GSP fornisce acqua potabile a oltre 200.000 abitanti nella Provincia di Belluno e gestisce 6.500 km di condotte per acqua potabile e fognature. La loro ambizione è quella di ridurre del 35% l’acqua non contabilizzata in un periodo di tre anni. Questo obiettivo sarà realizzato creando dei DMA, ovvero dei distretti di misurazione, aumentando il numero di contatori, riducendo la pressione e sostituendo le condotte più vecchie e problematiche della rete di distribuzione.
Approccio e soluzione
Per identificare nella rete le condotte con la più alta probabilità di guasto, Spatial Insight ha applicato il modello di rischio SI-Rehab, che include i modelli di probabilità SI-Cluster e SI-Regression, e moltiplica le probabilità di guasto con i punteggi di effetto. GSP ha fornito i dati, che, una volta analizzati da noi, sono risultati in quantità sufficiente per le prime esecuzioni con SI-Regression, SI-Cluster e SI-Rehab.
SI-Cluster, lo strumento che raggruppa in modo intelligente le condotte in cluster, ha identificato aree nella rete che hanno un impatto elevato sulle prestazioni. Per allinearsi al progetto e al budget disponibile di GSP, il metodo dei cluster è stato esteso con SI-Hotspot. All’interno di ogni cluster viene identificata l’area in cui si sono verificate il maggior numero di perdite, da cui è risultato lo 0,6% della rete che causerà il 9% delle perdite e il 5% che ne causerà il 48%.
SI-Regression prevede le prestazioni della rete nel tempo. Questa analisi dipende fortemente dall’inserimento dell’anno di installazione per ciascuna condotta. Abbiamo esaminato la possibilità di applicare la “miglior stima media dell’anno di costruzione” per le condotte per cui questo dato era mancante. Avendo prodotto risultati logici, siamo convinti che le curve di regressione possano essere applicate con successo.
Le curve di regressione saranno inserite in SI-Rehab e costituiranno la base per l’implementazione di BestNet.
Per SI-Rehab, la probabilità di guasto viene combinata con l’effetto del guasto, risultando in un punteggio di rischio. Il calcolo dell’effetto è diviso in effetto interno ed esterno. Quello interno attribuisce un valore alle conseguenze di un’interruzione in una determinata posizione sulle prestazioni, analizzando la rete stessa. Spatial Insight ha ulteriormente filtrato i dati per ridurre la lunghezza totale delle condotte ad alta priorità in modo da rispettare il budget GSP disponibile per la sostituzione delle condotte. All’interno dei cluster peggiori, Spatial Insight ha selezionato le parti che hanno presentato il maggior numero di perdite. Come pubblicato nella rivista npj Clean Water, lo storico delle perdite è il più importante predittore per eventuali perdite nuove.
Spatial Insight ha calcolato il punteggio di effetto interno ed esterno per sezioni di condotta di circa 10m. Il punteggio interno è stato calcolato applicando SI-Network, che determina quali sezioni saranno interessate in caso di perdite e se una sezione dovesse essere chiusa, e l’effetto nel caso in cui durante la chiusura di una sezione, una valvola non potesse essere chiusa.
Contributo agli obiettivi strategici
Spatial Insight è riuscita a identificare lo 0,6% della rete, permettendo a GSP di investire il budget disponibile per la sostituzione delle condotte in modo più specifico, contribuendo significativamente alla riduzione delle attuali perdite d’acqua. I calcoli, al contempo, evidenziano il valore e l’importanza dei dati sugli asset e della registrazione delle perdite. Dati migliori e più completi produrranno i risultati ancora più dettagliati e utili.
Dicono di noi
Marco Bacchin, Direttore Generale di GSP: “L’analisi è importante per la nostra azienda. Abbiamo bisogno di risultati di modellazione verificabili per il nostro piano di investimenti. Spatial Insight ha fornito risultati utili in breve tempo e ha individuato opportunità di miglioramento dei dati in modo molto dettagliato. Abbiamo anche apprezzato i tempi di consegna brevi, la pertinenza dei risultati e il margine per ulteriori miglioramenti.”
CONTATTO
"Abbiamo integrato SI-Regression e SI-Cluster in SI-Rehab, il nostro modello di rischio finale"