezione Visiva con la Fisica: Il documento introduce un meccanico innovativo in cui le caratteristiche visive estratte dal deep learning (densità/struttura dei floc) informano dinamicamente i parametri di un modello di sedimentazione fisico ($v_0(t)$), utilizzando efficacemente la visione come indicatore anticipatore per superare il ritardo dei sensori.
• Architettura di Apprendimento Ibrida: Il framework RTS-VG PINNs riesce a unificare i dati visivi ad alta dimensionalità con le leggi fisiche di primo principio (sedimentazione di Kynch, cinetica di Langmuir-Smoluchowski), creando un'architettura di apprendimento fisicamente coerente.
• Predizione Inversa sotto Incertezza: Lo studio dimostra la capacità della PINN inversa di stimare il dosaggio ottimale del coagulante non solo deterministicamente, ma anche con quantificazione dell'incertezza tramite Monte Carlo dropout, migliorando la robustezza contro i dati industriali rumorosi.
• Ricostruzione di Stati Latenti: Il framework consente la ricostruzione degli stati interni del sistema (distribuzione della densità dei floc $\phi(t, z)$) che sono inaccessibili alla misurazione diretta, fornendo una comprensione più profonda della dinamica del processo.

4. Risultati Sperimentali

• Classificazione Visiva: Sia ResNet-50 che YOLOv8 hanno dimostrato un'elevata accuratezza nella classificazione delle fasi di evoluzione dei floc. I modelli visivi hanno identificato con successo il tempo di arrivo dell'interfaccia ($t_s$) e le transizioni di densità dei floc prima che i sensori di torbidità potessero rilevare la chiarificazione.
• Performance della Soluzione Diretta: La PINN ha ricostruito con successo il campo di densità dei floc spazio-temporale con bassi residui della PDE (dell'ordine di $10^{-3}$), confermando che il modello aderisce alla conservazione della massa e alla dinamica di sedimentazione. I campi di concentrazione interna predetti hanno mostrato schemi di stratificazione fisicamente coerenti.
• Performance della Soluzione Inversa: Nella stima del dosaggio ottimale del coagulante, il framework RTS-VG PINNs ha superato i modelli convenzionali di machine learning (Random Forest, Gradient Boosting, SVM e MLP).
  • La PINN ha raggiunto un coefficiente di determinazione ($R^2$) di 0,498, superando Random Forest (0,484), Gradient Boosting (0,434), SVM (0,285) e MLP (0,063).
  • Il modello ha catturato efficacemente le tendenze non lineari, come la diminuzione iniziale della torbidità seguita da un aumento dovuto al sovradosaggio (inversione di carica), che i modelli basati solo sui dati spesso non riuscivano a rappresentare accuratamente.
• Robustezza: L'inclusione del Monte Carlo dropout ha permesso al modello di fornire predizioni consapevoli dell'incertezza, mantenendo la coerenza fisica anche quando addestrato su dati limitati o rumorosi.

5. Significato e Dichiarazioni

Gli autori affermano che il framework RTS-VG PINNs rappresenta un avanzamento significativo nel controllo intelligente del trattamento delle acque affrontando il problema critico del ritardo di misurazione. Sfruttando l'informazione visiva come proxy per la dinamica precoce dei floc, il framework consente strategie di controllo proattive piuttosto che reattive.

Lo studio sottolinea che l'incorporazione delle leggi fisiche (equazioni governanti) nel processo di apprendimento migliora significativamente l'interpretabilità e la generalizzazione del modello, particolarmente in scenari con dati scarsi o rumorosi. Il framework è presentato come uno strumento robusto per l'ottimizzazione del dosaggio del coagulante in tempo reale, capace di inferire gli stati interni del processo e fornire predizioni fisicamente significative che gli approcci puramente basati sui dati non possono raggiungere.

Gli autori mantengono una posizione modesta riguardo all'attuale portata dello studio, riconoscendo che esso è limitato alle condizioni di scala di laboratorio e a una PDE di Kynch unidimensionale semplificata. Essi notano che lavori futuri saranno necessari per estendere il framework a sedimentatori industriali su scala pilota e per integrare modelli fisici più complessi (ad esempio, CFD) per catturare l'idrodinamica multidimensionale.