Tesi Dottorato - Ing Laura Rubeo PDF

Valutazione
della configurazione di perdita in una

rete idraulica in pressione
mediante tecniche di analisi probabilistiche
Any approach to scientific inference which seeks to legitimize an answer in

response to complex uncertainty
is, for me, a totalitarian parody of a would-be rational learning process.
Adrian F. M. Smith
Present position and potential developments: some personal views Bayesian statistics
Scuola di dottorato in Ingegneria Civile e Architettura

Ingegneria Ambientale
XIV ciclo
Responsabile scientifico Dottoranda

Prof. Ing. Roberto Guercio Ing. Laura Rubeo
Valutazione della configurazione di perdita in una rete idraulica in
pressione mediante tecniche di analisi probabilistiche
Sommario
1 Valutazione della configurazione di perdita in una rete idraulica in
pressione: stato dell’arte.................................................................................................. 9
1.1 Introduzione ..................................................................................................... 9
1.2 Tecniche per la valutazione dell’entità delle perdite, mediante misure di

portata o volume .......................................................................................................... 9
1.2.1 Analisi in condizioni statiche ................................................................. 9
1.2.2 Approccio dell’IWA ............................................................................... 10
1.2.3 Il metodo del bilancio di volume classico........................................... 10
1.2.4 Metodo del bilancio di volume con analisi statistica ........................ 11
1.2.5 Metodo del bilancio di volume con analisi fuzzy.............................. 12
1.2.6 L’Analisi con filtro di Kalman delle portate ....................................... 12
1.3 Tecniche per la valutazione dell’entità delle perdite, mediante misure di

portata e pressione; .................................................................................................... 13
1.3.1 Il Bilancio di Volume Compensato ...................................................... 13
1.3.2 L’Analisi della Deviazione .................................................................... 14
1.4 Tecniche per la valutazione dell’entità e della posizione delle perdite,

mediante misure di portata e pressione.................................................................. 15
1.4.1 Analisi del decadimento della pressione (Wave rarefaction method)

15
1.4.2 Analisi nel dominio della frequenza ................................................... 15
1.4.3 Analisi transitoria diretta ...................................................................... 20
1.4.4 Tecniche avanzate di studio del segnale di pressione ...................... 22
1.4.5 L’analisi inversa...................................................................................... 23
1.4.6 Sviluppi ulteriori al modello transitorio ............................................. 27
1.4.7 L’influenza del coefficiente d’attrito nell’analisi dei transitori ........ 28
1.4.8 L’approccio Bayesiano all’analisi inversa ........................................... 31
2
1.4.9 Tecniche per la valutazione dell’entità e della posizione delle

perdite, mediante misure acustiche ..................................................................... 32

perdite, mediante altri metodi fisici .................................................................... 33
2 Valutazione della configurazione di perdita in una rete idraulica in pressione

mediante tecniche di analisi bayesiana ....................................................................... 35
2.1 Introduzione ................................................................................................... 35
2.2 L’impostazione bayesiana nella calibrazione dei modelli ........................ 35
2.3 La calibrazione dei modelli di perdita ........................................................ 38
2.4 L’approccio probabilistico ai modelli di perdita ....................................... 39
2.4.1 Applicazione ad una condotta semplice teorica ................................ 43
2.4.2 Applicazioni per i casi reali: i principi teorici, il metodo di analisi e

le necessarie semplificazioni................................................................................. 48
2.4.3 Considerazioni finali.............................................................................. 88
3 Valutazione della configurazione di perdita in una rete idraulica in pressione

mediante l’uso combinato delle tecniche di analisi bayesiana e del filtro di
Kalman............................................................................................................................. 90
3.1 Introduzione ................................................................................................... 90
3.2 La formulazione inversa nel tempo ............................................................. 93
3.3 I metodi di assimilazione sequenziale ........................................................ 95
3.4 Il filtro di kalman d’insieme (EnKF) ............................................................ 97
3.5 La simulazione dell’errore stocastico di modello ...................................... 98
3.6 Applicazione sul sifone del Peschiera tra il serbatoio di Collelungo e

Monte Carnale .......................................................................................................... 100
3.7 Applicazione sulla dorsale principale dell’acquedotto del Simbrivio.. 103
3.8 Considerazioni conclusive .......................................................................... 107
4 Definizione preliminare di un dispositivo sperimentale per la

prelocalizzazione delle posizioni di perdita ............................................................ 109
3
4.1 Introduzione ................................................................................................. 109
4.2 I principi di funzionamento ........................................................................ 109
4.3 I dispositivi utilizzati ................................................................................... 110
5 Analisi probabilistica in tempo reale delle portate ......................................... 113
5.1 Introduzione ................................................................................................. 113
5.2 Analisi statistica in tempo reale delle portate .......................................... 113
5.2.1 Il test delle probabilità sequenziali .................................................... 114
5.2.2 Analisi con il filtro di Kalman delle misure di portata e di pressione

120
6 Definizione di una metodologia per la valutazione della configurazione di

perdita in una rete idraulica in pressione mediante tecniche di analisi
probabilistiche .............................................................................................................. 126
6.1 Introduzione ................................................................................................. 126
6.2 La metodologia di valutazione della configurazione di perdita ........... 126
6.3 La metodologia di monitoraggio e valutazione delle perdite ............... 127
6.4 La scelta del modello di ottimizzazione ................................................... 128
6.4.1 Le incertezze idrauliche e il fenomeno dell’aliasing ....................... 129
6.4.2 Tempi e frequenze di campionamento ............................................. 130
6.4.3 Le problematiche reali nell’acquisizione dei dati e la scelta del

modello di analisi bayesiana .............................................................................. 132
6.5 Conclusioni e sviluppi futuri ...................................................................... 133
4
Introduzione
L’acqua potabile è una risorsa preziosa per la collettività e necessita di essere

salvaguardata, mediante un adeguato controllo degli impianti di produzione,
trasporto ed usi finali.
In particolare, in questa tesi si focalizzerà l’attenzione sul controllo dell’impianto
di trasporto e, in particolare, verranno sviluppate tecniche e analisi destinate alle
reti di adduzione, ovvero quelle infrastrutture idrauliche caratterizzate dall’avere
una elevata estensione, che comporta anche l’attraversamento di zone poco
accessibili, rendendo difficile il monitoraggio diretto della condotta, come
avviene nelle reti di distribuzione, ubicate in ambito urbano.
Tra i diversi aspetti legati al controllo dell’impianto di trasporto, si concentrerà
l’interesse sulla possibilità di effettuare una valutazione della distribuzione delle
perdite, che rappresenta un problema importante sia per la caratterizzazione
della qualità del servizio, che per la gestione degli interventi di manutenzione.
Verrà mostrato come, avendo a disposizione delle misure di portata e pressione
rilevate in rete, è possibile individuare una distribuzione di probabilità per la
configurazione di perdita, calibrando un modello idraulico, nel quale siano stati
inseriti dei punti di efflusso torricelliano, atti a simulare la perdita.
Una prima applicazione di questo tipo (Puust et al.,2006) prevede l’utilizzo
dell’algoritmo SCEM-UA (Shuffled Complex Evolution Metropolis Modified),
realizzato da (Vrugt et al., 2003), in abbinamento ad un modello di moto
stazionario (EPANET), al fine di stimare la funzione di probabilità a posteriori
dei parametri di perdita incogniti, rappresentati dai coefficienti di EMITTER,
localizzati nei nodi di una rete.
In primo luogo, partendo da questo lavoro, verranno effettuati dei test per
verificare la sensibilità del metodo di calcolo al tipo di condizioni al contorno e al
tipo di misure utilizzate per l’ottimizzazione, si mostrerà come l’algoritmo
SCEM-UA possa essere applicato anche ad un modello idraulico di moto vario.
In questo modo potranno essere utilizzate per l’ottimizzazione delle serie di
misure, verificando se esiste o meno la possibilità di migliorare l’analisi,
sfruttando la successione nel tempo dei dati disponibili su una singola
postazione di misura.
5
E’ importante sottolineare, però, come un modello, per quanto sofisticato, può

fornire una visione non perfettamente aderente alla realtà, in quanto, sia per la
sua struttura matematica di base, che per una non adeguata valutazione dei
parametri, non sempre restituisce, nel confronto con le misure reali, un output
comparabile con quest’ultime nel range di variabilità dell’errore di misura.
Si avverte, pertanto, l’esigenza di valutare, in modo separato, da una parte la
capacità predittiva del modello, definibile man mano che si acquisiscono dati
misurati, e dall’altra parte l’incertezza legata alla stima dei parametri.
In secondo luogo, si analizzerà, quindi, un metodo per poter separare le diverse
componenti dell’incertezza, in particolare si mostrerà lo sviluppo di una
metodologia, che permetta di separare l’incertezza del modello da quella dei
parametri, utilizzando le tecniche di analisi sequenziale di assimilazione dei dati
(Sequential Data Assimilation techniques– SDA techniques). In contrasto con le
strategie di calibrazione classiche, i metodi SDA eseguono un aggiornamento
continuo delle variabili di stato nel modello, quando nuove misure divengono
disponibili, al fine di aumentare la capacità predittiva del modello, valutando
l’incertezza di stima di quest’ultimo.
Per estendere l’utilità e l’applicabilità delle tecniche SDA alla modellazione
idraulica delle perdite, si utilizzerà una metodologia che non solo aggiorna, in
modo ricorsivo, le variabili di stato, ovvero i dati misurati, ma simultaneamente
stima i parametri del modello.
L’algoritmo SODA (Simultaneous parameter Optimization Data Assimilation)
(Vrugt et al., 2005) si basa su un metodo che combina le potenzialità delle tecniche
di SDA, con quelle dell’algoritmo SCEM-UA (Vrugt et al., 2003), insieme al potere
e l’efficienza computazionale del filtro di Kalman d’insieme (Ensemble Kalman
Filter - EnKF), proposto da (Evensen, 1994). Tale metodo è basato sull’utilizzo dei
metodi Monte Carlo per generare un insieme di traiettorie del modello, dalle
quali viene stimata l’evoluzione temporale della densità di probabilità a
posteriori e la relativa covarianza di errore. Attraverso l’implementazione del
modello SODA si può ottenere una stima dei parametri che rappresenta meglio le
proprietà del sistema, meno influenzate da errori di modello.
L’applicazione di queste tecniche si mostrerà essere, però, molto onerosa dal
punto di vista computazionale, soprattutto al crescere delle dimensioni e delle
6
variabili del sistema in studio, nonché molto sensibile al corretto posizionamento

dei punti di perdita e all’assegnazione di più o meno ampi range di variabilità
per i valori dei coefficienti.
In terzo luogo, quindi, per far fronte a questa problematiche, è stato progettato e
realizzato un prototipo di dispositivo di controllo galleggiante, libero di
muoversi nell’acqua lungo la rete, che contiene al suo interno un sensore di
pressione e un sensore acustico. Il sensore di pressione permette di conoscere la
posizione del sensore, nota la geometria della rete, mentre il sensore acustico
rileva il rumore presente, correlabile all’intensità della perdita. Dall’analisi
successiva del segnale di pressione e del segnale acustico, si prelocalizza la
posizione delle perdite e si valuta il range di variazione dell’intensità. E’ da
notare che questo tipo di prototipo si pone come evoluzione migliorativa di uno
strumento commerciale esistente, che però basa il posizionamento del sensore su
un sistema meno affidabile, quale quello della giro-bussola.
In sintesi, quindi, nel primo capitolo verrà descritto lo stato dell’arte e le diverse
tecniche fino ad oggi disponibili per l’individuazione della configurazione di
perdita.
Nel secondo capitolo, invece, si descriverà partendo dai lavori già presenti in
letteratura, la metodologia probabilistica proposta per la valutazione della
configurazione di perdita, non distinguendo, in questa prima fase, tra le diverse
componenti dell’incertezza. Si mostreranno, con esperimenti numerici, le
potenzialità e le criticità di questo tipo di tecnica.
Nel terzo capitolo, partendo dagli studi più recenti sulle tecniche di assimilazione
sequenziale dei dati, verrà illustrata l’applicazione di una metodologia
probabilistica, finora mai applicata per la valutazione delle perdite nelle reti
idriche, che permette di distinguere le componenti dell’incertezza legate al
modello da quelle legate alla non conoscenza dei parametri. Anche in questo
caso, mediante prove numeriche, di diversa complessità, si tenterà di mostrare i
punti di forza e di debolezza della tecnica.
Nel quarto capitolo, evidenziate le criticità legate all’applicazione di tali tecniche
probabilistiche, legate soprattutto al più o meno corretto posizionamento delle
posizioni di perdita, si descriverà il prototipo di sensore galleggiante messo a
punto per l’individuazione, in via preliminare, dei punti potenziali di perdita,
7
lasciando aperte, ad ulteriori studi, le problematiche legate alla sperimentazione

sia di laboratorio, che di campo di tale prototipo, da utilizzare in abbinamento
alle tecniche di modellistica probabilistica proposte.
Nel quinto capitolo, verrà poi descritta una nuova tecnica probabilistica per
l’analisi dei segnali di portata registrati in ingresso e in uscita da una condotta,
che permette di individuare la formazione di una perdita. Questo tipo di
applicazione parte da due tecniche già presentate in letteratura singolarmente,
ma le utilizza, poi in modo accoppiato, per migliorarne l’efficacia.
Infine, nel sesto capitolo, vengono illustrate le linee guida generali per una
metodologia completa di monitoraggio e valutazione probabilistica della
configurazione di perdita.
8
CAPITOLO 1
1 Valutazione della configurazione di perdita

in una rete idraulica in pressione: stato
dell’arte
1.1 Introduzione
In questa parte della tesi si analizzeranno le diverse tecniche, riportate in
letteratura, che hanno come scopo la valutazione della configurazione di perdita
in una rete idraulica in pressione.
Tali metodologie possono classificarsi come:
• Tecniche per la valutazione dell’entità delle perdite, mediante misure di
portata o volume;
• Tecniche per la valutazione dell’entità e della posizione delle perdite,
mediante misure di portata e pressione;
mediante misure acustiche;
mediante altri metodi fisici.
1.2 Tecniche per la valutazione dell’entità delle perdite,

mediante misure di portata o volume
1.2.1 Analisi in condizioni statiche
Una delle prove più efficaci per la valutazione dello stato di efficienza globale di
una rete idraulica in pressione è, sicuramente, la prova di tenuta in condizioni
statiche, ma è altrettanto vero che tale prova può essere agevolmente condotta
solo su sistemi di nuova costruzione, non su sistemi già esistenti.
9
L'ordinamento in materia di prove di tenuta idraulica è contenuto nel Decreto del

Ministero dei LL.PP. 12/12/85,l’obbiettivo fondamentale di tale prova è quello di
determinare, una volta che la condotta sia stata messa in pressione,
l’abbassamento dei livelli dei serbatoi e della pressione, calcolando, sulla base di
tali misure, il volume d’acqua perso, durante il tempo di osservazione.
1.2.2 Approccio dell’IWA
La normativa italiana, avendo adottato un bilancio idrico standardizzato e i

relativi parametri di valutazione come strumento di gestione delle perdite, è in
linea con l’orientamento internazionale.
Infatti, già la “Water Loss Task Force” dell’IWA (International Water
Association), costituita da esperti del settore di molti paesi del mondo, ha
provveduto a definire un approccio standard, basato sull’utilizzo del Bilancio
Idrico e dei Performance Indicators.
Il minor volume annuale delle perdite reali tecnicamente realizzabile per sistemi
ben gestiti è denominato come Volume Annuale delle Perdite Reali Inevitabili
(UARL). Usando i quattro metodi di gestione delle perdite (gestione della
pressione, controllo attivo delle perdite, velocità e qualità delle riparazioni,
gestione di tubi e asset), le perdite reali possono essere controllate, ma, alla
pressione d’esercizio corrente, non possono essere ridotte oltre UARL. Tuttavia,
anche se UARL rappresenta il livello minimo delle perdite reali che possono
essere tecnicamente raggiunte, può essere antieconomico ridurre le perdite reali a
questo livello. L’IWA propone l’Indicatore di Perdita non dimensionale ILI
(Infrastructure Leakage Index) che è il rapporto tra le Perdite Reali Annuali
(Current Annual Real Losses (CARL)) e le Perdite Reali Fisiologiche Annuali
(Unavoidable Annual Real Losses (UARL)).
1.2.3 Il metodo del bilancio di volume classico
Il principio su cui si basa l’approccio del bilancio di volume (Whaley et al. 1992) è
la conservazione della massa: la differenza tra la quantità di fluido che entra nella
condotta e la quantità di fluido che ne esce, in un qualsiasi intervallo di tempo,
deve essere uguale alla variazione della massa immagazzinata nella condotta,
nello stesso intervallo di tempo.
10
Idealmente, in una situazione priva di perdite, il bilancio di volume dovrebbe

essere uguale a zero; mentre, nel caso di perdita, il bilancio di volume assume
valore positivo, pari a quello della perdita. L’accuratezza del metodo di bilancio
del volume dipende dalla precisione delle misure di portata e dall’accuratezza
del calcolo del volume immagazzinato. La valutazione della quantità di fluido,
contenuta nella condotta, dipende dalla condizione del fluido, se è in uno stato
stazionario, oppure in regime di transizione: nel caso di condizione di stato
stazionario la quantità di fluido contenuta nel tratto di condotta non varia.
I disturbi nelle misure strumentali sono la maggior fonte di errore nel metodo del
bilancio di volume; si può considerare disturbo qualsiasi segnale, sia di tipo
elettronico che di tipo idraulico, che abbia una frequenza due volte maggiore di
quella di acquisizione. Il disturbo, che si può riscontrare nelle misure di portata,
si traduce in un errore nell’equazione di bilancio del volume. Integrando su un
intervallo temporale più ampio, il numero di misure di portata usato nei calcoli è
maggiore, per cui gli errori legati ai disturbi vengono mediati.
Le problematiche connesse al metodo del bilancio di volume risiedono nella sua
propensione a creare falsi allarmi, generati dal fatto di avere assunto le
condizioni come stazionarie, quando si applicano a sistemi che raramente sono
stazionari. Al fine di portare la quota di falsi allarmi su un livello accettabile,
sono richiesti dei periodi di osservazione che vanno dall’ora all’intero giorno.
Questo tipo di procedura non permette di localizzare la perdita, deve quindi
essere associata ad altri metodi complementari per ottenere tutte le informazioni
necessarie sulla perdita.
1.2.4 Metodo del bilancio di volume con analisi statistica
L’analisi statistica applicata al metodo del Bilancio di volume (Zhang, 1993),

prevede l’esecuzione di un test statistico, il test delle Probabilità Sequenziali di
Wald(SPRT), per valutare se esiste una differenza statisticamente significativa tra
portate in ingresso e in uscita. Nel metodo del Bilancio di volume classico, il
bilancio di massa tra le portate entranti e quelle uscenti, avviene tra i valori
afferenti al medesimo istante temporale. Per avere un’analisi più adeguata del
fenomeno, è necessario considerare la comprimibilità dell’acqua, la deformabilità
della condotta, nonché la rapidità con cui possono avvenire le fluttuazioni di
11
portata ed infine anche la lunghezza e la conformazione della condotta, al fine di

valutare la celerità propria di una certa condotta. Il residuo deve essere allora
calcolato come differenza tra le portate entranti e uscenti, relative non al
medesimo istante temporale, bensì a quelle ottenute considerando la velocità di
propagazione delle perturbazioni, ovvero la celerità a .
1.2.5 Metodo del bilancio di volume con analisi fuzzy
Questo tipo di metodologia, attraverso un’analisi fuzzy, si propone di valutare il

grado di transitorio in atto in una condotta, identificando le manovre operative
che generano transitori e si ripercuotono, quindi, sul bilancio di volume tra
portata in ingresso e in uscita. (Silva et al. 2005).
Tale approccio prevede due fasi:
• un modulo per la classificazione delle operazioni e dei processi, che
generano transitori, determinando il tipo di condizione di moto presente
in condotta, predisponendo un database, che fornisca le varie tipologie di
condizioni operative in atto sulla condotta.
• un modulo per la ricerca perdita, che valuta la differenza tra portata
entrante e portata uscente, secondo un Rule Based Fuzzy System, come
proposto da Mamdani e Assilian (1975), con due input, la deviazione e la
classificazione del regime di moto, un output e venticinque regole
decisionali.
1.2.6 L’Analisi con filtro di Kalman delle portate
Il filtro di Kalman permette una caratterizzazione completa dello stato di

conoscenza di un sistema dinamico, tenendo conto della serie storica delle
misure. In questo tipo di approccio l’obiettivo è quello di distinguere tra
fenomeno, ovvero quello che si può osservare, e quello che è attualmente in atto,
definendo il grado di conoscenza che si può avere del reale a partire dal
fenomeno osservabile.
Tale approccio prende il nome di filtro in quanto viene effettuato un distinguo tra
segnale e rumore, stimando le variabili indipendenti come funzione inversa delle
12
variabili dipendenti (le misure), che sono variabili dinamiche, solo parzialmente
stimabili.
I parametri idraulici, pressione e portata, possono considerarsi soggetti ad un
continuo cambiamento costante, dovuto alle fluttuazioni legate a fenomeni di
moto vario. Una volta calibrato il filtro, con una serie di dati iniziali, assunti come
condizione di normalità, è possibile definire quando i valori misurati in tempo
reale stiano effettivamente deviando da quelli stimati attraverso con il filtro,
mostrando la possibile insorgenza di una perdita.
1.3 Tecniche per la valutazione dell’entità delle perdite,

mediante misure di portata e pressione;
1.3.1 Il Bilancio di Volume Compensato
Il Bilancio di Volume Compensato è un’estensione del tradizionale metodo di

Bilancio del Volume. Questo metodo si basa sulla comparazione in tempo reale
tra portate misurate e bilancio di massa interno alla condotta, generato tramite un
modello. Le normali fluttuazioni, che si possono avere nelle misure, comportano
semplicemente delle piccole deviazioni, che saranno al di sotto di una fissata
soglia di allarme. Il grande vantaggio del Metodo del Bilancio di Volume
Compensato, rispetto alle metodologie non basate su modelli, risiede nella sua
capacità di rilevare rapidamente le perdite, anche in presenza di transitori. La
velocità di individuazione di una perdita è di pochi minuti per le perdite
maggiori, mentre è variabile tra i trenta minuti e le due ore per le perdite minori.
Il grado di accuratezza del modello, in questo tipo di metodologia, è meno
influenzato dalla calibrazione dei parametri fisici, in quanto le incertezze sulla
stima di tali valori sono uniformemente distribuite e nel calcolo del bilancio
vengono automaticamente mediate, quindi la ricerca perdite rimane efficace
anche se il modello non è perfettamente calibrato.
13
1.3.2 L’Analisi della Deviazione
L’Analisi della deviazione è una delle prime tecniche basate sull’uso di modelli,
si basa sulla simulazione idraulica del moto in condotta, utilizzando, come
condizioni al contorno, alcuni dei dati misurati dalla rete, cosicché una perdita
può essere individuata quando i valori calcolati sono dissimili da quelli misurati,
non usati come condizioni al contorno. Lo scopo dell’uso di un modello è quello
di assicurare la capacità di individuare i cambiamenti di pressione e di portata,
causati da un evento di perdita, anche in presenza di fenomeni transitori. Usando
le misurazioni, ottenute ad una certa frequenza di campionamento, come
condizioni al contorno, la simulazione può tenere conto degli effetti transitori
presenti in rete.
Dato che i cambiamenti delle condizioni al contorno, causate da altri fenomeni
diversi dalla perdita, sono valutati tramite lo sviluppo del modello di moto vario,
le deviazioni, che si verificano tra valori calcolati agli estremi del tubo e quelli
misurati, possono essere ritenute indicative di una perdita.
Le normali fluttuazioni tra modello e misura possono causare delle leggere
deviazioni, tra dato calcolato e dato misurato, ma d’altronde la soglia di
deviazione viene stabilita per ogni coppia di valori calcolati di pressione e
portata. Sotto queste soglie, le deviazioni sono accettate come normali, dovute a
errori e disturbi di misura, incertezze nella modellazione fisica, oppure come
conseguenza di fluttuazioni con una frequenza troppo alta per essere modellate.
Solo quando la deviazione supera la soglia di allarme, viene interpretata come
una perdita.
Rispetto ai metodi che non si basano su modelli, il Metodo dell’Analisi della
deviazione permette di operare anche in presenza di transitori. Per individuare le
perdite di entità maggiore bastano pochi minuti, per le più piccole, invece si
richiedono almeno trenta minuti.
Questo tipo di metodo, però, ha necessità di una strumentazione in grado di
garantire misure di pressione e portata in ingresso e in uscita.
14
1.4 Tecniche per la valutazione dell’entità e della posizione

delle perdite, mediante misure di portata e pressione
1.4.1 Analisi del decadimento della pressione (Wave rarefaction

method)
L’analisi della pressione in un punto è una tecnica largamente utilizzata per

individuare la caduta di pressione indotta dalla perdita. Quando interviene una
perdita, la pressione, su un punto qualsiasi della condotta, inizia a scendere,
quindi, attraverso opportune tecniche statistiche, si può valutare se la pressione
sta scendendo in maniera significativa. Questo metodo, però, richiede che tutti gli
altri eventi in grado di causare riduzioni di pressione siano segnalati, al fine di
inibire le operazioni di ricerca perdite, finché non si ritorna in condizioni
stazionarie.
La criticità di questa metodologia risiede proprio nel cercare di rendere sensibile
e selettivo il sistema di monitoraggio rispetto ai decadimenti di pressione
possibili, legati ai transitori generati da manovre note.
1.4.2 Analisi nel dominio della frequenza
Questo tipo di tecnica valuta la presenza delle perdite sulla base dei
cambiamenti, che queste producono sulla frequenza di oscillazione del sistema,
quindi i cambiamenti associati alla variazione di questa frequenza di oscillazione
possono essere decodificati per quantificare e localizzare la perdita. Questa
tecnica prevede l’utilizzo di una sola serie di misure di pressione in una sezione,
inoltre è necessario poter disporre di un dispositivo di generazione di un
transitorio da attivare periodicamente, al fine di analizzare la risposta in
frequenza del sistema, durante il fenomeno di oscillazione stazionario. Una volta
che questo tipo di moto si è stabilito in condotta, vengono prese le misure di
pressione, determinando, per ogni frequenza, le ampiezze massime e creando,
quindi, un diagramma di risposta della frequenza, dal quale possono essere fatti i
confronti tra il sistema intatto e quello con perdita. Il moto di oscillazione
stazionario può essere analizzato sia nel dominio del tempo che della frequenza,
però, nel dominio della frequenza, il calcolo risulta più diretto e veloce. Inoltre,
15
le equazioni che governano il fenomeno possono essere risolte nel dominio della
frequenza, assumendo che sia il carico che la portata siano composte di una
componente stazionaria e di una oscillatoria. Unendo le equazioni del moto con
quelle che esprimono le variabili, come insieme di una componente stazionaria
ed una oscillatoria, si hanno le funzioni di trasferimento, che si possono risolvere
o con il metodo dell’impedenza o con la matrice di trasferimento.
Un metodo (Mpesha et al. 2001) prevede l’esecuzione di analisi periodiche,
mediante un dispositivo, come una valvola, in grado di generare un transitorio,
producendo un fenomeno oscillatorio stazionario, durante il quale verranno
registrati i dati di portata e pressione. Questa operazione viene ripetuta per un
certo campo di frequenze, ottenute variando il periodo di oscillazione della
valvola. I risultati vengono poi confrontati con quelli ottenuti con un modello
numerico del sistema in assenza di perdita.
In modo simile anche Jonsson e Larson (1992) in analogia aCovas e Ramos (1999), in
accordo con Mpeshaet al. (2001) hanno proposto che la presenza di perdite e di
altre singolarità sia rivelata dalla presenza picchi di risonanza addizionali nel
diagramma sperimentale della risposta in frequenza (FRD frequency response
diagram). Asserendo che questi picchi siano, inoltre, minori dei picchi di
risonanza, che si avrebbero in un sistema senza perdite. I dati numerici presentati
da Mpesha (2001) sembrerebbero validare l’idea che esistano dei picchi nella
frequenza di risposta del sistema dovuti alle perdite.
I risultati raggiunti da Mpesha (2001), risultano, come evidenziato da Lee et al.
(2003), discordanti con quelli raggiunti da altri studiosi come Wylie e Streeter
(1993) e Chaudhry (1987).
La risposta in frequenza di una singola tubazione tipicamente contiene picchi ai
multipli dispari della frequenza fondamentale ( ω=a̟/2L) (Wylie e Streeter (1993)
e Chaudhry (1987)), mentre i risultati di Mpesha (2001) presentano dei picchi alla
prima, alla settima e alla tredicesima armonica. Nel caso con perdita, vi è una
frequenza di picco addizionale, la cui posizione ed ampiezza è utilizzata come
base per la ricerca perdite. Questo picco addizionale risulta posizionato alla
quinta armonica e non è chiara la ragione per cui è mancante nel caso di assenza
di perdite e riappare in presenza di una perdita.
16
Ferrante e Brunone (2004) hanno presentato degli ulteriori risultati che rifiutano
l’esistenza di frequenze indotte dalla perdita. Variando la portata di perdita da
valori esigui a valori molto elevati, fino all’80% della portata transitante, si
notava un cambiamento della frequenza fondamentale del sistema, ma non vi
erano picchi addizionali su alcuna armonica. Secondo questo studio, la presenza
di frequenze addizionali indotte dalla perdita era da ritenersi connessa con la
confusione tra le armoniche già esistenti proprie della tubazione. Occorre notare
che Jonsson e Larson (1992) furono i primi a proporre l’idea di studiare le perdite
attraverso lo spettro di Fourier della traccia di pressione misurata e Mpeshaet al.
(2001) furono i primi a tentare di applicare tali idee.
Lee et al.(2005a,b) hanno introdotto due tecniche di ricerca perdite in transitorio,
basate sull’analisi, nel dominio della frequenza, della risposta del sistema ad un
transitorio indotto: il metodo della risonanza inversa e quello dei picchi di
risonanza sequenziali. Entrambi questi metodi sono basati sul fatto che una
perdita impone un pattern di tipo sinusoidale sui picchi della funzione di
risposta in frequenza e che le caratteristiche di questi pattern possono dare
informazioni utili sulla dimensione e sulla posizione della perdita. La tecnica
della risonanza prevede la minimizzazione della somma dei quadrati delle
differenze tra le funzioni di risposta in frequenza modellate e misurate,
cambiando il coefficiente di dimensione della perdita e la posizione lungo il tubo.
Il metodo dei picchi di risonanza sequenziali è basato sull’irregolare
smorzamento dei picchi delle armoniche, per le varie frequenza, causato dalla
presenza delle perdite, che viene confrontato con dei comportamenti tipici
tabellati, sui valori dei picchi di risonanza per quel tipico sistema.
Lee et al.(2005a,b) hanno derivato, inoltre, un’espressione analitica per
determinare il pattern tipico di una perdita in una condotta semplice, utilizzando
le equazioni della matrice di trasferimento. Trovando che la frequenza e la fase di
un pattern indotto dalla perdita sono direttamente relazionabili alla posizione e
all’entità della perdita. Questi risultati validano le osservazioni empiriche fatte da
Covas et al. (2005), FerranteeBrunone (2004) e Lee et al. (2005a,b). Usando questa
espressione analitica è stata sviluppata una procedura semplice per determinare
le perdite dal FRD. Questa procedura implica l’estrazione dell’ampiezza dei
picchi dal FRD e, attraverso l’analisi spettrale, vengono determinate le proprietà
17
del pattern di perdita, permettendo la localizzazione e la quantificazione. Questo

tipo di approccio è un miglioramento della procedura proposta in Lee et al.
(2005a) che non prevedeva un confronto con un comportamento noto del sistema.
Poi, nel 2006, gli stessi autori hanno presentato un lavoro sperimentale di
validazione. In questo lavoro, considerato che creare un flusso stazionario
oscillatorio richiede molto tempo ed, inoltre, bisogna avere un meccanismo di
generazione adatto allo scopo, si è preferito fare affidamento su un transitorio
generato con una sufficiente larghezza di banda, per produrre una risposta in
frequenza comprensiva, in questo modo qualsiasi transitorio generato con una
valvola può essere utilizzato per generare una risposta in frequenza,
semplificando l’implementazione pratica dei metodi di ricerca perdita nel
dominio della frequenza. In un approccio di questo tipo il concetto di banda di
segnale è molto importante, in quanto, ogni segnale transitorio contiene un certo
numero di frequenze che possono eccitare in diversi modi il sistema, saranno,
quindi, presenti diversi picchi nel diagramma di risposta in frequenza: il numero
di picchi osservati è direttamente relazionato al numero di informazioni
contenute nel segnale transitorio e da qui la capacità di individuare le perdite. Il
maggior problema di questo tipo di tecnica è legato all’applicazione nei tubi
corti, dove il numero di picchi osservabili è molto basso, inoltre questo tipo di
tecnica è inadatta per rilevare le perdite nell’ultimo quarto della condotta.
Il lavoro di Wang et al.(2002) si inserisce nell’ambito dei metodi di analisi dello
smorzamento nel dominio della frequenza. Il pattern di smorzamento, indotto
dalla perdita, nel FRD rivela delle informazioni utili sulla perdita stessa e offre
l’idea per un metodo basato sull’analisi sequenziale dei picchi, relazionando i
FRD osservati con dei modelli adatti al sistema in esame. In questo lavoro sono
stati analizzati quattro casi, per un sistema molto semplice, costituito da
serbatoio, tubo e valvola: assenza di perdita, due casi con stessa perdita, ma in
posizioni differenti, ed infine perdita doppia, posizionata nella medesima
posizione di uno dei due casi precedenti. I diagrammi di FRD, per tutti gli
scenari, sono stati estratti dalle tracce di pressione, prese in corrispondenza della
valvola finale. L’analisi numerica ha mostrato che la posizione della perdita
cambia la forma del pattern nei picchi di risonanza, mentre la dimensione della
perdita cambia l’ampiezza del pattern. Inoltre è stato considerato l’impatto
18
dell’attrito non stazionario, sebbene sia noto che l’attrito non stazionario causi
delle attenuazioni nei picchi del FRD, si è visto che questo fenomeno è più
influente per le alte frequenze, mostrando un lieve trend, che può essere
agevolmente distinto dai patterns, più complessi, indotti dalla perdita nel FRD.
L’entità della perdita e la posizione sono determinati analiticamente con
un’analisi di Fourier, applicata direttamente alla versione modificata delle
equazioni fisiche, per determinare la relazione tra lo smorzamento e le diverse
armoniche. E’ stato trovato che il tasso di smorzamento per ogni frequenza, in un
segnale in transitorio, è differente per un tubo con perdita e lo smorzamento per
alcune componenti sia maggiore di quello che si avrebbe a causa delle sole
perdite dovute all’attrito. La localizzazione della perdita è determinata sulla base
dei differenti damping che si hanno sulle componenti armoniche.
La procedura è stata sperimentata per sistemi rudimentali, trovando anche
perdite con area di efflusso pari all’0.1% dell’area totale. Gli stessi autori
riconoscono però che l’accuratezza della metodologia proposta dipende da
numerosi fattori, tra cui l’appropriata modellazione del termine d’attrito non
stazionario e la validità della linearizzazione del carico e del flusso attraverso le
componenti stazionarie e transitorie. Uno studio dettagliato della tecnica di
analisi dello smorzamento in transitorio è stato sviluppato da Nixon e Ghidaoui
(2006) e gli effetti dell’approssimazione lineare sono risultati essere minimi,
comunque è stato trovato che il metodo manca di generalità ed è necessario
sviluppare ulteriori ricerche prima di applicare la tecnica in sistemi reali. In
particolare i ricercatori hanno evidenziato sei assunzioni, fatte da Wang et al.
(2002), che riducono di molto il range di validità della tecnica proposta, in
particolare i due punti più restrittivi sono:
• l’istantaneità della manovra che deve generare un transitorio di ampiezza
contenuta;
• lo schema dell’impianto in studio (serbatoio-tubo-valvola o serbatoio-
tubo-serbatoio).
Un altro lavoro, nel campo della ricerca perdite, mediante l’analisi in frequenza, è
il metodo della differenza d’onda stazionaria, proposto da Covas et al. (2005),
come da Lee et al.(2005a,b) e Mpesha et al. (2001),che fa uso del flusso oscillatorio
stazionario e dell’analisi spettrale. Il caso base è costituito da un tubo di
19
lunghezza infinita, sia nel caso di perdita singola, che doppia. L’assunzione di
lunghezza infinita è necessaria per assicurare che la riflessione dall’estremità del
sistema non ritorni verso la sorgente di disturbo, in modo tale da evidenziare al
meglio, almeno da un punto di vista teorico, le caratteristiche della risonanza
dovuta alla perdita. Per i tubi non danneggiati, non viene osservata nessuna
condizione di risonanza, mentre nei tubi danneggiati con una perdita sono
evidenti l’ampiezza dell’impedenza idraulica, con una condizione di risonanza
direttamente connessa alla posizione della perdita, nel caso con due perdite,
invece è necessaria una più complessa condizione di risonanza, che richiede
un’analisi attraverso la trasformata veloce di Fourier. In un sistema di serbatoio-
tubo- valvola, analogamente, viene considerato uno scenario con perdita e senza
perdita, per un tubo non danneggiato si è osservato che vi sono, nel diagramma
di risposta in frequenza, una serie di picchi ugualmente spaziati e di uguale
ampiezza. Nel tubo con perdita, vi è, invece, oltre ai picchi menzionati
precedentemente, anche un pattern, che può essere correlato con la posizione
della perdita, in analogia con quanto osservato da Lee et al.(2005a,b). Un’analisi di
sensitività ha mostrato l’impatto della posizione della perdita nel diagramma di
risposta in frequenza. Sebbene l’ampiezza dei picchi, associati con la posizione
del serbatoio, mantengano le stesse frequenze, la forma dei pattern indotti dalla
perdita, dipendono dalla posizione della perdita stessa. Le perdite sono
localizzate usando l’analisi spettrale della risposta in frequenza, che permette di
visualizzare le massime frequenze associate alla risposta del sistema.
L’utilizzo della trasformata di Fourier sulla frequenza, per derivare la posizione
della perdita, è, però, secondo Vıtkovsky e Lee (2008), in analogia con quanto viene
effettuato attraverso la tecnica della cross-correlazione nel dominio del tempo tra
Beck et al. (2005).
1.4.3 Analisi transitoria diretta
Quando un segnale transitorio arriva nella posizione della perdita, parte

dell’energia dell’onda principale è diverta per formare un nuovo segnale di
riflessione. La ricerca di questo segnale riflesso e la misura del suo tempo di
arrivo, può essere utile per individuare la perdita. Il tempo di arrivo del segnale
riflesso al trasduttore è il tempo necessario al segnale principale per viaggiare dal
20
punto sorgente del transitorio, al punto di perdita, più quello necessario all’onda
riflessa per tornare indietro. Nota la velocità con cui viaggiano le onde, la
localizzazione della perdita può essere determinata dalla base di questo tempo di
arrivo.
Numerose pubblicazioni hanno descritto quest’uso del segnale di pressione.
Brunone (1999) ha proposto una tecnica semplice ed economica per evidenziare le
perdite nei tubi. Lo studio considera un singolo tubo, soggetto ad un transitorio,
e sviluppa una serie di relazioni, che permettono di calcolare, noti i tempi di
arrivo dell’onda principale e di quella riflessa, la posizione e l’entità della perdita.
Questa procedura è utile nell’ispezione periodica dei tubi, permettendo il
confronto tra curve di transitorio, registrate in momenti differenti. Anche altri
autori si sono mossi in questa direzione Jonsson eLarson (1992),Covas e Ramos
(1999), Jonsson (2001) ,Brunone e Ferrante (2001).
Il fondamento teorico del metodo è rappresentato da un’importante proprietà
delle onde di pressione. Queste, infatti, subiscono una riflessione parziale in
corrispondenza di ciascuna singolarità – ad esempio, una variazione di diametro,
una diramazione o una rottura – incontrata mentre, durante un transitorio, si
propagano in condotta. Le onde riflesse portano con loro informazioni relative
alle singolarità che le ha originate. Se si misura in una o più sezioni della
condotta la pressione, il passaggio di tali onde determina delle discontinuità nei
segnali di pressione che dipendono dalle caratteristiche della singolarità che le
hanno originate. Dalla conoscenza degli istanti in cui nella sezione di misura
transitano, rispettivamente, l’onda di pressione originata dalla manovra e quella
riflessa dalla singolarità è possibile determinare la posizione di quest’ultima. Il
coefficiente di riflessione della singolarità, inoltre, dipende dalle caratteristiche di
questa; nel caso di una rottura di assegnata geometria, ad esempio, tale
coefficiente aumenta all’aumentare delle sue dimensioni (Brunone e Ferrante,
2001).
Esempi di questo tipo di approccio nel dominio del tempo si possono trovare in
numerosi articoli, che sottolineano la rilevanza di tale metodo per ingegneri
idraulici e chimici, (Brunone, 1989; Brunone 1999; Covas et al., 2000; Jonsson e
Larson, 1992; Silva et al., 1996) e per condotte che trasportano petrolio e per pozzi
di elevazione di gas.
21
1.4.4 Tecniche avanzate di studio del segnale di pressione
Beck et al. (2005) analizzano il segnale di pressione, con una tecnica innovativa,
sviluppata per l’analisi di segnali, che contengano delle onde riflesse, applicando
un’estensione dell’analisi della cross-correlazione e testando il metodo con degli
esperimenti di laboratorio su un sistema semplice. Essenzialmente l’approccio si
basa sul calcolo della derivata seconda della cross-correlazione, al fine di scoprire
la firma dell’onda riflessa, che è nascosta in patterns più complessi. La derivata
prima della cross-correlazione indica l’ampiezza del gradiente, mentre la
derivata seconda mostra dei picchi nei punti dove cambia il gradiente, ovvero la
posizione delle varie onde riflesse.
E’ da notare, però, che molti dei metodi sin qui analizzati si basano molto su una
conoscenza esatta del comportamento del sistema in assenza di perdita e,
soprattutto, hanno come presupposto la riproducibilità del segnale, che genera il
transitorio, ma nei casi in cui il segnale transitorio non è perfettamente
riproducibile, è difficile, se non impossibile determinare i cambiamenti
nell’integrità del sistema.
Vitkovsky et al. (2003b) hanno descritto un metodo per identificare la riflessione
dovuta alle perdite, attraverso un metodo che si basa sulla determinazione della
Impulse Response Function (IRF), una relazione unica tra il segnale di impulso e
il segnale di pressione misurato. Questa relazione si basa solo sulle caratteristiche
fisiche del sistema e, per un dato sistema, la risposta in transitorio di forme
completamente differenti produce un’identica IRF. L’uso di questa funzione per
la ricerca perdite fu, inizialmente, usata, però, prevalentemente, per determinare
i cambiamenti nella pendenza del carico idraulico, come d’uso nei metodi di
ricerca perdita nel caso stazionario.
Nel lavoro di Vitkovsky et al. (2003b) è mostrato come la IRF può rifinire tutte le
riflessioni del sistema, attraverso degli impulsi molto ripidi, che risultano,
quindi, ben evidenziati. Un altro tipo di analisi è quella studiata da Stoianov et al.
(2002), Ivetice Savic (2002), Ferrante e Brunone (2003) che usano la trasformata
wavelet per evidenziare le riflessioni dovute alle perdite all’interno del segnale di
pressione. L’analisi wavelet è una tecnica di analisi armonica successiva a quella
di Fourier, che permette di analizzare il segnale sia nel dominio del tempo sia in
22
quello della frequenza. La trasformata wavelet implica una convoluzione nel

tempo della traccia del dato, attraverso l’utilizzo di funzioni matematiche
localizzate, che sono studiate per enfatizzare le discontinuità. Queste funzioni
matematiche localizzate possono essere dilatate o contratte nel tempo per
produrre la convoluzione temporale a diverse scale. La trasformata wavelet si
presenta come uno strumento molto efficace per evidenziare le discontinuità
nella traccia del segnale, ma è anche influenzata dalla forma del transitorio di
input e dalla frequenza di campionamento. La ricerca delle riflessioni dovute alle
perdite è difficile, quando il segnale di input per il transitorio è diverso
dall’impulso perfetto. Una prima applicazione di tale tecnica all’analisi dei
segnali di pressione, registrati durante transitori generati da una chiusura brusca
e totale della valvola di manovra per la ricerca perdite, si trova in Stoianov et al.
(2002), Ferrante e Brunone (2003).
La tecnica di analisi wavelet analizza il segnale a varie scale temporali,
permettendo un’ accurata analisi anche in presenza di rumore, individuando
anche le piccole irregolarità del segnale, (Ferrante, Brunone, Meniconi, 2007).
Anche altri studi (T.Kijewski, Correae A. Kareem, 2007) individuano e dimostrano
la capacità della trasformata wavelet nell’individuare l’esatta frequenza
istantanea anche in presenza di rumore. Una delle applicazioni su impianti reali è
quella condotta sull’impianto situato in Scozia presso Balmashanner ed è gestito
dalla Scottish Water. L’analisi si è limitata al tronco di adduttrice congiungente
Lintrathen a Framedrum; il tronco in esame è in acciaio, ha diametro 300 mm e
una lunghezza L = 5936 m, mentre la adduttrice, sempre in acciaio, a cui si
collega ha diametro variabile tra i 600 e gli 800 mm e lunghezza totale di 5917 m.
(Meniconi, 2006).
1.4.5 L’analisi inversa
L’articolo di Pudar e Liggett (1992) propone una ricerca perdite basata su

un’analisi inversa: nel problema diretto, convenzionalmente, si calcolano, sotto
determinate condizioni idrauliche e geometriche, i dati di portata e pressione,
mentre nel problema inverso quello che interessa è risalire alla geometria del
problema, incognita a causa di una qualsiasi modifica, che può essere una
perdita, oppure un’ostruzione, localizzata in punti non noti del sistema.
23
Pudar e Liggett (1992) hanno proposto una metodologia di ricerca perdite basata
su un modello di tipo inverso, in regime stazionario, dove le variabili di stato
(pressioni e/o portate)sono considerate come input, e assumendo che le perdite
possono essere simulate tramite orifici, localizzati solo in corrispondenza dei
nodi della rete, L’individuazione delle perdite viene fatta calibrando il modello
idraulico della rete in regime stazionario, attraverso l’algoritmo di ottimizzazione
di Levemberg - Marquardt. Tale procedura ha portato, nel caso di sistemi sovra
determinati, ad una soluzione esatta, ma nel caso di sistemi sotto determinati non
è stato possibile individuare una risposta certa: è stato mostrato che, nei sistemi
sotto determinati, la variazione nell’area di perdita, dovuta agli errori nella stima
dei coefficienti di scabrezza, è significativamente maggiore della variazione
dovuta agli errori nella misura del carico idraulico, indicando che la valutazione
accurata della scabrezza è necessaria per fare un calcolo inverso accurato.
Liggett e Chen (1994) cambiarono la prospettiva dell’analisi inversa, virando verso
l’analisi non stazionaria. In contrasto con l’analisi stazionaria, le condizioni di
transitorio offrono potenzialmente un numero di informazioni maggiori, anche
da pochi punti di misura, trasformando un sistema non determinato in uno
determinato, dato che ogni stazione di misura può produrre un numero illimitato
di punti nel tempo, permettendo la calibrazione di coefficienti di scabrezza e di
perdita.
Sia Pudar e Liggett (1992) che Liggett e Chen (1994) definiscono la funzione
obiettivo del problema inverso come la somma al quadrato delle differenze tra
carichi misurati e simulati. Un accurato risolutore per i transitori, generalmente
basato su un metodo alle caratteristiche finite, è richiesto insieme ad un
algoritmo di ottimizzazione, che minimizzi l’errore globale. Un lavoro molto
simile è anche quello di Liou e Tian (1995). La metodologia proposta da Liggett e
Chen (1994) è stata negli anni rifinita da molti ricercatori, focalizzando
l’attenzione sui metodi di ottimizzazione della funzione obiettivo, lo sviluppo di
adeguati strumenti di misura e di modelli idraulici in transitorio adeguati.
1.4.5.1 Gli algoritmi di ottimizzazione
Vi sono generalmente due metodi per minimizzare la somma dei quadrati delle
differenze tra dati osservati e simulati: la prima strada è quella degli algoritmi di
24
ottimizzazione non lineari, basati sulle derivate, del tipo Levemberg-Marquardt,

LM, la seconda strada è invece quella di utilizzare gli algoritmi genetici, GA.
La decisione di utilizzare l’uno o l’altro è fortemente influenzata dalle differenze
specifiche di ciascuno dei due metodi: in un caso il LM rischia di rimanere
intrappolato in un minimo locale della funzione da ottimizzare, ma gli algoritmi
GA possono necessitare di tempi di calcolo troppo lunghi. Vari autori hanno
tentato di realizzare degli algoritmi ibridi (Vitkovsky et al., 2002; Kapelan et al.,
2002), mentre altri si sono preoccupati di rendere la soluzione dell’analisi inversa
più veloce, (Kapelan et al., 2004, 2003a,b, 2002; Nash eKarney, 1999; Vitkovsky et al.,
2006, 2003a, 2002, 2000). Vitkovsky et al., (2002) hanno mostrato le performance
dell’algoritmo genetico Shuffled Complex Evolution (SCE) rispetto all’algoritmo
LM, sebbene il primo sia mostrato 30 volte più lento dell’altro. Per aumentare la
capacità di convergenza dell’algoritmo LM gli autori hanno proposto un
algoritmo ibrido, basato su un’accurata scelta dei valori di soluzione iniziali, tale
algoritmo prende il nome di Systematic Levemberg Marquardt algorithm
(SLM).Kapelan et al., (2003a; 2002) hanno, invece, proposto un algoritmo, che
combinasse sia l’approccio LM che GA. In questo algoritmo è inizialmente
implementata una ricerca della soluzione con il GA e, poi, nell’intorno di tale
soluzione lavora l’algoritmo LM.
Kapelan et al. (2004) hanno introdotto delle modifiche per la funzione obiettivo del
problema inverso, permettendo l’utilizzo delle informazioni a priori, attraverso
dei pesi nella funzione obiettivo in modo da enfatizzare maggiormente alcuni
dati rispetto a degli altri. Le informazioni a priori possono essere di diverso tipo,
sia dati di campo che dati di letteratura. Una possibile classificazione divide le
informazioni in inverse, per esempio qualsiasi funzione non lineare di
calibrazione dei parametri, e dirette, come la stima dei coefficienti di scabrezza o
l’analisi per l’allocazione della domanda ai nodi. Anche utilizzando
l’informazione a priori si può utilizzare sia l’algoritmo GA, che LM, anche se,
come sottolineato dagli autori, questo tipo di algoritmo beneficia di più
dell’influenza dell’informazione a priori.
25
1.4.5.2 Strategie di misura e campionamento
Quando si conduce un’analisi inversa, la questione di dove posizionare i

misuratori, per quanto tempo misurare e quanti dispositivi devono essere
installati sono questioni importanti, che devono essere considerate. La risposta è
nella strategia di campionamento ed è una questione vitale per assicurare che i
test siano produttivi, efficienti ed economici. Liggett e Chen (1994) hanno proposto
che i misuratori di pressione dovrebbero essere impiegati in accordo a due
misure di sensibilità, che sono in primo luogo la derivata parziale della funzione
obiettivo, rispetto ai parametri del modello, che rappresenta sostanzialmente il
tasso di convergenza della soluzione rispetto ai parametri, mentre, in secondo
luogo, si la derivata parziale del carico in ogni punto di campionamento rispetto
ai parametri del modello. In generale, gli strumenti di misura dovrebbero essere
situati ai nodi dove i valori delle derivate sono maggiori in modo tale da avere
un range di campionamento più ampio.
Kapelan et al., (2003b), trattano la strategia di campionamento ottimale,
considerando specificatamente il numero e la posizione dei punti di misura. Il
problema viene trattato come un problema di ottimizzazione, in cui si deve:
minimizzare la funzione obiettivo e il numero di trasduttori di pressione
impiegati. Essenzialmente questi obiettivi rappresentano due condizioni
differenti ed in contrasto: avere più misuratori comporterebbe un aumento
dell’informazione, ma anche dei costi. Dato che questi obiettivi non sono
commisurati il problema viene risolto mediante le regole di Pareto,
determinando un fronte di Pareto di soluzioni non inferiori, che delineano le
varie opzioni, tale calcolo viene effettuato con un algoritmo genetico multi-
obiettivo (MOGA)
Vitkovsky et al., (2003), hanno esaminato la questione del campionamento ottimale
e del tipo di acquisizione definendo tre indici: il primo è la somma delle derivate
parziali del carico rispetto ad un dato parametro, il secondo è la somma delle
varianze degli errori dei parametri, il terzo è il determinante della matrice di
curvatura normalizzata della funzione obiettivo. In quest’ottica la disposizione
migliore dei dispositivi viene definita, attraverso la massimizzazione del primo e
terzo parametro e la minimizzazione del secondo. Dallo studio emerge che
l’algoritmo per la localizzazione dei sensori non sempre converge sulla soluzione
26
ottimale, ma spesso ne è una buona guida. In generale, si nota che un numero

maggiore di sensori porta a risultati migliori, ma il miglioramento viene
diminuendo oltre un certo numero di misuratori. Si è visto che un
campionamento più lungo porta a risultati migliori, anche se c’è
un’asintotizzazione man mano che il fenomeno transitorio scema. Conclusioni
generali sulla disposizione spaziale sono molto difficili, essendo per lo più legate
all’analisi di sensitività, basata sui tre fattori.
1.4.6 Sviluppi ulteriori al modello transitorio
Kim (2005) ha sviluppato il metodo IMPREM, presentato da Suo e Wylie (1989),

per predire la risposta in transitorio del sistema, evitando di usare il MOC
(Method of Characteristic), usato nell’analisi ITA. Questo nuovo metodo richiede
la determinazione della funzione di risposta agli impulsi del sistema, che
relaziona il movimento della valvola che genera il transitorio al segnale
osservato. Una volta identificata, questa funzione può essere utilizzata per
predire le altre riposte in transitorio, attraverso un processo di convoluzione nel
tempo, senza dover sviluppare un modello. La funzione di risposta agli impulsi
viene derivata usando le equazioni del flusso non stazionarie 1D e assumendo
una portata in uscita all’estremità di un sistema molto semplice serbatoio, tubo,
valvola. Il metodo è stato testato riproducendo i dati sperimentali di portata e
pressioni, derivati da Bergant et al. (2001), mostrando una buona riproduzione del
fenomeno del damping, analoga a quella che si potrebbe ottenere con un sistema
MOC, nel quale sia stato incorporato l’attrito non stazionario. Per testare le
capacità di questo metodo nel campo della ricerca perdita, sono stati simulati una
serie di combinazioni di perdita, ottenendo, per ciascun caso, una buona
simulazione del fenomeno del damping. Questo tipo di approccio può risultare
conveniente per diversi motivi: in primo luogo fornisce una soluzione del
transitorio nel dominio della frequenza, evitando i problemi connessi alla
stabilità numerica nel dominio del tempo, in secondo luogo sono evitati gli
svantaggi associati alla discretizzazione del sistema.
27
1.4.7 L’influenza del coefficiente d’attrito nell’analisi dei transitori
L’importanza di definire accuratamente il coefficiente d’attrito in condizioni non

stazionarie è stata analizzata in diversi lavori, (Brunone et al., 1995), (Covas e
Ramos, 2001),(Kapelan et al., 2000). Recentemente William NixoneMohamed S.
Ghidaoui(2007) hanno indagato sugli effetti del coefficiente d’attrito, che si
possono avere nella modellizzazione dei transitori in presenza di portate uscenti
(domande, perdite, etc). All’oggi sono disponibili numerosi modelli per la
valutazione del coefficiente d’attrito in condizioni di transitorio. E’ ormai
riconosciuto il concetto che lo sforzo di taglio si possa dividere in due parti, una
parte quasi stazionaria ed una parte non-stazionaria.
Modelli di accelerazione istantanea, definiti in via teorica da Axworthy et al.
(2000), rappresentano la parte non stazionaria utilizzando delle costanti
empiriche (Brunone et al., 1991;Pezzinga, 2000; Bergant et al.,2001). Un altro
modello, introdotto da Zielke(1968), usa una funzione basata fisicamente per
relazionare la componente non stazionaria dello sforzo di taglio, attraverso una
funzione peso, alla sequenza locale delle accelerazioni locali. In questo campo,
recentemente, sono stati sviluppati anche studi sugli errori numerici che si
sviluppano, al fine di definire maggiormente l’affidabilità della modellizzazione
(Vítkovsky et al., 2006)
I modelli implementati di questo tipo (Vardy et al., 1993; Vardy eBrown,1995;
Ghidaoui e Mansour, 2002) ne permettono l’applicazione a flussi, caratterizzati da
una classe di numero di Reynolds abbastanza ampia.
I modelli 2D o quasi 2D hanno, per ipotesi, un profilo di velocità asimmetrico, in
questo tipo di modelli la dissipazione viene valutata direttamente, correlando lo
sforzo di taglio al profilo di velocità.
Fino a non poco tempo fa, modelli di questo tipo (Vardy eHwang, 1991; Silva-
Araya e Chaudhry, 1997; Pezzinga, 2000) erano molto onerosi dal punto di vista
computazionale, quindi destinati ad un uso confinato a condizioni di laboratorio.
Recentemente, invece, Zhao e Ghidaoui(2003) hanno presentato una versione
molto efficiente del modello di Vardy e Hwang(1991). Sostanzialmente, quindi, lo
sviluppo di modelli per il coefficiente d’attrito nei transitori ha raggiunto un
buon livello di concordanza tra dati numerici e sperimentali, ma l’applicazione
28
dei risultati raggiunti, nella pratica della modellistica applicata, è stata limitata,
per il momento, in larga parte solo a sistemi molto semplici, ovvero per tubazioni
integre, in assenza di diramazioni e/o perdite.
La convinzione generale, nei riguardi del termine d’attrito in condizioni non
stazionarie, era legata essenzialmente alla trascurabilità di questo termine per le
applicazioni pratiche, come può essere in quei casi in cui si è interessati solo al
primo ritmo della condotta, come nel caso dell’analisi wavelet, ma vi sono
condizioni in cui l’influenza di questo termine è tutt’altro che trascurabile,
(Ghidaoui e Mansour, 2002; Axworthy et al., 2000), come per simulazioni di moto
vario in un periodo lungo o per sistemi che hanno lunghezze molto brevi, quindi,
generalizzando, per tutti quei sistemi dove non vi è il tempo sufficiente affinché
la diffusività del sistema permetta di non tener conto dello sforzo di taglio non
stazionario.
Attualmente è in discussione l’individuazione di linee guida per decidere
quando e dove tener del fattore d’attrito in condizioni non stazionarie, ma
sembra chiaro che l’uso di questi modelli non possa esser fatto in modo
indiscriminato, occorre, in primo luogo aver chiara la situazione che si sta
analizzando e l’adeguatezza del modello che si vorrebbe implementare.
In particolare, come emerso nella sezione speciale sul coefficiente d’attrito in
condizioni non stazionarie nella 9th International Conference on Pressure
Surges(Marzo 2004), il punto cruciale della ricerca è quello di chiarire quali sono
le condizioni in cui si può trascurare tranquillamente il coefficiente d’attrito in
condizioni non stazionarie e quando, invece, è necessaria un accurata
modellazione.
I risultati emersi da questo lavoro indicano che per dei flussi esterni superiori al
30% del valore circolante, allora gli effetti del coefficiente d’attrito in condizioni
non stazionarie possono essere trascurati, il che implica che il coefficiente
d’attrito in condizioni non stazionarie ha un impatto rilevante su tutte quelle
tecniche di ricerca perdite, che considerano il solo coefficiente d’attrito in
condizioni stazionarie.
In un recente studio è stato mostrato l’uso dei transitori idraulici, ipotizzando
una condotta che risponda elasticamente ed un modello di transitorio in grado di
replicare le misure ricavate dalla condotta. Nello studio vengono presentati i
29
risultati ottenuti con l’uso di un transitorio idraulico, su una condotta adduttrice

nel Sud dell’ Australia, modellandone il comportamento sia in presenza, che in
assenza di perdita. La grandezza della perdita introdotta è stata valutata in
relazione allo standard massimo ammesso dall’operatore. Basandosi sui risultati
di campo, è stato mostrato che una modellazione, basata su un coefficiente
d’attrito stazionario, non è in grado di modellare adeguatamente la risposta della
condotta, sia in condizioni di perdita, che in condizioni di condotta integra,
proprio a causa dell’attrito che si sviluppa in condizioni non stazionarie, che per
lo smorzamento delle onde di transitorio. L’analisi inversa effettuata in
condizioni non stazionarie non permette, quindi, secondo tale studio di trovare le
perdite. Il modello della condotta in esame è stato successivamente implementato
utilizzando un coefficiente d’attrito in condizioni non stazionarie e una
modellazione viscosa del meccanismo di smorzamento, calibrato tenendo conto
degli effetti anelastici, misurati in condizioni di condotta integra. L’analisi
inversa è stata, quindi, effettuata con questo nuovo modello utilizzando l’analisi
inversa e focalizzando l’attenzione sulle informazioni riflesse durante il primo
ritmo della condotta. Lo studio ha mostrato che la piccola riflessione diretta dalla
perdita artificiale è stata difficile da distinguere dalle riflessioni dovute ad altri
elementi non collegati con la perdita. L’analisi inversa, fatta in periodo
sufficientemente esteso, facendo uso delle informazioni legate allo smorzamento
connesse alla perdita, ha risentito ancora dell’interferenza di altre fonti di
smorzamento.
In conclusione gli autori ritengono che un modello in transitorio, che tenga conto
degli effetti legati all’attrito in condizioni non stazionarie, utilizzato in
combinazione con delle informazioni a priori, riguardanti l’ampiezza della
perdita, ricavabile da delle misure di portata in ingresso ed uscita, dia i migliori
risultati in termini di localizzazione e ampiezza della perdita. Nelle conclusioni,
però, gli autori affermano che la vera perdita non è stata identificata come la più
probabile a seguito dell’analisi in transitorio a causa dell’inadeguatezze
persistenti nella replica di tutte le complessità fisiche che sono presenti nel
transitorio.
30
1.4.8 L’approccio Bayesiano all’analisi inversa
L’approccio di tipo Bayesiano (Rougier, 2005) permette di avere un’impostazione

teorica per tener conto dell’incertezza nella calibrazione dei modelli. Un punto
fondamentale nell’approccio di tipo Bayesiano è dato dal Teorema di Bayes. Sia X
un set di parametri incogniti di un certo modello, caratterizzato da un certo set di
equazioni e condizioni al contorno, si abbiano a disposizione delle misure reali,
Z=zobs, e si voglia stimare il valore dei parametri incogniti, tenendo, però, conto
dei valori osservati. Si potrebbe trovare un set di valori X, tali che i valori
calcolati siano uguali a quelli misurati, ma in nessun modo si potrebbe stabilire in
che modo l’informazione, fornita dai valori osservati, abbia influenzato il valore
dei parametri, determinando l’incertezza dell’assegnazione.
Per calibrare il modello, generalmente, si minimizza la funzione obiettivo,
definita come scarto tra i valori misurati e quelli calcolati, cambiando il valore
dei parametri da calibrare. A tale scopo si utilizzano, principalmente, le misure
di pressione, rilevate in alcuni nodi.
I problemi che potrebbero presentarsi, utilizzando un approccio basato solo
sull’ottimizzazione, in quanto l’ottimando potrebbe essere una funzione
irregolare, quindi potrebbe essere molto difficile riuscire a trovare una soluzione
di ottimo globale, sebbene siano stati proposti, per evitare tale problema, anche
algoritmi ibridi in grado di combinare il tradizionale approccio di gauss-newton
con gli algoritmi genetici.
Un approccio di tipo probabilistico, invece, si propone di operare in modo
unificato per effettuare sia la calibrazione dei parametri, che la valutazione
dell’incertezza associata.
Applicazioni di questo tipo di tecnica sulle reti idriche si trovano in Poulasky
(2003) e in Puust et al.(2006), nel seguito saranno illustrate alcune peculiarità di
questi lavori, che rappresentano la base di partenza per lo sviluppo delle
metodologie illustrate in questa tesi.
31

perdite, mediante misure acustiche
L’ascolto della condotta, per rilevare il rumore prodotto dalle perdite è stata una
delle prime tecniche utilizzate già dal 1850’s (Pilcher 2003). I dispositivi acustici,
infatti, hanno la funzione di intercettare il rumore prodotto dalla tubazione
quando si verifica una perdita, tale onda si propaga dalla zona di perdita con una
certa velocità, determinata dalle proprietà fisiche del fluido nella condotta (Hough
1988, Klein 1993, Kurmer 1993, Turner 1991).
L’utilizzo di questa tecnica deve tener conto di numerosi fattori, come per
esempio le attenuazioni del segnale acustico, che dipendono dal tipo di terreno in
cui giace la tubazione danneggiata (Hunaidi e Chu 1999). Inoltre anche il
materiale, di cui è composto il tubo, ha un’influenza considerevole
sull’attenuazione del segnale di perdita, per esempio le tubazioni in materiale
plastico trasmettono il rumore prodotto dalla perdita in modo più attenuato,
rispetto alle tubazioni di metallo.
Dato che l’onda sonora si propaga sia attraverso il materiale del tubo, che
attraverso l’acqua, nei grandi diametri si verifica una maggiore attenuazione del
segnale.
L’ispezione della tubazione deve essere condotta manualmente, spostando i
sensori lungo la tubazione, oppure mediante dei sensori fissati stabilmente lungo
la condotta ed interrogati ad intervalli fissi.
Il raggio d’azione di questo tipo di sensori è, però, abbastanza limitato, quindi è
necessario installarne molti lungo l’intero sviluppo della linea. Questi sensori
devono individuare i segnali acustici provenienti dalla condotta e discriminare le
perdite dagli altri rumori prodotti dalle normali operazioni di linea.
Nella ricerca perdite, mediante segnali acustici, la tecnica più comune per
individuare la posizione della perdita è la cross-correlazione, se una perdita è
presente tra due sensori, la funzione di cross-correlazione, presenta un picco
evidente, che corrisponde ad una differenza nel tempo di arrivo del segnale di
perdita a ciascuno dei due sensori, permettendo di individuare la posizione della
perdita.
32
La distanza tra due sensori, naturalmente, influenza la performance e,

generalmente, la riduzione della distanza tra due sensori porta ad un risultato
migliore. Per i tubi in plastica è impossibile scendere ad una distanza tra i sensori
inferiore a 100 m, mentre per i tubi di metallo si possono utilizzare anche sensori
spaziati ogni 200 m (Hunaidi e Wang 2004).
Un altro dispositivo di questo genere è lo Smartball, un sensore acustico, di
forma sferica, che viene inserito direttamente nella tubazione, con il compito di
rilevare e registrare le emissioni acustiche incontrate lungo il percorso (Fletcher
2008).

perdite, mediante altri metodi fisici
Rientrano in questa classe di metodologie quelle che si basano su dispositivi

visivi, come la termografia ad infrarossi applicabile, per esempio, in tutti quei
casi in cui la perdita genera dei cambiamenti di temperatura nelle immediate
vicinanze della tubazione: è questo il caso delle perdite di acqua calda, che
possono essere individuate perché il terreno, limitrofo al punto di perdita, viene
riscaldato dall’acqua che fuoriesce. Questo metodo può essere applicato con
l’ausilio di veicoli in movimento, elicotteri e sistemi di analisi portatili,
permettendo di ispezionare diverse miglia di condotta ogni giorno.(K.J. Zhang,
1997). Un altro metodo utilizza, invece, dei sensori radar, che permettono di
valutare, mediante una scala cromatica, le differenze di conducibilità elettrica nel
terreno intorno al tubo(K.J. Zhang, 1997). Quando il prodotto trasportato dalla
condotta è altamente volatile, possono essere utilizzati dei sensori del gas. Il
campionamento viene fatto o facendo traslare un sensore parallelamente al tubo
da analizzare o mediante un dispositivo di linea montato permanentemente. Il
tempo di risposta è, in genere, di diverse ore fino al giorno. Nelle applicazioni su
condotte petrolifere off-shore, si utilizza un veicolo, con capacità di strisciare
lungo il fondo marino, che analizza i sedimenti che circondano la condotta,
verificando se sono presenti delle presenze anomale di idrocarburi. Questo
metodo implica l’immissione nel tubo di un gas tracciante, altamente volatile, che
può essere rintracciato monitorando in modo adeguato il terreno circostante la
tubazione, con sensori sensibili al gas tracciante. (Scott et al.2003). Accanto a tali
33
tecnologie, esistono dei metodi di ispezione interna delle condotte in grado di

ricercare e localizzare le perdite. Esistono differenti versioni di questi strumenti a
seconda dell’uso per cui sono predisposti. Alcuni, ad esempio, sono provvisti di
telecamere e robot (essenzialmente costituiti da bracci meccanici) in grado di
cambiare la propria geometria per evitare degli ostacoli incontrati nell’ispezione
(Robotic Transport for Pipeline and Cavities) altri possiedono capacità direzionali,
altri ancora sono più adatti per piccoli diametri ecc. Le tecnologie più recenti,
utilizzabili anche per raggiungere le condotte più profonde, sono quelle di
Imaging Inspection. Con tali sistemi, la condotta può essere osservata
dall’interno o dall’esterno ed è possibile fermare l’analisi nel punto desiderato
per osservare lo spessore della condotta e le condizioni della stessa. Tali
dispositivi sono, spesso, supportati da software che permettono di calcolare la
frequenza di rottura o di collasso consentendo anche di stimare l’aspettativa di
vita della condotta e la sua affidabilità. Più esattamente, questa tecnologia si
avvale solitamente di uno scanner ottico digitale ad alta risoluzione, in grado di
ottenere in continuo immagini dell’interno della condotta. Un’altra tecnica,
generalmente utilizzata in campo petrolifero, nelle condotte sottomarine,
prevede l’utilizzo di sostanze fluorescenti. Queste sostanze, quando sono esposte
ai raggi ultravioletti, emettono luce. Questa proprietà è utilizzata quando viene
misurata la loro concentrazione nell’acqua, attraverso uno strumento apposito.
(Chelsea Technologies Group, 2002).
Un altro gruppo di dispositivi è quello composto da cavi sensori, sensibili al
cambiamento delle proprietà elettriche nel terreno adiacente alla tubazione, altri
capaci di assorbire i vapori, altri ancora capaci di rilevare le differenza di
temperatura o la presenza di alcune sostanze chimiche (idrocarburi) (Scott et al.
2003).
34
CAPITOLO 2

in una rete idraulica in pressione mediante
tecniche di analisi bayesiana
2.1 Introduzione
In questo capitolo sarà approfondita la tematica relativa all’analisi bayesiana, già
introdotta, in modo sintetico, nello stato dell’arte. Partendo dalla presentazione
dei lavori già pubblicati in letteratura e analizzando le peculiarità degli stessi, si
definiranno le modalità di applicazione di queste tecniche per casi di complessità
maggiore, per poi sviluppare una nuova applicazione dell’analisi probabilistica,
utilizzando come strumento di modellazione idraulica un modello di moto vario
alle caratteristiche, che permette di aumentare il numero di punti di controllo nel
dominio del tempo, sfruttando la successione di dati temporali.
2.2 L’impostazione bayesiana nella calibrazione dei modelli

Quando si parla di calibrazione dei modelli, un punto fondamentale, come
illustrato da Rougier (2005), è dato dal Teorema di Bayes.
Sia X un set di parametri incogniti di un certo modello, caratterizzato da un certo
set di equazioni e condizioni al contorno, si abbiano a disposizione delle misure
reali Z=zobs, e si voglia stimare il valore dei parametri incogniti, tenendo, però,
conto dei valori osservati.
Si potrebbe trovare un set di valori X, tali che i valori calcolati siano uguali a
quelli misurati, ma in nessun modo potremmo stabilire in che modo
l’informazione, fornita dai valori osservati, abbia influenzato il valore dei
parametri, determinando l’incertezza dell’assegnazione.
35
Il teorema di Bayes offre, invece, un approccio alternativo, calcolando la

distribuzione di probabilità a posteriori del valore di X:
Pr, |̅
= , | = ̅
= = ̅|,
Pr ,
1.
dove c è un fattore di normalizzazione, X rappresenta i parametri di perdita e

di scabrezza da calibrare, Z indica le misure di portata in ingresso e in uscita,
mentre ϵ è l’insieme delle incertezze di misura associate alle misure di portata.
In questo modo il legame tra Z=zobs e X=x è esplicitato, ma occorre definire due
distribuzioni, invece di una:
• La distribuzione di massima verosimiglianza, detta likelihood function
L(x)= Pr(Z=z | X=x) 2.
• La distribuzione a priori delle grandezze da calibrare
Pr(X=x) 3.
La likelihood function è funzione solo di x, ma la scrittura Pr(Z=z | X=x) è

significativa solo quando Z=zobs e la validità del Teorema di Bayes è condizionata
dalla presenza di un valore della likelihood function, derivato da una ben
definita distribuzione condizionale, quindi occorre specificare l’intera Pr(Z=z |
X=x) ed inserire il valore di zobs. Nelle applicazioni scientifiche la distribuzione
condizionale è definita attraverso le leggi che sono alla base del modello stesso:
naturalmente il modello non copre tutte le possibilità di legame tra le variabili e i
parametri, perché bisogna tener conto delle incertezze del modello stesso e degli
errori di misura, ma è ragionevole aspettarsi che il modello, se attentamente
costruito, sia in grado di simulare un buon numero di casi realmente possibili. Sia
f(x) l’output del modello, corrispondente al valore del parametro x. Se si assume,
per semplicità, che le componenti f(x), Y, Z siano corrispondenti per ogni x, allora
la differenza:
= −
4.
36
denota la differenza tra il valore reale del sistema e quello modellato per un certo
x, tale valore è definibile come incertezza del modello (model discrepancy ).
Analogamente si può definire l’incertezza di misura, come
=− 5.
Mettendo insieme queste informazioni si ha il modello statistico per la

distribuzione di Z, condizionata a X, come:
= + =
+ + 6.
Nel caso più semplice e più usato, dove X, ed e sono trattati come mutuamente
indipendenti, la scelta delle distribuzioni marginali di ed e modellano la
distribuzione condizionale Pr(Z=z | X=x).
La distribuzione a priori Pr(X=x) quantifica il tipo di conoscenza che si ha del
parametro del modello, prima di avere le osservazioni Z=zobs.
Occorre notare ancora una cosa, quando i modelli fisici sono inaccurati gli errori
che si commettono producono effetti sistematici sugli output del modello: la
persistenza dell’errore è rappresentata dalla dipendenza delle componenti di
calcolo dalla discrepanza . In questo caso, quindi, le osservazioni che si possono
dedurre dal modello non sono indipendenti per ogni set di parametri.
L’unica situazione in cui si può ignorare l’incertezza del modello si ha quando
l’incertezza predominante è quella di misura, in questo caso è, generalmente,
possibile trattare le osservazioni dedotte dal modello come indipendenti rispetto
a X, anche se è anche pur vero che se le misure sono affette da forti errori, allora
l’informazione veicolabile dalle stesse è minore: diviene, così, importante
scegliere accuratamente la distribuzione a priori.
La valutazione dell’incertezza del modello è molto difficile, quindi, spesso, viene
ignorata e posta uguale a zero. In questo modo ciascuna informazione viene
trattata come se contenesse più informazioni e tale applicazione potrebbe
influenzare il tipo di distribuzione a posteriori fino a renderla incompatibile con
l’applicazione specifica.
37
Come si vedrà in seguito, per ovviare a questo problema, sarà introdotta una
nuova tecnica di analisi, che, sfruttando le potenzialità del filtro di Kalman,
permetterà di gestire in modo separato l’incertezza relativa ai parametri e quella
relativa al modello.
2.3 La calibrazione dei modelli di perdita

Nel campo della ricerca perdite, molte proposte sono state sviluppate con la
stessa struttura di base: risolvere un problema inverso soggetto all’incertezza
nella scelta dei parametri e agli errori di misura. Tipicamente i modelli vengono
calibrati, attraverso la valutazione dei parametri della modellazione stessa,
affinché i dati misurati siano concordi con quelli calcolati, minimizzando una
funzione obiettivo.
Per calibrare il modello, generalmente, si minimizza la funzione obiettivo,
definita come scarto tra i valori misurati e quelli calcolati, cambiando il valore
dei parametri da calibrare. A tale scopo si utilizzano, principalmente, le misure
di pressione, rilevate in alcuni nodi.
I problemi che potrebbero presentarsi, utilizzando un approccio basato solo
sull’ottimizzazione, sono diversi: in primo luogo l’ottimando potrebbe essere una
funzione irregolare, quindi potrebbe essere molto difficile riuscire a trovare una
soluzione di ottimo globale, sebbene siano stati proposti, per evitare tale
problema, anche algoritmi ibridi in grado di combinare il tradizionale approccio
di gauss-newton con gli algoritmi genetici. In secondo luogo, questo tipo di
approccio non fornisce una strada naturale per la previsione dell’incertezza,
quando modelli di questo tipo vengono utilizzati per fare inferenza statistica
sulla presenza o meno di una perdita. Sebbene esistano delle metodologie che
usano la curvatura dell’ottimando per definire una matrice di varianza, maximum
likelihood approach, questo tipo di approssimazione è valida solo in presenza di
una grande quantità di dati effettivamente indipendenti, raramente possibile per
le reti di condotte.
Un approccio di tipo probabilistico, invece, si propone di operare in modo
unificato per effettuare sia la calibrazione dei parametri, che la valutazione
dell’incertezza associata.
38
2.4 L’approccio probabilistico ai modelli di perdita

Per capire come affrontare, in modo probabilistico, il problema della definizione
della configurazione di perdita in una rete idraulica in pressione, il cui
funzionamento idraulico viene descritto mediante un modello stazionario,
(Rougier, 2005), si consideri l’equazione che descrive il moto uniforme e
permanente di un fluido, per una condotta cilindrica senza perdita si ha:

ℎ − ℎ
− =0 7.

dove h1 – h2 è la differenza piezometrica tra gli estremi della condotta, L è la

lunghezza della condotta, A è l’area della sezione del tubo, λ è la costante di
proporzionalità di Darcy-Weisbach.
Il verificarsi di una perdita può essere descritta secondo la formula:
" − " = #$%2'ℎℓ

− )ℓ
8.
dove l varia tra 0 e L, Qie Qu sono le misure di portata a monte e a valle, γ

rappresenta il coefficiente di perdita da calibrare, per valutare la portata di
perdita, mentre h(l ) è il carico piezometrico nella posizione della perdita, .
L’equazione di stato stazionario di una condotta con perdita assume, quindi, la
seguente espressione:
ℓ * +ℓ
,
ℎ − ℎ
− − =0 9.

L’attrito è considerato invariante ai cambiamenti nella velocità del fluido, che

avvengono a monte e a valle della perdita.
Quindi h(l ) diventa:
ℓ
ℎℓ
= ℎ − * 10.
Le equazioni 7. 8. 9. formano un sistema di tre equazioni in tre incognite h(l ), Qi e

Qu . Se fossero definibili dei valori esatti per gli altri parametri, posizione della
39
perdita, coefficiente d’attrito e di perdita, si potrebbe trovare inequivocabilmente

il valore delle tre incognite. Nel caso della ricerca perdite, invece, occorrere
risolvere un problema differente, dato che la perdita non è nota.
Utilizzando due misuratori di portata, in ingresso e in uscita, si avrà che, in un
intervallo stazionario, entrambi i valori dovranno essere pari a Q, quindi ogni
differenza sarà pari all’incertezza di misura, che rimarrà la stessa anche dopo lo
sviluppo della perdita:
" ≡ " + . " ≡ " + 11.
Considerando una condotta, con una perdita intermedia, è possibile, con

l’approccio probabilistico, fare inferenza statistica sulla posizione della perdita,
valutando la distribuzione probabilistica della posizione della perdita le del
coefficiente di perdita γ, condizionata dalle misure di portata, affette da
incertezza, all’ingresso e all’uscita della tubazione, Qi e Qu.
L’obiettivo è quello di fare inferenza statistica per valutare la distribuzione

probabilistica della posizione della perdita l e del coefficiente di perdita γ,
condizionata dalle misure di velocità, affette da errore, all’ingresso e all’uscita
della tubazione, tenendo, inoltre, conto dell’incertezza sul coefficiente della
valvola e sull’attrito distribuito.
L’obiettivo è quello di calcolare:
Pr ℓ, #, /|" , " ,

12.
Come si vede la likelihood function dipende dai parametri incogniti e

dall’incertezza di misura (θ, ), dove con 0 si indica il set di parametri incogniti
da calibrare (ℓ, #, /
. Scelto un certo set di valori, non è detto che questo set di
valori soddisfi, insieme con le misure di velocità, il set di equazioni del modello,
a meno che di non scegliere tutti valori pari a zero. Quindi occorre scegliere due
dei parametri dell’incertezza da vincolare al modello fisico. La scelta più naturale
è quella di utilizzare i due valori di , perché per un dato θ, esiste uno spazio
biunivoco:
40
→" 13.
Ovvero fissato θ e , posso calcolare Q, oppure dato θ eQ, posso calcolare .

Definito ̅come il valore della soluzione di , usando "2 per assegnato θ, la
distribuzione di probabilità da valutare non è influenzata, se viene eliminato
dalla likelihood function lo spazio dei parametri con probabilità zero. Quindi si
può scrivere:
Pr0|"2
= " = "2 |0, ̅
Pr 0
14.
Avendo rimosso tutti i valori non compatibili di e facendo di una funzione

deterministica di θ e "2 .
Inoltre, si ha che:
" = "2 |0, ̅

15.
È equivalente

= ̅|0, "2
16.
Quindi si può scrivere:
Pr0|"2
= = ̅|0, "2
Pr 0
17.
Inoltre, considerato che l’incertezza della misura si può considerare svincolata

dalla conoscenza dell’incertezza delle altre quantità:
Pr0|"2
= = ̅
Pr 0
18.
Essendo ̅ una funzione di θ e "2 . In altri termini la likelihood function, per

assegnato θ, può essere costruita sulla conoscenza dei tecnici sull’incertezza di
41
misura. Come la likelihood function la distribuzione a priori Pr(θ) può essere

considerata come:
Pr0
= Prℓ, #, /
= Prℓ
Pr#
Pr /
19.
In questo modo, si può calcolare la distribuzione di probabilità di perdita,

utilizzando uno strumento probabilistico come la Monte Carlo Sampling.
Il procedimento di calcolo prevede i seguenti passaggi di calcolo:
• Campionamento casuale di ciascun parametro da un intervallo definito
da valori massimi e minimi, ragionevolmente attribuibili ad esso
• Calcolo dei valori di portata, attraverso le equazioni del modello
• Calcolo della probabilità a posteriori che l’assegnato set di parametri
possa essere compatibile con il dato di portata misurato.
• Calcolo ricorsivo del nuovo punto candidato mediante un campionatore
di tipo MCMC (Markov Chain Monte Carlo)
Con l’applicazione dell’approccio probabilistico è, quindi, possibile inferire, in

modo corretto, una distribuzione di perdita, utilizzando i metodi di
campionamento casuale.
42
2.4.1 Applicazione ad una condotta semplice teorica
In questo caso, applicando l’algoritmo, secondo modalità già illustrate in

letteratura, (Rougier, 2005), si descrive una condizione di semplice applicazione,
rimandando alla pubblicazione citata per le giustificazioni teoriche non
esplicitate. Si consideri una condotta, che mette in comunicazione due serbatoi a
livello costante, considerando note:
• le caratteristiche geometriche:
o la lunghezza della condotta
o il diametro interno
• le caratteristiche idrauliche:
o il coefficiente d’attrito
o le misure di carico H in e H out
o le misure di portata Q in e Q out
mentre bisogna individuare la distribuzione di probabilità delle seguenti
grandezze:
• le caratteristiche di perdita:
o il coefficiente di perdita
o la posizione di perdita
Figura 2-1: Schema con una condotta che collega due serbatoi a livello costante
43
Il procedimento di calcolo prevede:

• Definizione di N set di valori, composti come:
/ ; # ; ℓ 20.
• Inserimento del set di valori nelle equazioni:
" − " = "4 = #$%2'ℎℓ

− )ℓ
21.
ℓ * +ℓ
,
ℎ − ℎ
− − =0 22.

ℓ
ℎℓ
= ℎ − * = 0 23.
• Calcolo, dalle equazioni, delle portate Qin e Qout

• Calcolo della differenza tra valore modellato e valore medio misurato:
222222222
Δ" = |" − " 6+768 | 24.
Δ" = |" − 222222222

"+768 | 25.
• Calcolo del residuo di bilancio
R = :∆" + ∆" 26.
• Calcolo della probabilità che il massimo scarto appartenga alla

distribuzione di probabilità dell’incertezza del bilancio di volume,
definita dalla sensibilità dello strumento di misura della portata.
44
2.4.1.1 Il caso di studio
La metodologia illustrata è stata applicata ad una condotta appartenente

all’acquedotto del Simbrivio, dislocata tra il partitore “I colli” in località Castel S.
Pietro (RM) a quota 775 m s.l.m. e il partitore “Monte Ceraso” in località Rocca
Priora (RM) a quota 718 m s.l.m. La condotta in acciaio ha una lunghezza
complessiva di 12 955 m, di cui i primi 2 145 sono realizzati con un DN550 e i
secondi 10 810 m con un DN600.
La tubazione è stata schematizzata come illustrato in Figura 2-1, considerando le
misure di pressione, agli estremi della condotta come invariabili.
In entrambe le stazioni di misura “I colli” e “Monte Ceraso” è presente un
venturimetro per la misurazione delle portate, con un data logger per la
registrazione dei dati di portata ogni 20 min, all’interno del set di dati disponibili
è stato individuato un intervallo stazionario, le cui misure di portata presentano
un andamento del tipo illustrato in Figura 2-2.
Dall’analisi del segnale stazionario sono stati derivati i momenti del primo e del
secondo ordine del campione e, sulla base di questi dati, si è provveduto a
definire uno scenario di lavoro teorico in cui fosse nota la posizione di una
perdita nella posizione l = 2941m, con una portata di circa 6.26 l/s.
Per le distribuzioni a priori, sono state fatte le seguenti assunzioni: distribuzione
normale per il coefficiente d’attrito e per il coefficiente di perdita, distribuzione
uniforme per la posizione della perdita.
Figura 2-2: Andamento dei dati di portata in ingresso e in uscita nel tempo –perdita circa 2%
45
L’analisi probabilistica ha permesso di calcolare, iterativamente, la probabilità di

10000 combinazioni di coefficienti d’attrito, λ, e di perdita, γ e l.
La distribuzione complessiva della probabilità di perdita, lungo l’asse della
condotta, è mostrata in Figura 2-3, come si può vedere il valore più probabile,
(probabilità 0.94) è quello che cade nella posizione 2237 m, presentando un errore
di localizzazione pari al 5%.
Figura 2-3: Distribuzione di probabilità della posizione della perdita – perdita pari al 2%
L’errore di quantificazione nella definizione del coefficiente di perdita è, invece,

irrilevante.
L’intervallo di variabilità del coefficiente di perdita è stato determinato
osservando che, in quei casi in cui la stima di detto intervallo era troppo ampia o
sbagliata, si ottenevano come risultati delle combinazioni di perdita con
probabilità praticamente nulle.
La distribuzione di probabilità del coefficiente di perdita, nel caso in esame,
segue l’andamento mostrato nel grafico.
46
Figura 2-4: Distribuzione di probabilità del coefficiente di perdita – perdita pari al 2%
47
2.4.2 Applicazioni per i casi reali: i principi teorici, il metodo di analisi

e le necessarie semplificazioni
Nell’applicare tale metodologia ai sistemi di reti reali, occorre, però tener

presente che le dimensioni della rete e, quindi, il conseguente numero di
parametri variabili influenzano pesantemente le precisioni e i tempi di calcolo.
Può risultare, quindi, utile utilizzare un campionatore più efficiente, che sia in
grado di assicurare una maggiore affidabilità dell’algoritmo di calcolo. Tale
strumento, in questo caso, è stato individuato (Puust et al.2006), nell’algoritmo
SCEM-UA (Vrugt et al., 2003), utilizzato in abbinamento al solutore idraulico,
EPANET.
2.4.2.1 L’algoritmo SCEM-UA
Per facilitare la descrizione del sistema di ottimizzazione utilizzato si definisce la

struttura del modello come:
<= = >?|0
27.
dove <= è un vettore con dimensioni @ × 1 che rappresenta i valori predetti dal
modello, ? è una matrice @ × C di variabili di input e 0 il vettore di C parametri
incogniti.
Dati i valori misurati y, si denotano gli errori residui della predizione come:
D0
= <= − < = EF 0
, 0
, … , H 0
I 28.
L’approccio classico al problema della calibrazione prevede che si trovi la miglior

stima dei parametri, in modo da rendere minimo il valore di D0
:
JKCKJK) LML = ∑H
OPF O 0

29.
Mentre la statistica classica considera i parametri del modello 0 come dei valori
incogniti fissi, la statistica bayesiana li considera come delle variabili
48
probabilistiche aventi una distribuzione di probabilità a posteriori, valutata sulla

base delle informazioni disponibili sulla variabile e dei dati osservati. La
distribuzione a posteriori è proporzionale al prodotto della funzione di
verosimiglianza per la distribuzione a priori. La distribuzione a priori riassume le
informazioni che si hanno sul parametro incognito, espresse in termini di limite
superiore ed inferiore, assumendo una distribuzione di tipo uniforme su questo
rettangolo.
Assumendo che i residui sono indipendenti, la funzione di massima
verosimiglianza assume la forma:
TU
H .] ^
/FÙ
Q0|R, #
= S
V
W exp [−#
∑H
OPF \ \ a 30.
V
dove
EcdeFÙ
/fIg/
b#
= FÙ
EcdFÙ
/fIh/ 31.
cdeFÙ
/f F/FÙ
#
= i cdFÙ
/f j 32.
Il parametro # specifica l’errore del modello e dei residui. I residui vengono

assunti come normalmente distribuiti quando # = 0, con distribuzione
esponenziale doppia quando # = 1, con distribuzione che tende a quella
uniforme quando # → −1.
Il metodo probabilistico di ottimizzazione denominato Shuffled Complex
Evolution Metropolis (SCEM-UA) è un campionatore di tipo MCMC, che utilizza
una strategia di campionamento di tipo Metropolis Hasting, inferendo sia il
parametro più probabile, che la distribuzione di probabilità a posteriori.
Il metodo di campionamento Markov Chain Monte Carlo permette di calcolare
l’intervallo di confidenza dei parametri di un modello non lineare, utilizzando un
campionamento casuale, che permette di definire la forma della distribuzione. La
media e la deviazione standard del campione della distribuzione a posteriori
danno il valore della tendenza centrale e della deviazione standard del campione.
49
Il punto principale e più delicato di tutta la metodologia è, quindi, quello di

campionare nel modo più efficiente possibile dalla distribuzione Q0|R
.
L’algoritmo SCEM-UA inizia con una popolazione casuale di valori per i
parametri. Per ogni set di parametri viene calcolata la probabilità a posteriori,
utilizzando uno schema di inferenza di tipo Bayesiano. La popolazione è divisa
in q complessi e in ogni complesso una sequenza parallela viene generata dal
punto che presenta la maggiore probabilità a posteriori. Un nuovo punto
candidato, in ogni sequenza k, è generato usando una distribuzione normale
multivariata e verificando, poi, con il criterio MetropolisAnnealing se il nuovo
punto candidato può essere aggiunto alla sequenza. Dopo un certo numero di
iterazioni delle nuove combinazioni di parametri sono attraverso un processo di
shuffling.
2.4.2.2 L’utilizzo di un solutore idraulico per le applicazioni in un caso reale
Come già accennato la risoluzione delle equazioni del modello può essere
effettuata con l’ausilio di EPANET come solutore idraulico e le postazioni di
perdita potenziali sono fisse. L’entità utilizzata per descrivere la perdita è
l’EMITTER (Rossman, 2000), il cui coefficiente dovrà essere calibrato.
2.4.2.3 Le applicazioni riportate in letteratura
L’accoppiamento del modello di ottimizzazione SCEM-UA, con il solutore

idraulico EPANET è stato già proposto in letteratura nel lavoro di Puust et al.
(2006), testandone l’applicazione su una rete teorica usata già da Pudar e Ligget
(1992), che è mostrata in Figura 2-5.
50
Figura 2-5: Rete di studio come mostrata da Pudar e Ligget (1992). I coefficienti d’attrito Hazen-
William hanno tutti un valore di 120.
In questo lavoro sono considerati diversi casi di perdita:

1. Una perdita al nodo 2;
2. Due perdite contemporanee al nodo 2 e 4;
3. Tre perdite contemporanee al nodo 2, 4 e 7.
Gli autori hanno poi definito uno scenario reale, assegnando dei coefficienti di
perdita noti (oggetto, poi, della successiva analisi di calibrazione) e assumendo
come valori misurati reali, senza errori, i dati di pressione provenienti dal calcolo
EPANET, nei punti di misura disponibili il nodo 2-3-4-5-6-7. I punti candidati
come nodi di perdita potenziali sono stati tre, in particolare il nodo 2, 4 e 7.
Come si può notare, facilmente, tutti questi casi sono sovradeterminati.
51
Sempre nel lavoro di Puust et al. (2006) si trova l’applicazione per la rete di
Anytown, avente lo schema mostrato in Figura 2-6:
Figura 2-6: Anytown network
In questa applicazione, gli autori hanno ipotizzato che siano disponibili dei valori
osservati di pressione ai quattro nodi indicati in Figura 2-6, in quattro condizioni
di carico differenti, con assegnato un valore ben definito ai coefficienti di perdita.
Questi valori osservati sono stati modificati al fine di creare una misura
imperfetta, aggiungendo del rumore normalmente distribuito, con media zero e
deviazione standard 0.1 m.
I casi oggetto di studio presentati sono due:
1. Una perdita effettiva con:
a. 12 posizioni potenziali di perdita;
b. 6 posizioni potenziali di perdita;
2. Due perdite effettive con:
a. 12 posizioni potenziali di perdita;
b. 6 posizioni potenziali di perdita;
Anche in questo caso il problema è sovradeterminato, in quanto si utilizzano 20
misure di pressione (4 punti di misura per 5 condizioni di carico), per
determinare i coefficienti di massimo 12 postazioni di perdita. Dai risultati
riportati nell’articolo è possibile notare come alcuni punti abbiano una notevole
52
dispersione dei valori: la media e la deviazione standard della stima hanno, quasi
lo stesso valore, in particolare questi punti si concentrano nelle zone più sensibili,
come quelle di ingresso.
Nella parte conclusiva dell’analisi gli autori rilevano i vantaggi della metodologia
basata sull’approccio SCEM-UA:
1. Sia la dimensione della perdita che l’errore associato possono essere
determinati in un solo modello di ottimizzazione, quindi non è necessario
effettuare alcun post-processing, come nelle metodologie FOSM (first
Order Second Moment), eliminando, quindi, la necessità di verificare le
ipotesi associate di linearità e normalità dei residui;
2. Non è richiesto nessun calcolo delle derivate, che possono essere un
problema in presenza di discontinuità.
Il maggior inconveniente riscontrato nell’uso dell’algoritmo SCEM-UA è lo
sforzo computazionale necessario, che resta, però, non troppo differente da
quello richiesto con l’uso di tecniche alternative, come gli algoritmi genetici in
associazione con un metodo FOSM.
Nelle conclusioni gli autori ipotizzano degli sviluppi futuri come l’applicazione
della metodologia:
1. per diverse tipologie di rete, mutuate anche dai casi reali;
2. con diversi modelli di solutori idraulici;
3. con l’uso di misure addizionali come le misure di portata;
ed infine:
4. lo studio di come e con quali mezzi definire in modo migliore la
distribuzione a priori dei parametri incogniti.
Partendo da questi spunti prende origine il lavoro di questa tesi, che vuole dare
una risposta ai quesiti posti in conclusione al lavoro citato, ponendo, infine,
l’attenzione anche su una nuova metodologia, finora mai applicata in campo
idraulico, che deriva dall’unione delle potenzialità dell’analisi SCEM-UA con il
filtro di Kalman d’insieme.
53
2.4.2.4 Applicazioni su una condotta semplice con una singola perdita
In questa prima parte dedicata alle applicazioni effettuate, si vuole mettere in

luce il comportamento dell’algoritmo SCEM-UA, sia in condizioni stazionarie,
mediante l’utilizzo di EPANET come solutore idraulico, sia in condizioni di moto
vario, dove il solutore idraulico è un codice di calcolo alle caratteristiche, in cui
le condizioni al contorno sono date dalle misure registrate.
2.4.2.4.1 Analisi dell’influenza delle condizioni al contorno: caso stazionario

Caso 1
Si considera una condotta di lunghezza pari a 100 m, con una perdita intermedia,
posta in mezzeria, con un coefficiente d’efflusso torricelliano pari a 0.5, con una
perdita percentuale del 9%, rispetto alla portata in ingresso:
H1=10 m
H2=5 m
50 m 50 m
Si assumono:
• Condizioni al contorno del modello: misure di pressione.
• Condizioni di confronto per l’ottimizzazione: misure di portata,
differenziandosi da quanto fatto nelle precedenti applicazioni. In
particolare, nelle reti di adduzione, questo tipo di possibilità può essere di
utile applicazione, in quanto potrebbe essere più difficile raggiungere dei
manufatti intermedi, mentre può risultare molto più semplice monitorare
portata e pressione nei nodi estremi.
54
Effettuando l’ottimizzazione, sia in assenza di errore di misura che perturbando i

dati con diversi gradi di errore, si ottengono le seguenti distribuzioni di
probabilità a posteriori per il coefficiente di perdita:
Figura 2-7: Distribuzione di probabilità del coefficiente di perdita in assenza di errori di misura
Figura 2-8: Distribuzione di probabilità del coefficiente di perdita con errori di misura del 2%
55
come si può vedere al crescere dell’incertezza di misura aumenta la dispersione

dei dati, che però si mantengono distribuiti intorno ad un valore medio
sostanzialmente corretto.
Caso 2
Effettuando un’ulteriore prova sulla medesima condotta, ma impostando
differentemente il problema:
H1=10 m
Q2=14.85 m
50 m 50 m
Si assumono:
• Condizioni al contorno del modello: Misure di pressione a monte e
portata a valle;
• Condizioni di confronto per l’ottimizzazione: Misure di portata a monte e
pressione a valle.
56

57

dei dati, ma meno rispetto al caso precedente, però il valore medio si discosta
sostanzialmente da quello corretto.
Caso 3
H1=10 m
H2=5 m
30 m 70 m
Si assumono:
• Condizioni al contorno del modello: Misure di pressione
• Condizioni di confronto per l’ottimizzazione: Misure di portata,
differenziandosi da quanto fatto nelle precedenti applicazioni.
58

59

dei dati, in modo maggiore rispetto al caso con la perdita in mezzeria,
rimanendo, però, distribuiti intorno ad un valore medio sostanzialmente corretto.
Caso4
H1=10 m
Q2=14.85 m
30 m 70 m
Si assumono:
• Condizioni al contorno del modello: Misure di pressione a monte e
portata a valle;
• Condizioni di confronto per l’ottimizzazione: Misure di portata a monte e
pressione a valle.
60

61

dei dati, meno rispetto al caso 3 ed in modo maggiore rispetto al caso 2, però il
valore medio si discosta sostanzialmente da quello corretto.
2.4.2.4.2 Analisi dell’influenza delle condizioni al contorno: caso stazionario

Al fine di poter sfruttare al meglio una singola postazione di misura può essere
utile implementare l’analisi nel tempo, utilizzando un codice di calcolo alle
caratteristiche per modellare l’andamento nel tempo delle grandezze idrauliche,
sfruttando, come condizioni al contorno, le misure registrate. In particolare, dato
che i casi 2 e 4 sono quelli che hanno dato i maggiori problemi di adattamento nel
trovare il valore medio esatto, si testa la metodologia con studio del moto vario
in questi due casi.
62
Caso1
Si ha:
50 m 50 m

63
In questi casi il coefficiente giusto viene individuato come il più probabile, ma la

dispersione dei valori è ampia tanto da presentare delle caratteristiche simili in
tutti i casi.
64
Caso2
Si ha:
30 m 70 m

65
Anche in questo caso il coefficiente giusto viene individuato come il più

probabile, ma la dispersione dei valori è ampia tanto da presentare delle
caratteristiche simili in tutti i casi. In particolare si nota come viene persa la
dipendenza della bontà della stima dalla posizione del punto di perdita.
66
2.4.2.5 Applicazioni sul sifone del Peschiera tra il serbatoio di Collelungo e

Monte Carnale
Il sifone del Peschiera, che collega il serbatoio di Collelungo e Monte Carnale, è

costituito da due tubi in cemento armato precompresso, con DN 2200.
A monte del sifone, presso la vasca di Collelungo, sono disponibili le misure del
livello, che è comune ad entrambe le tubazioni.
Nel manufatto a valle, il serbatoio di Monte Carnale, si ha lo sbocco di ciascuna
condotta in una vasca separata dall’altra. Per ciascuna vasca è disponibile una
misura di livello, e poco più a monte, prima dell’arrivo in vasca, è disponibile la
misura della portata per ciascuna tubazione.
Figura 2-25: Schema della configurazione del Peschiera
Sulla base di queste considerazioni di carattere generale, valide per le diverse

prove illustrate nel seguito, si è provveduto ad effettuare una serie di
sperimentazioni numeriche, che vogliono tentare di rispondere ad alcuni dei
diversi quesiti posti alla fine del paragrafo precedente, in particolare si fa
riferimento ai punti:
1. Estensione della metodologia SCEM-UA a diverse tipologie di rete,
mutuate dai casi reali, simulando delle condizioni operative reali, quindi
caratterizzate da scarsità di punti di misura disponibili;
2. Utilizzo di diversi modelli di solutori idraulici, ovvero l’estensione ad un
modello di moto vario, implementato mediante uno schema di calcolo alle
caratteristiche;
3. Utilizzo delle misure di portata.
67
2.4.2.5.1 Analisi SCEM-UA in stazionario

Sulla base dei dati disponibili, avendo a disposizione il profilo dell’asse della
tubazione, lunga circa 5 km è possibile, schematizzare l’impianto utilizzando una
condizione di livello a monte e a valle.
Per simulare la presenza di perdite è possibile inserire lungo il percorso dei punti
di efflusso torricelliano, come già esposto nei precedenti lavori.
I punti di perdita potenziali, inseriti lungo il percorso sono 26, quindi un numero
considerevolmente maggiore rispetto a quelli utilizzati nelle applicazioni finora
proposte.
La prima analisi concerne l’applicazione dell’algoritmo SCEM-UA per trovare le
distribuzioni di probabilità a posteriori dei coefficienti di EMITTER, inseriti in un
modello idraulico stazionario, modellato con l’ausilio di EPANET.
Per prima cosa si è modellato, a partire dai dati di livello misurati a monte e a
valle, una scenario reale, in cui si assegnano a ciascun EMITTER dei valori
casuali compresi tra 0 e 0.5, ottenendo uno scenario di perdita distribuita pari al
7.2%, che può essere considerato uno scenario molto simile alla realtà.
Nello scenario reale si ipotizzano noti:
• il livello a monte;
• la portata in ingresso e in uscita;
in particolare si utilizzano i valori di portata per effettuare l’ottimizzazione dei 26
parametri con l’algoritmo SCEM-UA.
Come è facile notare, in questa applicazione si è totalmente ribaltata la
condizione di sperimentazione imposta nei precedenti lavori, in quanto una delle
potenzialità del metodo bayesiano (Rougier, 2005) è quella di poter fare inferenza
statistica anche in condizioni di scarsità di informazione, quindi anche in
presenza di un problema sotto-determinato, che d’altronde è la situazione più
frequentemente riscontrabile nella maggior parte dei casi reali. In questo caso,
infatti, si devono determinare le distribuzioni di probabilità a posteriori di 26
parametri, avendo a disposizione per l’ottimizzazione due misure di portata.
Tutti i dati utilizzati sono stati perturbati con un disturbo casuale pari al 2% del
valore misurato.
68
Le distribuzioni di probabilità a posteriori che si ottengono per i 26 parametri

sono quelle mostrate dai seguenti istogrammi:
Figura 2-26: Distribuzione di probabilità a posteriori Emitter1 e Emitter2
69
70
71
72
Come è possibile notare la varianza di tali distribuzioni è molto ampia e ciò, è

legato, alla scelta sperimentale fatta, ovvero la risoluzione di un problema sotto-
determinato.
Utilizzando, però, come coefficienti di emitter i valori cui corrisponde la massima
probabilità a posteriori, è possibile calcolare, qual è la distribuzione di perdita
più probabile e valutare come questa configurazione di portate si dispone
rispetto a quella reale.
Le differenze percentuali per le portate transitanti lungo la condotta, valutate in
diverse postazioni, mostrano l’andamento presentato in Figura 2-39:
Figura 2-39: Differenze percentuali tra portate reali e stimate, calcolate utilizzando i parametri
con maggiore probabilità
Come si può vedere le differenze percentuali, nella valutazione complessiva della

portata transitante, sono al di sotto della soglia di incertezza dell’errore di misura
del 2%.
73
Anche nella valutazione dei carichi si ottiene una stima con differenze
percentuali inferiori alla soglia dell’errore di misura.
Figura 2-40: Differenze percentuali tra carichi reali e stimati, calcolate utilizzando i parametri
2.4.2.5.2 Analisi SCEM-UA in moto vario

Dall’analisi dell’esperienza precedente è evidente come l’aver a disposizione solo
due punti di misura, oltre ai dati necessari per l’implementazione della
condizione al contorno, può condizionare in modo elevato la precisione dello
stesso. Per poter sfruttare al meglio le potenzialità offerte da una singola
postazione di misura può essere utile effettuare l’ottimizzazione con l’algoritmo
SCEM-UA nel tempo.
Per ottenere questo risultato, piuttosto che sfruttare l’analisi di una successione
di stati stazionari, come già fatto in letteratura, si è implementato un modello di
moto vario alle caratteristiche, in cui fosse possibile:
• Assegnare una condizione al contorno a monte di livello, determinata
istante per istante dalle misure registrate;
• Assegnare una condizione al contorno di valle, determinata dalla portata
registrata nei medesimi istanti temporali;
• Assegnare delle condizioni intermedie di efflussi torricelliani ( i medesimi
dell’analisi precedente) il cui coefficiente dovesse essere calibrato.
In questa applicazione, si utilizzano come dati misurati quelli di carico a valle e
quelli di portata in ingresso, in quanto rappresentano la condizione più
problematica, come mostrato precedentemente.
74
valore misurato.
In questo caso, si osserva che, avendo a disposizione circa 120 misure nel tempo,
il problema è abbondantemente sovradeterminato, infatti l’algoritmo di calcolo
necessita di una sola iterazione per raggiungere la convergenza.
Le differenze percentuali, per ciascun punto di controllo, presentano una buona
convergenza, in quanto sono molto basse (Figura 2-41), in particolari inferiori allo
0.2%:
Figura 2-41: Differenze percentuali tra la portata reale e quella modellata nel tempo, per ciascun
punto di calcolo, calcolate utilizzando i parametri con maggiore probabilità
75
Figura 2-42: Differenze percentuali tra il carico reale e quello modellato nel tempo, per ciascun
punto di calcolo, calcolate utilizzando i parametri con maggiore probabilità
2.4.2.6 Applicazioni sulla dorsale principale dell’acquedotto del Simbrivio
L’acquedotto del Simbrivio fa parte di ACEA ATO2, tale struttura alimenta gran
parte delle zone a Sud di Roma, in particolare la zona dei Castelli Romani.
La dorsale principale, oggetto di questo studio numerico, si diparte dal
manufatto di riunione delle diverse Sorgenti, fino ad arrivare al partitore in
pressione “I Colli” (Figura 2-43). Lungo questo percorso vi sono diverse
diramazioni a servizio dei centri abitati, posti lungo il percorso, le cui domande
sono monitorate nei punti di arrivo ai serbatoi comunali.
76
2.4.2.6.1 Analisi SCEM-UA in stazionario

La schematizzazione della rete prevede un serbatoio a monte, con una misura di
livello, una condizione al contorno di valle data dalla portata misurata sulla
dorsale principale ed infine le condizioni di domanda nei nodi intermedi a
servizio dei centri abitati.
Le misure assegnate come condizione di ottimizzazione sono la misura di portata
a monte, immediatamente dopo il serbatoio iniziale, e la misura di carico a valle.
In questo caso, però, rispetto a quello precedente, si aggiunge una complessità in
più, si vuole verificare come l’algoritmo di analisi bayesiana si comporta, nel
riprodurre l’andamento delle portate, quando ad un singolo EMITTER è chiesto
di sintetizzare il comportamento di più EMITTERS, situati in diverse posizioni.
Per far ciò si è provveduto a generare un modello idraulico, con delle perdite
casuali distribuite di tipo pressure-driven, della dorsale principale
dell’acquedotto del Simbrivio (Galleria idraulica- I Colli), costruito in modo da
rappresentare una situazione molto più complessa di quella usata,
successivamente, nello schema utilizzato per il calcolo di ottimizzazione:
• Punti di perdita distribuiti in numero pari a 122, con legge d’efflusso
torricelliana, definita sulla base di un coefficiente generato in modo
casuale;
• Domanda ai nodi terminali, desunta dalle misure medie del mese di
Gennaio 2005;
• Perturbazione dei dati di portata con un errore casuale distribuito
secondo una gaussiana con media zero e deviazione standard pari
all’incertezza strumentale, assunta pari al 2% del valore misurato.
In contrapposizione, il modello utilizzato dall’ottimizzatore SCEM-UA per
analizzare questo schema di perdita, è molto più semplificato:
casuale;
• Domanda ai nodi terminali, desunta dalle misure medie del mese di
Gennaio 2005.
77
Figura 2-43: Schema dorsale principale dell’acquedotto del Simbrivio (NASC
Le distribuzioni di probabilità che si ottengono per i coefficienti di emitter sono le

seguenti:
Figura 2-44: Distribuzione di probabilità Emitter1 e Emitter2
78
79
80
Figura 2-52: Distribuzione di probabilità Emitter17
Anche in questo caso la varianza delle distribuzioni è abbastanza elevata, anche

perché la simulazione richiesta in questo caso, si poneva un compito molto più
difficile: modellare, in condizioni di sotto-determinazione, il comportamento di
uno schema che non corrispondeva, nella geometria delle perdite, a quello
utilizzato nella modellazione, anche se, occorre sottolinearlo, che è questa la
condizione più frequentemente riscontrabile nelle reti reali, in quanto non è nota
a priori la posizione delle perdite.
Utilizzando i coefficienti emitter con la maggiore probabilità a posteriori è, però,
possibile modellare le portate transitanti nel modello ed effettuare il confronto
con quelli del modello assunto come reale.
Le differenze percentuali, che si ottengono nei punti di confronto disponibili,
sono le seguenti:
Figura 2-53: Differenze percentuali tra portate reali e stimate, calcolate utilizzando i parametri
81
Figura 2-54: Differenze percentuali tra carichi reali e stimati, calcolate utilizzando i parametri
2.4.2.6.2 Analisi SCEM-UA in moto vario

Dall’analisi dell’esperienza precedente è evidente come l’aver a disposizione solo
due punti di misura, oltre ai dati necessari per l’implementazione della
condizione al contorno, può condizionare in modo elevato la precisione del
calcolo. Anche in questo caso si è tentato di implementare, con un modello di
moto vario, l’algoritmo SCEM-UA sfruttando la serie competa delle misure
temporali:
dell’analisi precedente) il cui coefficiente dovesse essere calibrato;
• Assegnare delle condizioni intermedie di domanda.
valore misurato.
In questa applicazione, diversamente da quanto accade nel caso del Peschiera, si
sta effettuando la calibrazione di un modello semplificato rispetto a quello che si
è ipotizzato come caso reale, infatti l’algoritmo di calcolo, pur trattando un
problema abbondantemente sovradeterminato, non raggiunge la convergenza
82
con una sola iterazione, ma sviluppa l’insieme delle iterazioni massime

impostate.
Le distribuzioni di probabilità a posteriori dei coefficienti di emitter sono le
seguenti:
83
84
Figura 2-63: Distribuzione di probabilità a posteriori Emitter17
Come si vede tali densità di probabilità a posteriori presentano degli andamenti

molto meno definiti di quelli del caso del Peschiera, ma bisogna ricordare che in
questo caso la modellazione proposta era di più difficile individuazione.
85
Utilizzando i parametri con la maggiore densità di probabilità è possibile definire

una configurazione da confrontare con quella assunta come reale. Si hanno
quindi, in particolare, i seguenti confronti nei punti più sensibili:
Figura 2-64: Differenze percentuali tra portate reali e modellate, calcolate utilizzando i parametri
con maggiore probabilità, punto d’ingresso, in corrispondenza della condizione di monte
86
Figura 2-65: Differenze percentuali tra carichi reali e modellati, calcolati utilizzando i parametri
con maggiore probabilità, punto d’uscita, in corrispondenza della condizione di valle
con maggiore probabilità, nei punti di controllo intermedi
87
Come si può notare nei punti intermedi le differenze percentuali sono molto
elevate, è quindi evidente, in contrasto con il caso precedente del Peschiera in
moto vario, che quando sono note e ben identificate le postazioni di perdita si
ottiene un risultato di stima del parametro con massima probabilità migliore.
2.4.3 Considerazioni finali
Le tecniche di analisi bayesiana, per l’analisi delle configurazione di perdita di

una rete in pressione, sono senza dubbio degli strumenti utili, ma, come
mostrato, sono molto sensibili alla struttura del problema fisico studiato, alla
precisione delle misure, alla correttezza del modello adottato nell’analisi ed,
infine, al grado di conoscenza a priori che si ha del sistema fisico in esame.
Per tentare di gestire al meglio le ultime due problematiche, nel capitolo
successivo è mostrata l’applicazione di una tecnica innovativa che permette di
tener conto dell’incertezza del modello, mentre nel capitolo 4 è riportata la
descrizione di un dispositivo sperimentale, ancora in fase di realizzazione e di
test, che può essere utile nella definizione della conoscenza a priori dei parametri
della rete.
Inoltre, effettuando più simulazioni, con le stesse condizioni, si perviene sempre
ad una soluzione molto stabile, contrariamente a quanto può avvenire con gli
algoritmi genetici.
Infine, si vuole sottolineare come questo tipo di tecniche, rispetto alle tecniche di
ottimizzazione classiche, forniscono una conoscenza dell’esattezza della stima,
mentre gli altri metodi restituiscono solo il valore ottimo.
88
89
CAPITOLO 3

l’uso combinato delle tecniche di analisi
bayesiana e del filtro di Kalman
3.1 Introduzione
Fin qui si è utilizzato un trattamento dell’incertezza comune alla maggior parte
degli approcci bayesiani, che la trattano come legata esplicitamente e
primariamente alla stima dei parametri del modello.
Come già accennato in più punti, in questa parte della tesi si introduce un nuovo
modello per il trattamento dell’incertezza, distinguendo tra quella associata alla
stima dei parametri e quella legata al modello stesso.
Pochi autori discutono del trattamento delle variabili di input e di stato, nonché
delle incertezze legate alla struttura del modello, (Young e Beck, 1974; Beck e
Young, 1975; Kitanidis e Bras, 1980,1980b; Beck,1985,1987; Hebson e Wood,1985;
Young,1986), anche se è chiaro che le incertezze, in una procedura di
modellazione, non dipendono solo dalla stima dei parametri, ma anche dagli
errori di misura dei parametri di stato del modello e dagli errori strutturali di
modello, che derivano dall’aggregazione processi reali, spazialmente distribuiti,
in un modello matematico di sintesi.
Non tener conto in modo accurato di questi errori durante la calibrazione del
modello può portare a simulazioni, con associati margini d’incertezza, che non
trovano riscontro nelle misure dirette.
Ciò trova evidenza nei residui, che esibiscono una considerevole non
stazionarietà e variazioni della varianza.
Le applicazioni mostrate precedentemente, utilizzando l’analisi Bayesiana, sono
in linea con le applicazioni che tentano di dare una valutazione dei parametri,
associando l’intera incertezza alla stima di quest’ultimi, considerando il
90
comportamento mediato nel tempo del sistema in esame. Questo tipo di

procedura, però, ha evidenziato (Vrugt et al.,2005) una considerabile perdita
d’importanza delle informazioni che possono essere usate per calibrare al meglio
i parametri d’interesse.
Per aumentare il potere di discriminazione delle strategie di calibrazione dei
modelli, l’interesse si è spostato verso tecniche di analisi ricorsiva, che si
muovono lungo le serie temporali dei dati misurati al fine di valutare, in modo
più appropriato, l’incertezza dei parametri (Thiemann et al., 2001; Young, 2001;
Vrugt et al., 2002; Wagener et al., 2003).
Questi tipi di approcci possono essere utilizzati per localizzare le misure più
significative per la stima dei parametri (Vrugt,2002).
Nonostante, però, i progressi fatti, questi metodi ancora assegnano l’incertezza
come una combinazione dovuta alla stima dei parametri e ad un errore residuo,
legato all’errore di modello.
In una linea separata di ricerca, considerevoli progressi sono stati fatti nello
sviluppo e nell’applicazione di tecniche di analisi sequenziale di assimilazione
dei dati (Sequential Data Assimilation techniques – SDA techniques). Questi
metodi forniscono un trattamento generale per trattare esplicitamente con le
incertezze di dati di input e di output, nonché con quelle di modello.
In contrasto con le strategie di calibrazione classiche, i metodi SDA eseguono un
aggiornamento continuo delle variabili di stato nel modello, quando nuove
misure divengono disponibili, al fine di aumentare la capacità predittiva del
modello e di valutarne l’incertezza di stima.
Il prototipo dei metodi SDA è il filtro di Kalman (KF), che è stato sviluppato negli
anni sessanta per il controllo ottimale di sistemi governati da equazioni lineari,
per i sistemi non lineari, invece, è stato sviluppato il filtro di Kalman esteso
(EKF), che linearizza l’equazione di covarianza dell’errore, dando luogo, però a
forti instabilità, se la non linearità è elevata. Sebbene il KF e il EKF offrano un
approccio generale per tener conto di tutte le forme d’incertezza, il filtro assume
che i parametri del modello siano noti a priori nella procedura di modellazione.
Nell’ambito delle applicazioni necessarie per valutare la configurazione di
perdita di un sistema idraulico in pressione, questo tipo di assunzione risulta di
difficile applicazione, in quanto le caratteristiche delle perdite presenti in rete
91
non sono direttamente misurabili. L’incertezza nella stima dei parametri, quindi,
ritorna nell’incertezza della stima delle variabili di stato del modello. Per
estendere l’utilità e l’applicabilità delle tecniche SDA alla modellazione idraulica,
è importante esplicare una metodologia formale, che non solo aggiorna, in modo
ricorsivo, le variabili di stato, ma simultaneamente stima i parametri del modello.
La maggior differenza tra questo tipo di impostazione e le metodologie di
calibrazione classiche è che questo approccio non assegna un’incertezza primaria
ai parametri, ma calcola esplicitamente le incertezze di modello, dei parametri e
delle variabili di stato durante il processo di calibrazione.
L’algoritmo (SODA) utilizzato in questa applicazione (Vrugt et al., 2005) si basa
su un metodo che combina le potenzialità delle tecniche di SDA, con quelle
dell’algoritmo SCEM-UA (Vrugt et al., 2003), con il potere e l’efficienza
computazionale del filtro di Kalman esteso (Evensen, 1994).
L’applicazione dell’algoritmo SODA richiede un cambio di filosofia, in quanto il
processo di calibrazione non viene più considerato al fine di trovare il miglior set
di parametri, che genera la miglior previsione del modello. Invece, il set di
parametri ottimali identificati mediante la procedura SODA ha senso solo in
combinazione con i metodi SDA, e, conseguentemente, per definizione, non
genererà la miglior previsione possibile quando non è possibile fare un
aggiornamento delle variabili di stato, che è il caso tipico di quando si valutano le
capacità di predizione di un modello durante un periodo di valutazione
indipendente.
L’implementazione del modello SODA permette di ottenere:
• Una predizione più significativa dei margini d’incertezza della
simulazione con il modello;
• Una stima dei parametri che rappresenta meglio le proprietà del sistema,
che risultano meno influenzate da errori di modello.
92
3.2 La formulazione inversa nel tempo

Il problema fondamentale che bisogna affrontare è la simultanea stima dei
parametri del modello e delle variabili di stato, utilizzando una serie temporale
di dati di input e output.
La formulazione di questo problema inverso può essere espresso in una forma
generica, considerando un modello idraulico non lineare, che al tempo t, può
essere descritto dal vettore di stato kl . L’evoluzione di questo vettore di stato
può essere scritta come:
kl`F = >mkl , nl , 0o 33.
dove k è un vettore di m variabili di stato non note, n rappresenta le osservazioni

disponibili, mentre >∙
rappresenta il modello non lineare, che lega le
osservazioni disponibili alle variabili di stato e ai p parametri, rappresentati da 0.
Sia
n = E<qF , … , <qr I 34.
il vettore con le misure di portata, disponibili ai passi temporali che vanno da

1,..,n e sia
0
= E<F 0
, … , <r 0
I 35.
il vettore che rappresenta gli output del modello, usando i parametri 0.

Questi output del modello sono relazionati con le variabili di stato da una
relazione del tipo:
<l = skl
36.
Dove s∙
è l’operatore di misura, che definisce il legame tra misure e output del
modello.
93
La differenza tra i dati di output modellati e quelli misurati può essere

rappresentata da un vettore dei residui:
D0
= td0
f − tdnf = EF 0
, … , r 0
I 37.
Dove t∙
è un operatore che permette di fare diverse trasformazioni lineari e
non lineari.
L’approccio classico alla stima dei parametri ignora l’incertezza dei dati di input
= n
e assume che il modello di predizione >∙
sia corretto. In linea con la
teoria classica della stima, i residui D0
vengono assunti come mutuamente
indipendenti, distribuiti secondo una Gaussiana, con una varianza costante. Sotto
queste ipotesi, il miglior set di parametri viene trovato, tradizionalmente,
minimizzando l’equazione:
uvv 0
= ∑rlPF l 38.
In questo modo, però, gli errori di input, le differenze tra dato modellato ed
osservato e gli errori di modello convergono in un unico termine, che, spesso, si
manifesta nella serie storica dei residui con un’elevata non stazionarietà e
eteroschedasticità.
Anche utilizzando le procedure di analisi Bayesiana, come quella SCEM-UA già
illustrata,(Vrugt et al., 2005) non si riesce a tener conto delle diverse fonti
d’incertezze e a darne un trattamento adeguato, tenendo in debito conto le
informazioni che si possono ricavare dallo sviluppo temporale della serie di
osservazioni. Come sarà illustrato nel seguito, le tecniche di analisi SDA, invece,
permettono di trattare adeguatamente i diversi aspetti.
94
3.3 I metodi di assimilazione sequenziale

I metodi di assimilazione sequenziale, in generale, specificano l’incertezza delle
variabili di stato, che deriva da un’imperfetta rappresentazione dei processi e
dall’incertezza dei dati di input e output.
L’evoluzione dinamica di un modello può essere scritta come un’equazione
differenziale stocastica:
wkl = >mkl+F , nl+F , 0owx + wyl+F 39.
Dove wy z7 è il rumore dinamico, che rappresenta gli errori legati alla

formulazione del modello.
Il termine stocastico tende, in generale, ad appiattire le distribuzioni di
probabilità, per questo, nell’ambito dello sviluppo dell’algoritmo SODA è stata
introdotta una simulazione specifica per il termine yl , di cui si dirà in seguito.
L’equazione delle osservazioni presenta un termine additivo, chiamato {l , che
rappresenta l’errore di misura:
<l = skl
+ {l 40.
Con
{l ~@0, }l~
41.
Dove }l~ rappresenta lo scarto dovuto all’errore di misura.

Ad ogni misura al tempo t=1,…,n quando un’osservazione <ql diventa
disponibile, si calcola l’errore di previsione )l :

)l = <ql − smkl o 42.

Che aggiorna la previsione di stato futura, kl , poi si calcola lo stato aggiornato,
kl , utilizzando l’equazione standard:

kl = kl + l <ql − smkl o 43.
95
Dove l è la matrice dei pesi (Kalman gain), che è calcolata come:
l = Σ s ds ∑7
l s + Σ f
~ +F
44.
Dove Σ e Σ~ denotano le matrici covarianza dell’errore stocastico di modello

22222
(yy 22222
) e dell’errore ({{ ).
La differenza tra lo stato aggiornato e la previsione si chiama stato

d’innovazione, kl , ed è calcolato come:

kl = kl − kl 45.
Lo stato aggiornato, kl , rientra, poi, ricorsivamente, nel successivo step di

propagazione:

kl`F = >mkl , nl , 0o 46.

Dato che l’incertezza nella struttura del modello e nei dati di output può essere
specificata, rispettivamente, mediante il termine y e mediante l’errore di misura {
e l’incertezza nei dati di input può essere valutata attraverso una perturbazione
stocastica degli elementi di input n, il KF offre uno strumento molto generale per
tener conto delle diverse forme d’incertezza.
Per ovviare ai problemi di calcolo legati alla non linearità di molti modelli e
all’onerosità del calcolo matriciale, associato alle matrici di covarianza degli
errori, Evensen (1994) ha proposto il filtro di Kalman d’insieme (Ensemble
Kalman Filter - EnKF), che utilizza dei metodi Monte Carlo per generare
un’insieme di traiettorie del modello, dalle quali l’evoluzione temporale della
densità di probabilità a posteriori e le relativa covarianza di errore viene stimata.
96
3.4 Il filtro di kalman d’insieme (EnKF)

Il EnKF permette di risolvere, lungo un insieme di traiettorie, tutte le equazioni
necessarie per il SDA. L’algoritmo esegue i seguenti passaggi:
• Genera un insieme iniziale. Campiona N combinazioni di m parametri di
stato, kO , j=1,…,N casualmente dalla distribuzione a priori e li conerva in
una matrice A[1:m,1:N]
• Esegue la previsione. Propaga ogni insieme N, nel tempo, attraverso il
modello non lineare >∙
, usando un set fisso di parametri 0 e un
corrispondente insieme di N campi stocastici:

kl = >mkl+F , nl+F , 0o + yl+F 47.
O O O
• Calcola la matrice covarianza dello stato di previsione. Ad ogni step

temporale t si calcola la matrice di covarianza, dell’insieme degli stati
previsti in A:

Σ = 48.
+F
, con A
dove A = A − A è l’insieme delle medie delle previsioni.
• Calcola la media dell’errore della previsione d’insieme. Al tempo t

quando una misura diviene disponibile, si calcola la media dell’errore di
previsione dell’insieme:

2222222 − <ql 49.
)l = s$
• Genera il vettore delle osservazioni. Ad ogni istante di misura, si genera

un insieme di N osservazioni, da una distribuzione con media uguale
all’osservazione, <ql , e covarianza pari a Σ~ ,
O O O
<l = <l + {l 50.
O
{l ~@0, }l~
= 1, … , @ 51.
97
22222
Σ~ = {{ 52.
• Aggiornamento del vettore di stato. Ad ogni passo di misura, si aggiorna

la matrice A, mediante l’equazione:
$ = $ + Σ s ds ∑7
l s + Σ f d − s$
f
~ +F
53.
• Controllo del criterio di stop. Il filtro termina quando si raggiunge

l’ultimo step temporale.
Riassumendo il EnKF usa un gran numero di traiettorie per approssimare la
densità di probabilità a posteriori di ciascuna variabile di stato ad ogni istante
temporale. La media di questo insieme rappresenta la miglior stima e la varianza
da una misura dell’incertezza.
3.5 La simulazione dell’errore stocastico di modello

Per implementare, con successo, il filtro di Kalman d’insieme, è particolarmente
importante definire accuratamente gli errori di misura e il termine casuale, usato
per simulare l’evoluzione nel tempo del rumore bianco del modello dinamico.
Infatti, non è difficile vedere che la misura di questi termini controllano
direttamente il modo in cui il filtro predice i valori della variabile di stato e i suoi
margini d’incertezza.
La stima dell’errore di misura, una volta note le caratteristiche degli strumenti di
misura, è di facile individuazione. Molto più delicato, invece, è definire una
ragionevole stima del termine d’errore stocastico del modello, che contiene molte
fonti d’incertezza, come gli errori di modellazione, oppure quelli connessi con
fenomeni fisici non modellati.
Sulla base delle raccomandazioni fornite da Evensen (1994), nel modello SODA
viene usata la seguente equazione per simulare l’evoluzione nel tempo del
termine stocastico d’errore:
l = l+F + %1 − l+F 54.
98
Dove l+F è un vettore J × 1, campionato da una distribuzione normale, mentre

∈ d0,1
rappresenta la decorrelazione di primo ordine del termine stocastico.
Al crescere del numero di elementi, la distribuzione di l si avvicinerà a quella
avente media 0 e varianza pari a 1.
Quando = 0 si ha un errore bianco, mentre se = 1 il termine d’errore
stocastico sarà assente.
Sulla base della teoria della passeggiata casuale, il modello non lineare >∙
può
essere scritto come:
kl = >mkl+F , nl+F , 0o + l+F √Δx} 55.
In cui Δx rappresenta il passo temporale, } è un vettore J × 1, contenente le

deviazioni dell’errore di ciascuna variabile di stato e è un fattore calcolato
(Evensen, 1994),come:
F F+
= :l ++ `g

56.
Dove rappresenta il numero di step in ogni unità di tempo Δx (Δx = 1

.
E’ dimostrabile che le deviazioni di ciascuna variabile di stato, }, possono essere
espresse in funzione della deviazione dell’errore dei dati di output, }7 ,come:
} = Σ s ds ∑7
l s + Σ f %Δx}7
~ +F
57.
In particolare le variabili di stato del modello possono essere riscritte come segue:
kl = >mkl+F , nl+F , 0o + l+F Σ s ds ∑7

l s + Σ f %Δx}l
~ +F 7
58.
L’accoppiamento di un modello di ottimizzazione globale e della tecnica di

assimilazione sequenziale dei dati
Se da una parte il filtro EnKF fornisce un approccio generale per tener conto
dell’incertezza di input e output, nonché degli errori di modello, al fine di
99
ottenere un aggiornamento ricorsivo delle variabili di stato, d’altro canto non

permette di valutare come l’incertezza dei parametri, che vengono mantenuti
fissi, intervenga nel processo di stima.
Al contrario il modello di ottimizzazione globale non utilizza le misure per fare
un aggiornamento ricorsivo delle variabili di stato, ma punta ad
un’ottimizzazione globale, che minimizzi la varianza.
Il codice SODA è un modello ibrido, che permette di fare, simultaneamente,
l’aggiornamento delle variabili di stato, definito un certo set di parametri,
attraverso un ciclo interno, mentre con un ciclo esterno viene fornito, ad ogni
step, il set di parametri ricercato all’interno delle zone con la densità di
probabilità a posteriori più alta.
Il modello di ottimizzazione utilizzato è quello SCEM-UA, che permette di
definire un set di parametri, per i quali, poi, verrà sviluppato il EnKF, che
restituisce la serie temporale delle previsioni di modello, per le quali viene
calcolata la densità di probabilità a posteriori, continuando poi come già
illustrato per l’algoritmo SCEM-UA.
3.6 Applicazione sul sifone del Peschiera tra il serbatoio di

Collelungo e Monte Carnale
Utilizzando le potenzialità dell’algoritmo SODA si è implementata una
procedura di calibrazione in moto vario, utilizzando il modello di perdita di
moto vario utilizzato con l’algoritmo SCEM-UA.
Per definire i parametri necessari per l’analisi di assimilazione sequenziale dei
dati è necessario fare delle osservazioni: dato che non ci sono delle basi fisiche
per fare una corretta assegnazione degli errori di input di modello e di quelli
strutturali propri del modello, si è ritenuto opportuno seguire la medesima
procedura proposta da Vrugt et al. (2005), ovvero di condensare in un unico
termine sia gli errori strutturali di modello che quelli di input. Per poter stimare
l’errore totale, }7 , si effettua una calibrazione deterministica del modello, dai
residui tra il dato modellato e quello misurato si ricava la serie dell’errore totale,
che contiene gli errori di input del modello, gli errori strutturali del modello e gli
errori di misura, sottraendo, quindi, a questa la parte relativa alle incertezze di
misura, si ottiene una stima degli errori strutturali e di input del modello.
100
La prima applicazione che si presenta è quella relativa al caso del Peschiera, già
illustrato in precedenza. Il modello idraulico che si utilizza è un modello alle
caratteristiche, in cui sia i dati che si utilizzano come condizioni al contorno, che
quelli che si utilizzano per l’ottimizzazione sono stati perturbati con un errore
casuale del 2%.
101
Anche in questo caso l’andamento complessivo delle grandezze idrauliche

simulate è piuttosto buono, ma, purtroppo, l’elevato numero di parametri ha
reso necessaria l’applicazione di un numero ridotto di iterazioni che hanno
prodotto delle distribuzioni di probabilità degli emitter non molto significative
dal punto di vista della dispersione dei valori. Si è ritenuto, però, opportuno
mostrare come, utilizzando il valore di massima probabilità, sia possibile
ottenere una stima ‘apparentemente’ molto accettabile delle grandezze
idrauliche, in questo modo si vuole mettere in luce come l’applicazione di queste
tecniche sia molto più ‘realistica’, evidenziando anche aspetti problematici, come
l’elevata incertezza della stima, rispetto ad altre metodologie che restituiscono
solo il valore ottimo, senza dare valutazioni della bontà della stima in modo
matematicamente corretto.
102
3.7 Applicazione sulla dorsale principale dell’acquedotto del

Simbrivio
In questo caso, si vuole verificare come l’algoritmo di analisi bayesiana si
comporta, nel riprodurre l’andamento delle portate, quando ad un singolo
EMITTER è chiesto di sintetizzare il comportamento di più EMITTERS, situati in
diverse posizioni.
Per far ciò si è provveduto a generare un modello idraulico, con delle perdite
casuali distribuite di tipo pressure-driven, della dorsale principale
dell’acquedotto del Simbrivio (Galleria idraulica- I Colli), costruito come già
descritto nel capitolo 2, ma qui riportato per facilitare la lettura.
Il modello reale è caratterizzato da:
casuale;
• Domanda ai nodi terminali, desunta dalle misure del mese di Gennaio
2005;
• Perturbazione dei dati di portata con un errore casuale distribuito
secondo una gaussiana con media zero e deviazione standard pari
all’incertezza strumentale, assunta pari al 2% del valore misurato.
In contrapposizione, il modello utilizzato dall’ottimizzatore SCEM-UA per
analizzare questo schema di perdita, è molto più semplificato:
casuale;
• Domanda ai nodi terminali, desunta dalle misure del mese di Gennaio
2005.
103
Anche in questo caso, utilizzando le potenzialità dell’algoritmo SODA si è

implementata una procedura di calibrazione in moto vario, utilizzando il
modello di perdita di moto vario in cui fosse possibile:
dell’analisi precedente) il cui coefficiente dovesse essere calibrato;
• Assegnare delle condizioni intermedie di domanda.
valore misurato.
Utilizzando i parametri con la maggiore densità di probabilità è possibile definire
una configurazione da confrontare con quella assunta come reale. Si hanno
quindi, in particolare, i seguenti confronti nei punti più sensibili (ingresso e
uscita):
104
Figura 3-4: Differenze percentuali tra carichi reali e modellate, calcolate utilizzando i parametri
con maggiore probabilità,
105
Figura 3-6: Differenze percentuali tra carichi reali e modellate, calcolate utilizzando i parametri
In questo caso è possibile notare come l’utilizzo di questa metodologia riduca

sensibilmente le differenze percentuali tra il dato assunto come reale e quello
modellato, infatti la portata in ingresso nella modellazione con SCEM-UA in
moto vario risultava individuata con una differenza percentuale dell’ordine del
4%, mentre in questo caso, con l’uso dell’algoritmo SODA, si riscontrano
differenze percentuali dell’ordine dell’1.5%. Analogamente per le misure di
carico, che risultano mostrare una differenza percentuale del 4% nel caso di
modellazione con SCEM-UA in moto vario, mentre l’utilizzo dell’algoritmo
SODA permette di ridurre questa differenza all’ordine 0.1%.
Purtroppo, però, nei punti intermedi questo non si verifica, come accadeva anche
nel caso dell’algoritmo SCEM-UA in moto vario, ma occorre ricordare come
questo sia un caso di difficile modellazione. In particolare si nota che il miglior
risultato complessivo si ottiene, per questa tipologia applicativa, utilizzando un
modello stazionario, mostrando come, in caso di assenza d’informazione un
modello semplificato può essere molto più affidabile.
106
3.8 Considerazioni conclusive

Si nota come anche l’utilizzo di una tecnica innovativa, che tenta di tener conto
anche dell’errore del modello, non riesce a sopperire ad una buona valutazione
della conoscenza a priori. Inoltre, l’applicazione di questa tecnica necessita di un
elevato sforzo computazionale quando si affrontano problematiche reali, con un
elevato numero di parametri.
In particolare, per affrontare quest’ultimo punto nel capitolo successivo si
presenta un dispositivo sperimentale, ancora in fase di realizzazione e prova, che
potrà essere utile per l’individuazione dei range di variabilità dei parametri da
inserire nell’ottimizzazione.
107
108
CAPITOLO 4
4 Definizione preliminare di un dispositivo

sperimentale per la prelocalizzazione delle
posizioni di perdita
4.1 Introduzione
Nei capitoli precedenti è stato possibile notare l’importanza del corretto
posizionamento delle postazioni di perdita, da qui la necessità, già sottolineata
anche dagli altri autori, che si sono occupati di analisi probabilistica, di mettere a
punto un dispositivo per una stima preliminare delle postazioni di perdita di
maggiore importanza. Come già accennato, questo tipo di dispositivo è un
sensore galleggiante, che può essere inserito nella condotta, per percorrerla
completamente. Durante il percorso tale sensore registrata i dati di pressione,
correlabili, nota la geometria della condotta, alla posizione del sensore stesso.
Contemporaneamente il sensore acustico, che viaggia insieme al sensore di
pressione, permette di capire quali sono le zone in cui più probabilmente si
concentra la perdita.
4.2 I principi di funzionamento

Il principio di posizionamento si basa sulla combinazione della conoscenza della
geometria della condotta e della pressione in un punto.
Se si considera che il carico totale, in ciascun punto, può esprimersi come:
4
s =)+U+ 59.
dove ) è la quota del punto in esame, mentre Q è la pressione registrabile nel

medesimo punto.
109
Quando il sensore si muove da una posizione ad un’altra, si troverà in due punti

dove:
4g
sF = )F + + 60.
U
4
s = ) + U
+

61.
La differenza di carico, tra i due punti si esprime come:
∆s = sF − s = #
M" 62.
Dove ∆s è la perdita di carico tra 1 e 2, mentre M è la distanza percorsa

nell’intervallo tra due misure
Se )F è il punto iniziale, dove viene introdotto lo strumento, è possibile calcolare
) , definita la perdita di carico #
M" .
Per calcolare la distanza L percorsa nell’intervallo di tempo è necessario studiare

l’idrodinamica del sensore, in relazione alle caratteristiche geometriche e
idrauliche della condotta, che contribuiranno a far muovere il sensore,
effettuando una sperimentazione di laboratorio in diverse condizioni di
funzionamento, testando come il peso del sensore influisce sul movimento dello
stesso.
4.3 I dispositivi utilizzati

Il sistema in fase realizzazione, per una successiva sperimentazione, consta di un
idrofono per ricerche marine con range di misura fino a 40 KHz, si tratta di un
modello base a spettro abbastanza largo, che servirà inizialmente a determinare
in maniera più precisa le frequenze delle perdite da monitorare, in funzione della
loro dimensione.
Una volta acquisita la banda delle diverse perdite campione, sarà possibile
scegliere sensori anche di maggior sensibilità.
110
Il sensore di pressione è uno strumento di dimensioni molto ridotte rispetto

all’usuale, per poter essere inserito senza problemi di peso e spazio in un
contenitore di dimensioni contenute.
Questi sistemi hanno spettri di misura da 0 fino a 5/10/25/50 bar, così da poter
creare sistemi di misura specifici per le diverse applicazioni con la sola
sostituzione del trasduttore.
Le uscite del segnale sono quelle classiche analogiche 4..20 mA e 0..5V, o digitali
485, quest’ultima preferita per l’integrazione con la scheda di modulazione.
La scheda di modulazione è stata progettata per integrare i due segnali in un
unico registratore, in modo da analizzare i due segnali in contemporanea; il
segnale di pressione, pertanto, verrà trasformato in un segnale sonoro che possa
venire riconosciuto e memorizzato nel registratore; quest’ultimo, oltre alla
funzione di log, avrà anche il compito di alimentare i trasduttori, anche se si sta
valutando un’alimentazione per il sensore di pressione, così da poter aumentare
la vita utile delle batterie, al momento prevista in diverse ore.
L’involucro che conterrà tutta l’elettronica è stato al momento previsto di crearlo
in Derlin, un materiale plastico di facile gestione al tornio (evita gli alti costi
iniziali di creazione di uno stampo), che permette lavorazioni esterne utili, quali
la creazione di una serie scanalature per inserire respingenti in gomma, che
dovranno attenuare i rumori dovuti agli eventuali urti con la tubazione.
La forma esterna sarà di forma quasi completamente sferica, tranne la parte di
estrazione del carrello interno nel quale verranno fissate le unità elettroniche di
misura e registrazione, con gli eventuali pacchi batterie; inoltre, esternamente
verranno creati gli alloggiamenti per una doppia chiave a compasso, che servirà a
evitare aperture accidentali del sistema.
111
112
CAPITOLO 5
5 Analisi probabilistica in tempo reale delle

portate
5.1 Introduzione
In questo capitolo si vuole dare cenno ad una tecnica innovativa che permette,
utilizzando la combinazione di due tecniche già esistenti, di migliorarne
l’efficacia. Questo tipo di tecnica, differentemente da quelle già analizzate, non
permette di individuare la posizione della perdita, ma solo di individuarne la
formazione. Come verrà illustrato nel capitolo successivo, questo tipo di tecnica
può essere utile in un sistema di monitoraggio completo, che comprenda l’analisi
in tempo reale dei dati di misura delle grandezze idrauliche.
5.2 Analisi statistica in tempo reale delle portate

Per effettuare l’analisi statistica delle portate si utilizza il Test delle Probabilità
Sequenziali, che permette di determinare se è in atto una modifica sostanziale del
bilancio di volume tra ingresso e uscita.
L’analisi statistica ha una funzione fondamentale, ovvero quella di permettere
l’individuazione di anomalie del sistema, quali le perdite, attraverso l’analisi
della variazione del bilancio, separando le cause di variazione comuni, da quelle
speciali:
• Cause di variazione comuni: incertezza strumentale, deriva strumentale,
operazioni che generano uno stato di moto transitorio nel sistema
• Cause di variazione speciali: tutte quelle cause che normalmente non
farebbero parte del sistema, come, per esempio, le perdite o il
malfunzionamento di uno strumento.
113
Il bilancio di un sistema di condotte può essere assimilato ad un processo,

definito da un set di cause e condizioni, che si ripetono insieme e producono un
certo effetto sulla grandezza in esame. Un processo in cui intervengono solo
cause comuni è chiamato stabile. Un processo, classificabile come stabile, implica
che le variazioni siano definibili con limiti statistici ben definiti. Un processo in
cui, invece, sono presenti, oltre alle cause comuni, anche cause speciali è un
processo instabile. Attraverso l’analisi statistica si può, quindi, determinare se i
cambiamenti nel bilancio tra ingresso e uscita sono imputabili a cause comuni o
speciali.
5.2.1 Il test delle probabilità sequenziali
Un approccio di tipo statistico permette di individuare i cambiamenti relativi tra

flussi in ingresso e in uscita, stabilendo se vi sono solo differenze “normali”
oppure anche differenze imputabili alla presenza di perdite.
Il bilancio di massa, in condizioni stazionarie, si calcola come differenza tra le
portate entranti e quelle uscenti, afferenti al medesimo istante temporale. Il
residuo viene quindi calcolato come:

≡ "
− "
63.
Le differenze tra i due campioni si ipotizzano essere normalmente distribuite,

attorno al valore medio della differenza tra le due popolazioni di dati. Allo scopo
di determinare quando la differenza tra serie di valori in ingresso e in uscita
diviene significativa si effettua un test di significatività, il test delle Probabilità
Sequenziali di Wald (SPRT). Il test di significatività si applica ipotizzando una
distribuzione standard dell’errore e testando se viene verificata l’ipotesi nulla H0.
L’ipotesi zero presuppone che non ci siano differenze significative tra le due serie
in ingresso e in uscita ed ogni differenza sia riconducibile alla normale differenza
strumentale. La probabilità che la scelta effettuata tra le due ipotesi, perdita e non
perdita, sia corretta è pari al livello di significatività del test stesso, quindi la
scelta del livello di significatività influenza l’ampiezza dell’intervallo in cui la
differenza è considerabile espressione della normale attività del sistema.
114
Il valore del residuo del bilancio di flusso tra ingresso e uscita,
,viene,
quindi, utilizzato per confrontare le due ipotesi:
• assenza di perdita
H 0 : R ( k ) ∞N ( µ 0 ; σ )
64.
• presenza di perdita
H1 : R ( k ) ∞N ( µ0 + ∆µ ;σ )
65.
Il test SPRT prevede il calcolo sequenziale del seguente parametro:
 N ( µ 0 + ∆µ ; σ ) 
λ = ln  
 N ( µ0 ; σ )  66.
∆µ  ∆µ 
λ ( k ) = λ ( k − 1) + 2 
R ( k ) − µ0 − 
σ  2  67.
Questa variabile dovrà essere confrontata con :
< B ⇒ no leak
λ
≥ A ⇒ leak 68.
con A > B . Nessuna decisione è presa per B ≤ λ < A . La media µ0 e la deviazione

standard σ non sono note, ma possono essere stimate.
I valori di soglia A e B seguono la condizione:
F+¤
$¡, ¢
≤ ¥
69.
¤
¦¡, ¢
≥ F+¥ 70.
115
dove α= probabilità di commettere un errore del primo tipo, ovvero non

accettare l’ipotesi base del test, anche se nella realtà questa è vera, quindi la
probabilità di generare un falso allarme, mentre β è legato alla probabilità di
commettere un errore del secondo tipo, ossia di accettare l’ipotesi base del test,
anche se nella realtà questa non è vera, conseguentemente, in questo caso, si
avrebbe una perdita non segnalata come tale.
Per la media utilizza una stima del tipo:
R ( k ) − R ( k − N0 + 1)
µˆ 0 ( k ) = µˆ 0 ( k − 1) + 71.
N0
dove N0 è il periodo di osservazione.

Il valore di σ, in particolare, può assumere diversi valori, che variano sulla base
delle condizioni operative della rete, che possono essere definite come
stazionarie, quasi- stazionarie e transitorie. La scelta di questi valori è molto
importante perché devono permettere di mantenere un alto grado di affidabilità
non generando falsi allarmi, ma senza permettere la perdita di efficienza nei
confronti della ricerca perdite.
Qualora l’analisi delle condizioni di moto renda necessaria lo studio in
condizioni non stazionarie del fenomeno, si considererà la celerità della condotta,
tenendo conto della comprimibilità dell’acqua, della deformabilità della
condotta, nonché della rapidità con cui possono avvenire le fluttuazioni di
portata.
Il residuo è, quindi, calcolato ancora come differenza tra portate entranti e
uscenti, ma non più tra quelle afferenti al medesimo istante temporale, bensì tra
quelle valutate considerando la velocità di propagazione delle perturbazioni.
Tale residuo assume, quindi, la forma:

≡ "
− " −
72.
dove
L
τ=
a
116
in condizioni di moto vario elastico, mentre si assume
¨
= 73.
: ©
in condizioni di moto vario d’insieme, con L è pari alla distanza tra i misuratori
di portata in ingresso e in uscita.
Qualora le condizioni operative della rete lo rendano necessario, è possibile
calcolare detto residuo, R(k), sia in condizioni quasi stazionarie, che transitorie,
incorporando un termine correttivo, che tenga conto delle fluttuazioni legate alla
massa presente all’interno del tratto di tubazione in esame. Il termine correttivo
potrà essere calcolato attraverso le condizioni di pressione misurate agli estremi,
nell’intervallo temporale di misura (t;t-∆t) e sulla base delle caratteristiche fisiche
note della tubazione in esame.
117
5.2.1.1 Applicazione ai dati di laboratorio
Nel laboratorio di Costruzioni Idrauliche (DICEA – Università di Roma

‘Sapienza’ ), è stata sviluppata una prova di applicazione della procedura SPRT,
utilizzando dei misuratori ad ultrasuoni esterni (PORTFLOW 330, precisione
dello 0.5-2%). La prova ha avuto una durata complessiva di 20 minuti, con
l’apertura di una perdita intermedia tra due postazioni di misura dopo 10 minuti.
Lo schema di prova è stato organizzato come mostrato in figura:
Figura 5-1: Posizionamento degli strumenti di misura della portata e della perdita intermedia,
nel laboratorio di Costruzioni Idrauliche (DICEA – ‘Sapienza’ Università di Roma)
118
Le misure rilevate sono le seguenti:
Figura 5-2: Le portate registrate in 20 minuti di osservazione, con apertura della perdita dopo 10
minuti dall’inizio della prova
I risultati che si sono ottenuti, mediante l’applicazione del test SPRT, sono i
seguenti:
Figura 5-3: Indicatore di perdita – Test SPRT
Come si vede, il tempo di rilevazione, per una perdita del 4% è pari a 4 minuti
circa.
119
5.2.2 Analisi con il filtro di Kalman delle misure di portata e di

pressione
Il filtro di Kalman permette una caratterizzazione completa dello stato di

conoscenza di un sistema dinamico, tenendo conto della serie storica delle
misure. In questo tipo di approccio l’obiettivo è quello di distinguere tra
fenomeno, ovvero quello che si può osservare, e quello che è attualmente in atto,
definendo il grado di conoscenza che si può avere del reale a partire dal
fenomeno osservabile.
Tale approccio prende il nome di filtro in quanto viene effettuato un distinguo tra
segnale e rumore, stimando le variabili indipendenti come funzione inversa delle
variabili dipendenti (le misure), che sono variabili dinamiche, solo parzialmente
stimabili.
I parametri idraulici, pressione e portata, possono considerarsi soggetti ad un
continuo cambiamento costante, dovuto alle fluttuazioni legate a fenomeni di
moto vario. Lo stato, , di un parametro idraulico, ad un certo istante può
essere modellato con una equazione di stato lineare con del rumore bianco
Gaussiano, ",espresso come:

= − 1
+ " 74.
La misura idraulica, , invece è affetta da rumore bianco gaussiano dovuto agli

errori di misura, :

=
+ 75.
Assumendo che nell’istante , |

è la stima dello stato del sistema, mentre
| − 1
è la stima dello stato del sistema derivato da un modello, con y
e

pari, rispettivamente, alla covarianza di Q e R, il filtro di Kalman segue i
seguenti step, per effettuare la stima dei normali parametri idraulici:
120
• Stima del parametro idraulico, tramite il modello
| − 1
= − 1| − 1
76.
• Stima della covarianza del parametro idraulico
Q| − 1
= Q − 1| − 1
+ y
77.
• Calcolo del parametro di Kalman
4ª|ª+F
'
= 78.
4ª|ª+F
`«ª
• Aggiornamento della stima del parametro idraulico
|
= | − 1
+ '
d
− | − 1
f 79.
• Aggiornamento della covarianza del parametro idraulico
Q|
= d1 − '
fQ| − 1
80.
Una volta che |

è stato stimato e la covarianza Q|
è stata aggiornata,
allora il filtro muove verso il nuovo step temporale in modo ricorsivo.
I parametri y
e
possono essere automaticamente stimati utilizzando la
sequenza d’innovazione del filtro di Kalman adattivo. La sequenza
d’innovazione si può definire come la differenza tra le misure e le predizioni del
modello:

=
− | − 1
81.
Ponendo poi:
y
= '

82.

=
+ Q| − 1
83.
121
Dove
la covarianza d’innovazione calcolata attraverso l’autocorrelazione
della sequenza d’innovazione
, all’interno di una finestra d’estimazione
mobile di dimensione M:
F ª

= ∑ K
¬ Pª+¬`F
84.
Il filtro di Kalman permette di stimare i parametri idraulici di normale utilizzo, in

modo tale che le portate eccessive e le variazioni di pressione possano essere
individuate.
La differenza tra la stima del filtro e la misura rappresenta proprio l’anomalia
presente in rete:

=
− |
85.
Tale anomalia si può anche esprimere come:

=
d1 − '
f 86.
Nel caso della portata tale residuo rappresenta direttamente la portata di perdita.
Per far partire l’algoritmo, 0|0
, Q0|0
, y0
, 0
devono essere inizializzati.
Per 0|0
si può assegnare direttamente il valore della prima misura, p.e.
0|0
= 1.01 ∙ 1
. In questo modo il livello di rumore assegnato al modello è
molto basso, per Q0|0
, y0
, 0
si può adottare il valore iniziale di 1. Questo
permette di tener conto dell’incertezza sia nel processo di predizione, che sia in
quello di stima. Nel caso si sia sicuri che le misure siano effettuate in una
condizione di assenza di perdite è possibile assegnare un valore di 0|0
molto
vicino a 1
, aumentando y0
e diminuendo 0
. In questo modo si aumenta
la velocità di convergenza del filtro. Non è consigliabile porre Q0|0
, y0
, 0
al
valore zero, perché in questo modo, il filtro sarà conforme al 100% al processo di
predizione o di misura, portando ad un’impossibilità di convergenza. Una volta
che il filtro è arrivato a convergenza, i parametri Q e R saranno aggiornati
automaticamente e saranno necessarie solo le misure correnti per l’output.
122
5.2.2.1 Applicazione ai dati di laboratorio
Applicando il filtro di Kalman ai dati di laboratorio si ottiene un andamento del

tipo mostrato in figura per i dati analizzati:
Figura 5-4: Andamento dei dati reali e di quelli ottenuti mediante il filtro di Kalman per la
misura di portata di monte
Figura 5-5: Andamento dei dati reali e di quelli ottenuti mediante il filtro di Kalman per la
misura di portata di valle
123
Applicando il test SPRT alla differenza, sia a monte che a valle, tra dati misurati e
dati stimati con il filtro di Kalman, verificando quando la differenza è
significativamente diversa da zero, si ottiene un risultato di questo tipo:
Figura 5-6: Applicazione del test SPRT alla differenza, sia a monte che a valle, tra dato misurato
e dato stimato con il filtro di Kalman
E’ evidente come i tempi di individuazione si riducano di ¼, passando da 4

minuti ad 1 minuto, per una perdita del 3%.
124
125
CAPITOLO 6
6 Definizione di una metodologia per la

valutazione della configurazione di perdita
tecniche di analisi probabilistiche
6.1 Introduzione
In questo capitolo si vuole mostrare come, mediante l’uso combinato delle
tecniche illustrate nei capitoli 2,3,4 e 5 sia possibile pervenire ad una valutazione
probabilistica della configurazione di perdita di una rete idraulica in pressione.
Si richiameranno, in modo sintetico, le peculiarità dell’applicazione SCEM-UA e
di quella SODA, mostrando come la loro implementazione in combinazione con
il dispositivo sperimentale illustrato nel capitolo 4 possa renderne più efficace
l’applicazione, oppure come possa essere parte integrante di un sistema di
monitoraggio completo in tempo reale.
6.2 La metodologia di valutazione della configurazione di

perdita
Al fine di pervenire ad uno studio organico della configurazione di perdita in
una rete idraulica in pressione, per ottenere una valutazione della distribuzione
delle portate transitanti in rete si può procedere attraverso le seguenti fasi:
1. Acquisizione degli elementi cartografici e geometrici della rete in analisi;
2. Ricognizione della strumentazione di misura disponibile e delle relative
precisioni;
3. Predisposizione preliminare di un modello numerico, senza punti di
perdita, per capire il comportamento teorico del sistema, determinando
un range di variazione per il coefficiente d’attrito;
126
4. Applicazione di campo del dispositivo sperimentale, descritto nel capitolo

precedente, al fine di individuare un numero finito di postazioni di
perdita potenziali, cui viene associato, sulla base dell’emissione sonora
rilevata, un range di variazione del coefficiente di perdita. Inoltre, sulla
base del segnale di pressione rilevato dal dispositivo, mentre percorre la
condotta, si possono individuare dei range di variazione del coefficiente
d’attrito localizzati per tratti, che potranno essere inseriti, al pari del
coefficiente di perdita, nell’analisi di ottimizzazione. In quanto
l’inserimento di nuovi parametri da calibrare non cambia niente
nell’impostazione teorica dell’analisi;
5. Implementazione del nuovo modello in cui sono inseriti i punti di perdita
potenziali, con i relativi range di variazione per il coefficiente di perdita
ed eventualmente anche quello d’attrito.
6. Implementazione del modello di ottimizzazione, da scegliere, sulla base
di considerazioni da effettuare caso per caso, tra quelli proposti.
7. Calcolo, sulla base dei coefficienti di perdita e d’attrito con maggiore
densità di probabilità, della configurazione di perdita più probabile, con
l’individuazione delle portate transitanti in ogni tronco della rete.
8. Calcolo delle fasce di confidenza della distribuzione di portate transitanti
in rete, utilizzando i parametri con densità di probabilità corrispondente
alla fascia di confidenza richiesta.
6.3 La metodologia di monitoraggio e valutazione delle

perdite
Al fine di pervenire ad uno studio organico della configurazione di perdita in
una rete idraulica in pressione, per ottenere una valutazione della distribuzione
delle portate transitanti in rete si può procedere attraverso le seguenti fasi:
1. Monitoraggio delle portate in ingresso e in uscita, con analisi SPRT con
Filtro di Kalman;
2. In caso di individuazione della perdita, si inserisce il dispositivo
sperimentale, descritto nel capitolo precedente, al fine di individuare la
postazioni di perdita potenziali, cui viene associato, sulla base
dell’emissione sonora rilevata, un range di variazione del coefficiente di
127
perdita. Inoltre, sulla base del segnale di pressione rilevato dal

dispositivo, mentre percorre la condotta, si possono individuare dei range
di variazione del coefficiente d’attrito localizzati per tratti, che potranno
essere inseriti, al pari del coefficiente di perdita, nell’analisi di
ottimizzazione. In quanto l’inserimento di nuovi parametri da calibrare
non cambia niente nell’impostazione teorica dell’analisi.
3. Implementazione del nuovo modello in cui sono inseriti i punti di perdita
potenziali, con i relativi range di variazione per il coefficiente di perdita
ed eventualmente anche quello d’attrito.
4. Implementazione del modello di ottimizzazione, da scegliere, sulla base
di considerazioni da effettuare caso per caso, tra quelli proposti.
5. Calcolo, sulla base dei coefficienti di perdita e d’attrito con maggiore
densità di probabilità, della configurazione di perdita più probabile, con
l’individuazione delle portate transitanti in ogni tronco della rete.
6. Calcolo delle fasce di confidenza della distribuzione di portate transitanti
in rete, utilizzando i parametri con densità di probabilità corrispondente
alla fascia di confidenza richiesta.
6.4 La scelta del modello di ottimizzazione

Come si è mostrato nei capitoli precedenti si possono effettuare differenti tipi di
applicazioni dell’analisi bayesiana per la valutazione della configurazione di
perdita:
• SCEM-UA+MODELLO IDRAULICO STAZIONARIO, già riportato con
esempi semplici in letteratura ed implementato, in questa tesi, per casi più
complessi
• SCEM-UA+MODELLO IDRAULICO IN MOTO VARIO, implementato
in questa tesi
• SODA+MODELLO IDRAULICO IN MOTO VARIO, implementato in
questa tesi
128
La prima soluzione è sicuramente quella di più semplice implementazione, ma

può non portare ad una sufficiente precisione di calcolo, quando i punti di
misura sono pochi e i parametri sono molti.
La seconda soluzione permette, invece, di ovviare a tale problema, utilizzando le
misure disponibili nel tempo, per la stessa postazione di misura.
L’inconveniente che potrebbe presentarsi, in questo caso, è legato essenzialmente
alla velocità con cui si sviluppano i fenomeni di moto vario. In particolare occorre
tener conto di come le modalità di misura delle grandezze idrauliche della rete,
ovvero la capacità delle strumentazioni di acquisire dati, rappresentano
fedelmente i fenomeni transitori in atto, evitando il fenomeno dell’aliasing.
6.4.1 Le incertezze idrauliche e il fenomeno dell’aliasing
I fenomeni di moto vario sono di norma generati da una variazione di portata,

provocata dall’entrata in funzione di un organo di regolazione. Aspetto
essenziale di questi movimenti è la continua variazione da istante a istante e da
sezione a sezione degli elementi che caratterizzano la corrente: portata e
pressioni.
Si possono avere due tipi di moto vario: il moto vario d’insieme e il moto vario
elastico.
Nel primo caso si ha una variazione di portata molto graduale, oppure si è nel
caso di condotte molto corte, dell’ordine massimo di qualche decina di metri,
dove è del tutto lecito trascurare il tempo di traslazione delle perturbazioni,
rispetto ad altri tempi in gioco; la trattazione analitica di questi processi di moto
vario, può essere condotta nell’ipotesi di valore infinito della celerità delle
perturbazioni, ammettendo quindi che il liquido sia incomprimibile e la condotta
indeformabile. Si ha, ammettendo l’assenza di resistenze, un periodo di
oscillazione pari a (Citrini-Noseda):
® = 2¯
°:

avendo indicato con L la lunghezza massima tra le due postazioni di misura in

ingresso e in uscita.
129
Quando, invece, le manovre sono veloci, non è più possibile prescindere dai
tempi di propagazione delle perturbazioni; il problema di moto vario va pertanto
impostato introducendo le proprietà elastiche del liquido e quelle del condotto
entro cui avviene il movimento. L’azione esercitata dalle resistenze è assai
limitata e presenta un’influenza di pratico interesse soltanto quando la condotta
ha lunghezza rilevante. Il periodo di oscillazione è (Marchi-Rubatta):
2M
®=

avendo indicato con c la celerità di propagazione delle perturbazioni e con L la
lunghezza tra le due postazioni di misura.
In una condotta reale, ma soprattutto in una rete di condotte, non è possibile
determinare in modo esatto ed inequivocabile il periodo di oscillazione, quindi è
necessario trattare questi aspetti in modo è statistico.
6.4.2 Tempi e frequenze di campionamento
La qualità dell’informazione sull’incertezza, veicolata da ciascun campione ed

espressa in termini di deviazione standard del campione stesso, è funzione della
dimensione stessa del campione.
Per l’incertezza strumentale al crescere della numerosità del campione tale valore
tende al suo valor medio, ovvero zero.
Per l’incertezza idraulica si hanno invece due fenomeni differenti:
1. Su una rete aperta, definiti i diversi percorsi tra ingresso e uscita, sia ha
che la frequenza di campionamento, in condizioni di moto vario elastico,
per evitare fenomeni di aliasing, debba essere:

± = 10 ÷ 20
∗ max ¶ ·
2M
con
4 ±] ∙]
= ∑OPF
*
dove ci è la celerità media pesata per la lunghezza di ciascun tratto,li,

compreso tra ingresso e uscita, di lunghezza complessiva Li .
Il tempo di osservazione, analogamente, è opportuno che sia almeno 10-
20 volte il massimo periodo di oscillazione del sistema:
2M
®± = 10 ÷ 20
∗ max ¶ ·

130
Da un punto di vista tecnologico, per sviluppare, però, un’analisi in tempi

molto brevi occorrerebbe fare affidamento su strumenti ad alta precisione
(<1%) in grado di fornire un’elevata rapidità di acquisizione, che permetta
di considerare, senza fenomeni di aliasing, le oscillazioni di moto vario
elastico.
Per esempio, nel caso del misuratore di portata elettromagnetico, si deve
tener conto dell’intervallo di processamento del dato (Fundamental
principles of Electromagnetic Flow Measurement- 3rd Edition by
Friedrich Hofmann, Dipl.-Ing), che non può scendere sotto un certo
valore, data la particolare forma ad onda quadra del segnale acquisito:
Figure 6-1: Intervallo di processamento del dato in un misuratore elettromagnetico
2. Se, invece, si ritiene valida l’ipotesi di moto vario d’insieme, che ha un

periodo di oscillazione maggiore, tale, quindi, da permettere un
campionamento con una frequenza minore.
Su una rete aperta, definiti i diversi percorsi tra ingresso e uscita, sia ha
che la frequenza di campionamento, in condizioni di moto vario
d’insieme, per evitare fenomeni di aliasing, debba essere
º:2'© ½
M
± = 10 ÷ 20
∗ max ¹ ¼
¹̧ 2¯ ¼
»
131
Il tempo di osservazione, analogamente, è opportuno che sia almeno 10-

20 volte il massimo periodo di oscillazione del sistema:
º ½
2¯
®± = 10 ÷ 20
∗ max ¹ ¼
¹̧ 2' ¼
: ©M
»
E’ da notare che all’aumentare della dimensione Li del sistema la

differenza tra i periodi e le frequenze di oscillazione di moto vario
d’insieme ed elastico tende a diminuire.
6.4.3 Le problematiche reali nell’acquisizione dei dati e la scelta del

modello di analisi bayesiana
Nei casi numerici analizzati finora, questo aspetto non è stato rilevante, ma nel
caso di un’applicazione reale lo è.
L’applicazione dell’algoritmo SCEM-UA con il modello di MOTO VARIO porta
ad una soluzione che punta alla massima convergenza globale dei dati in esame
e, in questo caso, il fenomeno dell’aliasing può giocare un ruolo fondamentale
nell’inficiare i risultati.
In generale, gli strumenti che presentano maggiori problematiche in questo
campo, sono quelli per la misura della portata, che, per avere elevate precisioni,
necessitano di un tempo di elaborazione più lungo.
Per evitare questa problematica nei casi reali, dove non è possibile utilizzare uno
strumento di portata con caratteristiche adeguate, è necessario utilizzare, sia per
l’impostazione delle condizioni al contorno, che per un raffronto, i dati di livello
o pressione, acquisibili, con le odierne tecnologie, in modo molto più rapido.
Infine, la terza soluzione è quella di maggiore avanguardia nel campo dell’analisi
bayesiana, anche se la sua implementazione richiede uno sforzo computazione
maggiore rispetto alle prime due, però presenta anche il vantaggio di poter tener
conto dell’incertezza del modello e, quindi, di una non corretta rappresentazione
della realtà a causa del fenomeno dell’aliasing, infatti qualora non sia possibile
fare le misure necessarie di pressione e livello, ma occorra sfruttare le misure di
portata disponibili, può risultare più utile utilizzare il terzo metodo, che permette
di tener conto, in modo separato, dell’incertezza dei parametri e di quella del
modello, connessa ai dati non rilevati in modo corretto.
132
6.5 Conclusioni e sviluppi futuri

Come accennato nell’introduzione, tra i diversi aspetti legati al controllo
dell’impianto di trasporto dell’acqua potabile, si è concentrato l’interesse sulla
possibilità di effettuare una valutazione della distribuzione delle perdite, che
rappresenta un problema importante sia per la caratterizzazione della qualità del
servizio, che per la gestione degli interventi di manutenzione.
Si è mostrato come, avendo a disposizione delle misure di portata e/o pressione
rilevate in rete, è possibile localizzare le perdite, calibrando un modello idraulico,
nel quale siano stati inseriti dei punti di efflusso torricelliano, atti a simulare la
perdita.
Partendo da una prima applicazione di questo tipo (Puust et al.,2006), che
prevede l’utilizzo dell’algoritmo SCEM-UA (Shuffled Complex Evolution
Metropolis Modified), realizzato da (Vrugt et al., 2003), in abbinamento ad un
modello di moto stazionario (EPANET), al fine di stimare la funzione di
probabilità a posteriori dei parametri di perdita incogniti, rappresentati dai
coefficienti di EMITTER, si è mostrato come l’utilizzo dell’algoritmo SCEM-UA
possa essere applicato anche ad un modello idraulico di moto vario, che permette
di utilizzare una serie di misure nel tempo, avendo così a disposizione un
maggior numero di punti di confronto e quindi una miglior adattamento
complessivo della stima.
Si è poi sottolineato come un modello, per quanto sofisticato, può fornire una
visione non perfettamente aderente alla realtà, in quanto, sia per la sua struttura
matematica di base, che per una non adeguata valutazione dei parametri, non
sempre restituisce, nel confronto con le misure reali, un output comparabile con
quest’ultime nel range di variabilità dell’errore di misura.
Si è avvertita, pertanto, l’esigenza di valutare, in modo separato, da una parte la
capacità predittiva del modello, definibile man mano che si acquisiscono dati
dalla realtà, dall’altra la stima dei parametri come già evidenziato
precedentemente.
In secondo luogo, si è analizzato, quindi, come poter separare le diverse
componenti dell’incertezza, in particolare si è mostrato lo sviluppo di una
metodologia, che permetta di separare l’incertezza del modello da quella dei
133
parametri, utilizzando le tecniche di analisi sequenziale di assimilazione dei dati

(Sequential Data Assimilation techniques–SDA techniques).
In contrasto con le strategie di calibrazione classiche, i metodi SDA eseguono un
aggiornamento continuo delle variabili di stato nel modello, quando nuove
misure divengono disponibili, al fine di aumentare la capacità predittiva del
modello e di valutarne l’incertezza di stima. Per estendere l’utilità e
l’applicabilità delle tecniche SDA alla modellazione idraulica delle perdite, si è
utilizzata una metodologia che non solo aggiorna, in modo ricorsivo, le variabili
di stato, ovvero i dati misurati, ma simultaneamente stima i parametri del
modello.
L’algoritmo (SODA) utilizzato (Vrugt et al., 2005) si basa su un metodo che
combina le potenzialità delle tecniche di SDA, con quelle dell’algoritmo SCEM-
UA (Vrugt et al., 2003), insieme al potere e l’efficienza computazionale del filtro di
Kalman d’insieme (Ensemble Kalman Filter - EnKF), proposto da (Evensen, 1994),
basato sull’utilizzo dei metodi Monte Carlo per generare un insieme di traiettorie
del modello, dalle quali viene stimata l’evoluzione temporale della densità di
probabilità a posteriori e le relativa covarianza di errore.
L’applicazione di queste tecniche si è mostrata essere, però, molto onerosa dal
punto di vista computazionale, soprattutto al crescere delle dimensioni e delle
variabili del sistema in studio, nonché molto sensibile al corretto posizionamento
dei punti di perdita e all’assegnazione di più o meno ampi range di variabilità
per i valori dei coefficienti.
In terzo luogo, quindi, per far fronte a questa problematiche, è stato progettato,
in via preliminare, un prototipo di dispositivo di controllo galleggiante, libero di
muoversi nell’acqua lungo la rete, che contiene al suo interno un sensore di
pressione e un sensore acustico. Il sensore di pressione permette di conoscere la
posizione del sensore, nota la geometria della rete, mentre il sensore acustico
rileva il rumore presente, correlabile all’intensità della perdita. Dall’analisi
successiva del segnale di pressione e del segnale acustico, si prelocalizza la
posizione delle perdite e si valuta il range di variazione dell’intensità. E’ da
notare che questo tipo di prototipo si pone come evoluzione migliorativa di uno
strumento commerciale esistente, che però basa il posizionamento del sensore su
un sistema meno affidabile, quale quello della giro-bussola.
134
Nel capitolo 5 si è mostrata un’applicazione che, utilizzando la combinazione di

due tecniche già presenti in letteratura, può migliorare i tempi d’individuazione
della formazione di una perdita.
Infine si è mostrato come le diverse tecniche presentate possono essere utilizzate
in combinazione, per definire una metodologia per il monitoraggio e la
valutazione della configurazione di perdita.
Gli sviluppi futuri, quindi, sono essenzialmente connessi alla sperimentazione e
al miglioramento di questo strumento di prelocalizzazione, in quanto, come è
stato mostrato con la sperimentazione numerica, l’affidabilità e la precisione di
un modello di individuazione delle perdite di tipo probabilistico dipendono
fortemente dall’accuratezza posta nella scelta della configurazione di perdita a
priori.
135
Bibliografia
Aggiornamento del Metodo Normalizzato Co.Vi.R.I. Documento di lavoro

ROMA, 25 Gennaio 2008 Proposta al Ministro dell’ambiente e della tutela del
territorio di revisione del D.M. 1° agosto 1996
Axworthy, D.H., and Karney, B.W. 1998. Transient analysis with time-decoupled
pumping station. ASCE Journal of Hydraulic Engineering, 124(3): 301–306.
Axworthy, D.H., Ghidaoui, M.S., and McInnis, D.A. 2000. Extended

thermodynamics derivation of energy dissipation in unsteady pipe flow. ASCE
Journal of Hydraulic Engineering, 126(4): 276–287.
B. Brunone, U.M. Golia, and M. Greco, Effects of Two-Dimensionality on Pipe-

Transient Modeling, Journal of Hydraulic Engineering, ASCE (pdf file available
on request), 121(12), 906-912, December 1995
B. Brunone, U.M. Golia, and M. Greco, Some Remarks on the Momentum

Equation for Fast Transients, Proc., Int. Conf. on 'Hydraulic Transients with
Water Column Separation', E. Cabrera and M.A. Fanelli (eds.), IAHR, Valencia,
Spain (pdf file available on request), 201-209, September 1991
Beck, M. B. (1985), Late eutrophication: Identification of tributary nutrient

loading and sediment resuspension dynamics, Appl. Math. Comput., 17, 433–
458.
Beck, M. B. (1987), Water quality modeling: A review of the analysis of

uncertainty, Water Resour. Res., 23, 1393–1442.
Beck, M. B., and P. C. Young (1975), A dynamic model for DO-BOD relationships
in a non-tidal stream, Water Res., 9, 769– 776.
136
Beck, S.M.B., Curren, M.D., Sims, N.D., Stanway, R., 2005. Pipeline network
features and leak detection by cross-correlation analysis of reflected waves.
Journal of Hydraulic Engineering, ASCE 131 (8), 715-723.
Bergant, A., and Tijsseling, A. 2001. Parameters affecting water hammer wave
attenuation, shape and timing. In Proceedings of the 10th International Meeting
of the Work Group on the Behaviour of Hydraulic Machinery Under Steady
Oscillatory Conditions, Trondheim, Norway, 26 June 2001. International
Bergant, A., Simpson, A.R., Vitkovsky´, J.P., 2001. Developments in unsteady

pipe flow friction modeling. Journal of Hydraulic Research, IAHR 39 (3), 249e257
Best practice performance indicators: a practical approach “IWA Water Loss

Task Force” Water 21 – Articolo n. 1-8
Bhave, P. R. (1988). "Calibrating Water Distribution Network Models." Journal of

Environmental Engineering, 114(1), 120-136.
Boulos, P. F., and Wood, D. J. (1990). "Explicit Calculation of Pipe-Network

Parameters." Journal of Hydraulic Engineering, ASCE, 116(11), 1329-1344.
Box, G. E. P., and Tiao, G. C. (1973). Bayesian Inference in Statistical Analyses,

Addison- Wesley-Longman, Reading, Massachusetts.
Brunone, B., 1999. Transient test based technique for leak detection in outfall
pipes. Journal of Water Resources Planning and Management, ASCE 125 (5),
302e306.
Brunone, B., 1999. Transient test based technique for leak detection in outfall
pipes. Journal of Water Resources Planning and Management, ASCE 125 (5),
302e306.
Brunone, B., and Golia, U.M. 1990. Improvements in modelling of water hammer
and cavitating flow in pipes. Experimental verification. In Proceedings of the
137
22nd Convegno Nazionale di Idraulica e Costuzioni Idrauliche, Cosenza, Italy.

October 1990. Vol. 4, pp. 147–160. [In Italian.]
Brunone, B., Ferrante, M., 2001. Detecting leaks in pressurised pipes by means of
transients. Journal of Hydraulic Research, IAHR 39 (5), 539e547.
Brunone, B., Golia, U.M., and Greco, M. 1991. Modelling of fast transients by
numerical methods. In Proceedings of the International Conference on Hydraulic
Transients with Water Column Separation, Valencia, Spain, 4–6 September 1991.
International Association of Hydraulic Engineering and Research, Madrid, Spain.
pp. 273–280.
Brunone, B., Golia, U.M., and Greco, M. 1995. Effects of twodimensionality of

pipe transients modeling. ASCE Journal of Hydraulic Engineering, 121(12): 906–
912.
Brunone, B., Karney, B.W., Mecarelli, M., and Ferrante, M. 2000. Velocity profiles
and unsteady pipe friction in transient flow. ASCE Journal of Water Resources
Planning and Management, 126(4): 236–244.
Bush, C. A., and Uber, J. G. (1998). "Sampling Design Methods for Water
Distribution Model Calibration." ASCE Journal of Water Resources Planning and
Management, 124(6), 334-344.
Chaudhry, M.H. 1987. Applied hydraulic transients. Van Nostrand Reinhold,

New York.
Chaudhry, M.H., 1987. Applied Hydraulic Transients. Van Nostrand Reinhold

Company Inc, New York.
Chelsea Technologies Group (1983): Subsea Pipeline Leak Detection
138
Colombo A. F.,Lee P., Karney B.W. (2009) A selective literature review of

transient-based leak detection methods Journal of Hydro-environment Research
2 (2009) 212e227.
Colombo, A. F. e Karney, B. W. (2002), "Energy and costs of leaky pipes:toward a

comprehensive picture." Journal of Water Resources Planning and Management,
ASCE, 128(6), pp. 441-450.
Covas, D., Ramos, H., 1999. Leakage Detection In Single Pipelines Using Pressure
Wave Behaviour. In: Fifth International Conference on Computing and Control in
the Water Industry (CCWI), Exeter, England, September 1999. Proceedings of
CCWI’99, Exeter, UK, 287e299, ISBN: 0-86380-248-6.
Covas, D., Ramos, H., Almeida, A.B., 2005. Standing wave difference methodfor
leak detection in pipeline systems. Journal of Hydraulic Engineering, ASCE 131
(12), 1106e1116
D.M. 8 gennaio 1997, n. 99 Regolamento sui criteri e sul metodo in base ai quali
valutare le perdite degli acquedotti e delle fognature G. U. Serie generale - n. 90
del 18-4-1997
de Schaetzen, W. (2000). "Optimal Calibration and Sampling Design for

Hydraulic Network Models," PhD Thesis, University of Exeter, Exeter.
de Schaetzen, W., Walters, G. A., and Savic, D. A. (2000). "Optimal Sampling

Design for Model Calibration Using Shortest Path, Genetic and Entropy
Algorithms." Urban Water Journal, 2, 141-152.
Decreto del Ministero dei LL.PP. 12/12/85 “Normativa tecnica per le tubazioni”
DM 1-08-96 Metodo normalizzato per definire le componenti di costo e
determinare la tariffa di riferimento
139
Duan, Q., Sorooshian, S., and Gupta, V. K. (1992). "Effective and Efficient Global
Optimisation for Conceptual Rainfall-Runoff Models." Water Resources
Research, 28(4), 1015-1031.
EPANET MATLAB Toolkit by Demetrios Eliades -

http://www.mathworks.com/matlabcentral/fileexchange/25100-epanet-
matlab-toolkit
Evaluation of measurement data – Guide to the expression of uncertainty in

measurement JCGM 100:2008
Evensen, G. (1994), Sequential data assimilation with a nonlinear

quasigeostrophic model using Monte Carlo methods to forecast error statistics, J.
Geophys. Res., 99, 10,143– 10,162.
Evensen, G. (1997), Advanced data assimilation for strongly nonlinear dynamics,

Mon. Weather Rev., 125, 1342– 1354.
Fantozzi M., Lambert A.O., Applicazione in Italia dei più recenti sviluppi nel
calcolo della frequenza economica di controllo perdite
Ferrante M., Brunone B, Meniconi S., 2007 Journal of Hydraulic Engineering,

Vol.133, No. 11, November 1, 2007. ©ASCE, ISSN 0733-9429/2007/11-1274–1282
Ferrante, M., Brunone, B., 2003. Pipe system diagnosis and leak detection by
unsteady-state tests. 2. wavelet analysis. Advances in Water Resources
26,107e116.
Ferrante, M., Brunone, B., 2004. Pressure waves as a tool for leak detection in
closed conduits. Urban Water Journal 1 (2), 145e156.
Ferreri, G. B., Napoli, E., and Tumbiolo, A. (1994). "Calibration of Roughness in
Water Distribution Networks." 2nd International Conference on Water Pipeline
Systems, Edinburgh, UK, 379-396.
140
Fletcher R. (2008)SMARTBALL - A NEW APPROACH IN PIPELINE LEAK

DETECTION- Proceedings of the International Pipeline Conference IPC2008
September 29 – October 3, 2008. Calgary, Alberta, Canada
Geiger G., Werner T., Matko D. (2003) Leak Detection and Locating – A survey.
Pipeline Simulation Interest Group p.20
Gelman, A., and Rubin, D. B. (1992). "Inference from iterative simulation using
multiple sequences." Statistical Science, 7, 457-472.
Ghidaoui, M. S., and Mansour, S., 2002, ‘‘Efficient Treatment of the Vardy-Brown
Unsteady Shear in Pipe Transients,’’ J. Hydraul. Eng. 128(1), pp. 102–112.
Goldberg, D. E. (1989). Genetic Algorithms in Search, Optimisation and Machine

Learning, Addison-Wesley, Reading, Massachusetts.
Goldstein M., (2006) Subjective Bayesian Analysis: Principles and Practice.

Bayesian Analysis.Number 3. pp 403-420.
Greco, M., and Del Guidice, G. (1999). "New Approach to Water Distribution
Network Calibration." Journal of Hydraulic Engineering, ASCE, 125(8), 849-854.
Hastings, W. K. (1970). "Monte Carlo sampling methods using Markov chains
and their applications." Biometrika, 57, 97-109.
Hebson, C., and E. F. Wood (1985), Partitioned state and parameter estimation for
real-time flood forecasting, Appl. Math. Comput., 17, 357–374.
Hough J.E., 1988, “Leak testing of pipelines uses pressure and acoustic velocity”,
Oil and Gas Journal, vol. 86, pp. 35-41.
International Vocabulary of Metrology – Basic and General Concepts and

Associated Terms VIM, 3rd edition, JCGM 200:2008
141
Ivetic´, M., Savic, D.A., 2002. Practical Implications of Using Induced Transients
for Leak Detection. In: 3rd World Water Forum, Kyoto, Session. Integrated River
Basin Environment Assessment.
Jonsson, L., 2001. Experimental Studies of Leak Detection using Hydraulic

Transients. In: 29th IAHR Congress Proceedings, IAHR, Sept. 16e21, 2001,
Beijing, China.
Jonsson, L., Larson, M., 1992. Leak detection through hydraulic transient
analysis. In: Coulbeck, B., Evans, E. (Eds.), Pipeline Systems. Kluwer Academic
Publishers, pp. 273e286
Kapelan Z, Savic DA, Walters GA. (2000) Inverse Transient Analysis in Pipe
Networks for Leakage Detection and Roughness Calibration, Water Network
Modelling for Optimal Design and Management, Exeter, Uk.
Kapelan Z., Savic D., Walters G. A., (2007) Calibration of Water Distribution
Hydraulic Models Using a Bayesian- Type Procedure, Journal of hydraulic
engineering ppn 927-936
Kapelan, Z. (2002). "Calibration of WDS Hydraulic Models," PhD Thesis,

University of Exeter, Exeter.
Kapelan, Z., Savic, D. A., and Walters, G. A. (2003). "Multi-objective Sampling

Design for Water Distribution Model Calibration." Journal of Water Resources
Planning and Management, ASCE, 129(6), 466-479.
Kapelan, Z., Savic, D. A., and Walters, G. A. (2004). "Incorporation of Prior
Information on Parameters in Inverse Transient Analysis for Leak Detection and
Roughness Calibration." Urban Water Journal, 1(2), 129-143.
142
Kapelan, Z., Savic, D. A., and Walters, G. A. (2005). "Optimal Sampling Design
Methodologies for Water Distribution Model Calibration." ASCE Journal of
Hydraulic Engineering, 131(3), 190-200.
Kapelan, Z., Savic, D. A., and Walters, G. A. (2005). Advanced calibration of

water distribution models using the Bayesian type procedure. Proceedings of
CCWI2005, Water Management for the 21st Century, University of Exeter, UK,
Volume 1, 167 – 172.
Kapelan, Z., Savic, D.A. and Walters, G.A. and Babayan, A. (2006): Risk and
Robustness based Solutions to Multiobjective Water Distribution System
Rehabilitation Problems under Uncertainty, Water Science & Technology, 53(1),
pp 61-75
Kapelan, Z.S., Savic, D.A., Walters, G.A., 2002. Hybrid GA for calibration of
water distribution models. In: Proc. EWRI, Roanoke, VA, May, 2002.
Kapelan, Z.S., Savic, D.A., Walters, G.A., 2003a. A hybrid inverse transient model
for leakage detection and roughness calibration in pipe networks. Journal of
Hydraulic Research, IAHR 41 (5), 481e492
Kapelan, Z.S., Savic, D.A., Walters, G.A., 2003b. Optimal sampling design for
calibration of transient network models using multi-objective gas. In: Cabrera,
Cabrera Jr., (Eds.), First International Conference on Pumps, Electromechanical
Devices and Systems (PEDS), April 22e25, 2003, Valencia, Spain. Pumps,
Electromechanical Devices and Systems Applied to Urban Water Management.
Swets & Zeitlinger, Lisse, ISBN 9058095606.
Kapelan, Z.S., Savic, D.A., Walters, G.A., 2004. Incorporation of prior information
on parameters in inverse transient analysis for leak detection and roughness
calibration. Urban Water Journal, 129e143. 1e2 June.
143
Karney, B.W., and McInnis, D. 1992. Efficient calculation of transient flow in

simple pipe networks. ASCE Journal of Hydraulic Engineering, 118(7): 1014–
1030.
Kijewski-Correa, T. and Kareem, A. (2007), “Performance of Wavelet Transform

and Empirical Mode Decomposition in Extracting Signals Embedded in Noise,”
Journal of Engineering Mechanics, ASCE, 133(7): 849-852. (PDF)
Kim, S.H., 2005. Extensive development of leak detection algorithm by impulse

response method. Journal of Hydraulic Engineering, ASCE 131 (3), 201e208.
Kitanidis, P. K., and R. L. Bras (1980a), Adaptive filtering through detection of

isolated transient errors in rainfall-runoff models, Water Resour. Res., 16, 740–
748.
Kitanidis, P. K., and R. L. Bras (1980b), Real-time forecasting with a conceptual

hydrological model: 1. Analysis of uncertainty, Water Resour. Res., 16, 1025–
1033.
Klein W. R., 1993, “Acoustic leak detection”, American Society of Mechanical
Engineers, Petroleum Division, 1993, vol.55, pp. 57-61.
Kleiner, Y. and Rajani, B. (2001). “Comprehensive review of structural

deterioration of water mains: statistical models”, Urban Water, 3(3), 157-176.
Kurmer J. P., Kingsley S. A., Laudo J. S., Krak S. J., “Applicability of a novel
distributed fibre optic acoustic sensor for leak detection”, Proceedings SPIE Vol.
1797, 1993, p63-71
Lambert A.O, Timothy.G. Brown, M. Takizaw , D. Weimer A Review of
Performance Indicators for Real Losses from Water Supply Systems IWA/AQUA
2000
144
Lambert, A. e Hirner, W. (2000), "Losses from water supply systems: standard

terminology and recommended performances measures." Blue pages, IWA, pp.
1-13.
Lansey, K. E., and Basnet, C. (1991). "Parameter Estimation for Water Distribution
Networks." ASCE Journal of Water Resources Planning and Management, 117(1),
126-144.
Lansey, K. E., El-Shorbagy, W., Ahmed, I., Araujo, J., and Haan, C. T. (2001).
"Calibration Assessment and Data Collection for Water Distribution Networks."
ASCE Journal of Hydraulic Engineering, 127(4), 270-279.
Lee, P., Lambert, M., Simpson, A., Vıtkovsky, J., 2006. Experimental verification
of the frequency response method of leak detection. Journal of Hydraulic
Research, International Association of Hydraulic Research 44 (5), 451e468
Lee, P., Vıtkovsky´, J., Lambert, M., Simpson, A., Liggett, J., 2005b. Leak location
using the pattern of the frequency response diagram in pipelines: a numerical
study. Journal of Sound and Vibration 284 (3e5), 1051e1073.
Lee, P.J., Vıtkovsky, J.P., Simpson, A.R., Lambert, M.F., Liggett, J.A., 2003.
Discussion to ‘‘Leak detection in pipes by frequency response method using a
step excitation, 2002, 40(1), 55e62.’’. Journal of Hydraulic Research, IAHR 41 (2),
221e223
Lee, P.J., Vitkovsky´, J.P., Lambert, M.F., Simpson, A.R., Liggett, J.A.,
2005a.Frequency domain analysis for detecting pipeline leaks. Journal
ofHydraulic Engineering, ASCE 131 (7), 596e604.
Legge Galli L. 5 gennaio 1994, n. 36. Disposizioni in materia di risorse idriche.
D.P.C.M. 4 marzo 1996
Liebman, J. C., Mays, L., Morgan, D. R., and Ormsbee, L. (1987). "Battle of the
145
Liggett, J.A., Chen, L.-C., 1994. Inverse transient analysis in pipe networks.
Journal of Hydraulic Engineering, ASCE 120 (8), 934e955.
Liou and Tian, 1995 J.C.P. Liou and J. Tian, Leak detection—Transient flow
simulation approaches, Journal of Energy Research and Technology 117 (1995),
pp. 243–248.
Mamdani E. H., Assilian S., 1975. An experiment in linguistic synthesis with a

fuzzy logic controller. Int.J. Man Mach.Stud. 7(1), p 1-13
McInnis, D.A., Karney, B.W., and Axworthy, D.H. 2003. TransAM reference
manual. HydraTek Solutions Inc., Ajax, Ont.
"Meniconi (2006). Caratterizzazione di sistemi di condotte in pressione mediante

prove in moto vario. TESI DI DOTTORATO IN INGEGNERIA CIVILE.
Università di Perugia
"
Metropolis, N., Rosenbluth, A. W., Rosenbluth, M. N., and Teller, A. H. (1953).
"Equations of state calculations by fast computing machines." Journal of
Chemical Physics, 21, 1087-1091.
Mpesha,W., Gassman, S.L., Chaudhry, M.H., 2001. Leak detection in pipes by

frequency response method. Journal of Hydraulic Engineering, ASCE 127 (2),
134e147
Nash, G.A., Karney, B.W., 1999. Efficient inverse transient analysis in series pipe
systems. Journal of Hydraulic Engineering, ASCE 125 (7), 761e764.
Network Models: Epilogue." ASCE Journal of Water Resources Planning and
Management, 113(2), 191-203.
Nixon, W., and Ghidaoui M.S. (2007). “A Numerical Sensitivity Study of
Unsteady Friction in Simple Systems with External Flows.” Journal of Hydraulic
Engineering, ASCE, 133(7), 736-749
146
Nixon, W., Ghidaoui, M., 2006. Range of validity of the transient damping
leakage detection method. Journal of Hydraulic Engineering, ASCE 132 (9),
944e957.
O. Hunaidi and Wing T. Chu (1999) Acoustical characteristics of leak signals in

plastic water distribution pipes. Applied Acoustics 58, pp. 235-254
"O. Hunaidi, A. Wang, M. Bracken, T. Gambino and C. Fricke (2004) Acoustic

methods for locating leaks in municipal water pipe networks (47062). NRC-
CNRC, Canada"
Ormsbee, L. E. (1989). "Implicit Network Calibration." ASCE Journal of Water

Resources Planning and Management, 115(2), 243-257.
Ormsbee, L. E., and Wood, D. J. (1986). "Explicit Pipe Network Calibration."

ASCE Journal of Water Resources Planning and Management, 112(2), 166-182.
Press,
Pezzinga, G. (2000) “Evaluation of Unsteady Flow Resistances by Quasi-2D or 1D

Models.” Journal of Hydraulic Engineering, ASCE, Vol. 126, 778-785
Pilcher, R. (2003). Leak detection practices and techniques: a practical approach.

Water 21, December 2003, pp 44-45.
Poulakis Z., Valougeorgis D., Papadimitriou C. (2003) Leakage detection in water

pipe networks using a Bayesian probabilistic framework. Probabilistic
Engineering Mechanics 18 pp315-327
Pudar, R.S., Liggett, J.A., 1992. Leaks in pipe networks. Journal of Hydraulic
Engineering, ASCE 118 (7), 1031e1046.
Puust R., Kapelan Z., Savic D., Koppel T., (2006) Probabilistic Leak Detection in
Pipe Networks Using the SCEM-UA Algorithm WDSA 2006
147
Rahal, C. M., Sterling, M. J. H., and Coulbeck, B. (1980). "Parameter Tuning for
Simulation Models of Water Distribution Networks." Proceedings of Institution
of Civil Engineers, Part 2, 751-762.
Rajani, B.B., and Kleiner, Y. 2001. Comprehensive review of structural

deterioration of water mains: physically based models. Urban Water, 3: 151-164.
Rizzo, P., Han, J., and *Ni, X. (2010). “Structural Health Monitoring of Immersed
Structures by Means of Guided Ultrasonic Waves,” Journal of Intelligent
Materials and Structures, accepted for publication.
Rossman, L. A. (2000). Epanet2 Users Manual, US EPA, Washington, USA.
Rougier J., (2005) Probabilistic Leak Detection in Pipelines Using the Mass
Imbalance Approach. Department of Mathematical Sciences, University of
Durham. UK.
Rougier J., (2008) Formal Bayes Methods for Model Calibration with uncertainity.
Applied uncertainty analysis for flood risk management. Imperial College Press.
World Scientific 2008.
Rougier J., Goldstein M., (2001) A Bayesian analysis of fluid flow in pipe-lines.
Applied Statistic 50, Part 1, pp77-93
Scott S.L., Barrufet M.A. (2003) Project Report for the Minerals Management
Service. Worldwide Assessment of Industry Leak Detection Capabilities for
Single &Multiphase Pipelines.
Shamir, U., and Howard, C. D. D. (1968). "Water Distribution Systems Analysis."
ASCE Journal of the Hydraulic Division, 94(1), 219-234.
148
Silva H.V., Morooka C.K., Guilherme I.R., Fonseca T.C., Mendes J. R.P. (2005)
Leak detection in petroleum pipelines using a fuzzy system. Journal of Petroleum
Science and Engineering 49. pp 223-238
Silva, R., Buiatta, C., Cruz, S., Pereira, J., 1996. Pressure wave behaviour and leak
detection in pipelines. Computers and Chemical Engineering 20, S491-S496.
Silva-Araya, W.F., and Chaudhry, M.H. 1997. Computation of energy dissipation

in transient flow. ASCE Journal of Hydraulic Engineering, 123(2): 108–115.
Stoianov, I., Karney, B., Covas, D., Maksimovic, C., Graham, N., 2002. Wavelet
Processing of Transient Signals for Pipeline Leak Location and Quantification. In:
1st Annual Environmental & Water Resources Systems Analysis Symposium in
conjunction with ASCE Environmental & Water Resources Institute Annual
Conference, Roanoke, Virginia, USA
Suo, L., Wylie, E.B., 1989. Impulse response method for frequency-dependent
pipeline transients. Journal of Fluids Engineering, Transactions of the ASME 111
(4), 478e483
Thiemann, M., M. Trosset, H. Gupta, and S. Sorooshian (2001), Bayesian recursive

parameter estimation for hydrological models, Water Resour. Res., 37, 2521–
2535.
Turner N. C., “Hardware and software techniques for pipeline integrity and leak
detection monitoring”, Proceedings of Offshore Europe 91, Aberdeen, Scotland,
1991
Vardy, A. E., and Hwang, K. L., 1991, ‘‘A Characteristic Model of Transient
Friction in Pipes,’’ J. Hydraul. Res. 29~5!, pp. 669–685.
Vardy, A. E., and Hwang, K. L., 1991, ‘‘A Characteristic Model of Transient
Friction in Pipes,’’ J. Hydraul. Res. 29~5!, pp. 669–685.
149
Vardy, A.E., andB rown, J.M.B. (1995). Transient, turbulent, smooth pipe flow.
Journal of Hydraulic Research, IAHR, 33(4), 435-456.
Vardy, A.E., Hwang, K.L., and Brown, J.M.B. 1993. A weighting function model
of transient turbulent pipe friction. Journal of Hydraulic Research, 31(4): 533–548.
Vitkovsky, J. P., Liggett, J. A., Simpson, A. R., and Lambert, M. F. (2003).

"Optimal Measurement Site Locations for Inverse Transient Analysis in Pipe
Networks." ASCE Journal of Water Resources, Planning and Management,
129(6).
Vıtkovsky, J., Lambert, M.F., Simpson, A.R., Liggett, J.A., 2007. Experimental
observation and analysis of inverse transients for pipeline leak detection. Journal
of Water Resources Planning and Management, ASCE 133 (6), 519e530
Vitkovsky, J.P., Lee, P., 2008. Discussion to ‘‘standing wave difference method for
leak detection in pipeline systems’’ by Covas, D., Ramos, H.M., Almeida, A.B.
Journal of Hydraulic Engineering, ASCE 134 (7), 1027e1029
Vitkovsky, J.P., Lee, P.J., Stephens, M.L., Lambert, M.F., Simpson, A.R., Liggett,
J.A., 2003b. Leak and blockage detection in pipelines via animpulse response
method. In: Cabrera, E., Cabrera Jr., E. (Eds.), Pumps, Electromechanical Devices
and Systems Applied to Urban WaterManagement, vol. I, pp. 423e430. 22e25
April, Valencia, Spain
Vitkovsky, J.P., Simpson, A.R., Lambert, M.F., 2000. Leak detection and
calibration of water distribution systems using transients and genetic algorithms.
Journal of Water Resources Planning and Management, ASCE 126 (4), 262e265.
Vitkovsky´, J.P., Liggett, J.A., Simpson, A.R., Lambert, M.F., 2003. Optimal
measurement site locations for inverse transient analysis in pipe networks.
Journal of Water Resources Planning and Management, ASCE 129 (6), 480e491.
150
Vitkovsky´, J.P., Simpson, A.R., Lambert, M.F., May 2002. Minimization

Algorithms and Experimental Inverse Transient Leak Detection. EWRI, Roanoke
VA.
Vitkovsky´, J.P., Simpson, A.R., Lambert, M.F., May 2002. Minimization

Algorithms and Experimental Inverse Transient Leak Detection. EWRI, Roanoke
VA.
Vitkovsky´, J.P., Stephens, M., Bergant, A., Simpson, A.R., Lambert, M.F., 2006.
Numerical error in weighting function-based unsteady friction models for pipe
transients. Journal of Hydraulic Engineering, ASCE 132 (7), 709e721
Vrugt, J. A., C. G. H. Diks, H. V. Gupta, W. Bouten, and J. M. Verstraten (2005),

Improved treatment of uncertainty in hydrologic modeling: Combining the
strengths of global optimization and data assimilation, Water Resour. Res., 41,
W01017, doi:10.1029/2004WR003059.
Vrugt, J. A., Gupta, H. V., Bouten, W., and Sorooshian, S. (2003). "A Shuffled
Complex Evolution Metropolis Algorithm for Optimisation and Uncertainty
Assessment of Hydrologic Model Parameters." Water Resources Research, 39(8),
1-16.
Vrugt, J. A., W. Bouten, H. V. Gupta, and S. Sorooshian (2002), Toward improved

identifiability of hydrologic model parameters: The information content of
experimental data, Water Resour. Res., 38(12), 1312, doi:10.1029/2001WR001118.
Wagener, T., N. McIntyre, M. J. Lees, H. S. Wheater, and H. V. Gupta (2003),

Towards reduced uncertainty in conceptual rainfall-runoff modeling: Dynamic
identifiability analysis, Hydrol. Processes, 17, 455– 476.
Wald A., (1945) Sequential Test of Statistical Hypotheses. The annals of

Mathematical Statistics, Vol.16, No.2, pp.117-116
151
Walski, T. M. (1983). "Technique for Calibrating Network Models." ASCE Journal

of Water Resources Planning and Management, 109(4), 360-372.
Walski, T. M., Brill, E. D., Gessler, J., Goulter, I. C., Jeppson, R. M., Lansey, K.,
Lee, H. L.,
Wang, X.J., Lambert, M.F., Simpson, A.R., Liggett, J.A., Vitkovsky´, J.P., 2002.
Leak detection in pipelines using the damping of fluid transients. Journal of
Hydraulic Engineering, ASCE 128 (7), 697e711.
Watters, G.Z. 1984. Analysis and control of unsteady flow in pipelines.

Butterworth, Boston, Maine.
Whaley R.S., Nicholas R.E., Van Reet, (1992)Tutorial on software based leak
detection techniques, Pipeline Simulation Interest Group p.19
Wieczorek S. Leakage and Blockage Detection in Two-Phase Subsea Pipelines by

Pressure Pulse Technology Diploma Thesis Norwegian University of Science and
Technology Department of Petroleum Engineering and Applied Geophysics 2003
Wylie, E.B., and Streeter, V.L. 1993. Fluid transients in systems. Prentice-Hall,
Inc., Englewood Cliffs, N.J.
Wylie, E.B., Streeter, V.L., 1993. Fluid Transients in Systems. Prentice Hall,
Englewood Cliffs, New Jersey, USA
Young, P. C. (1986), Time-series methods and recursive estimation in
hydrological systems analysis, in River Flow Modeling and Forecasting, edited
by D. A. Kraijenhoff and J. R. Moll, pp. 129–180, Springer, New York.
Young, P. C. (2001), Data-based mechanistic modeling and validation of rainfall-

flow processes, in Model Validation, edited by M. G. Anderson and P. G. Bates,
pp. 117–161, John Wiley, Hoboken, N. J.
152
Young, P. C., and M. B. Beck (1974), The modeling and control of water quality in
a river system, Automatica, 10, 455– 468.
Zeilke, W. 1968. Frequency-dependent friction in transient pipe flow.

Transactions of the ASME, Series D, Journal of Basic Engineering, 90(1): 109–115.
Zhang X. J. (1997): Designing a Cost-effective and Reliable Pipeline Leak

Detection System, Pipes & Pipelines International, January-February, p20-26.
Zhang X.J. (1993) Statistical leak detection in gas and liquid pipelines. Pipes &
Pipelines International, July-August 1993, p26-29
Zhao, M., and Ghidaoui, M. S., 2003, ‘‘An Efficient Solution for Quasi-Two-
Dimensional Water Hammer Problems,’’ J. Hydraul. Eng., 129~12!, pp. 1007–
1013.
153

Tesi Dottorato - Ing Laura Rubeo PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Tesi Dottorato - Ing Laura Rubeo PDF

Uploaded by

Copyright:

Available Formats

Valutazione

della configurazione di perdita in una

Any approach to scientific inference which seeks to legitimize an answer in

Scuola di dottorato in Ingegneria Civile e Architettura

Responsabile scientifico Dottoranda

1.1 Introduzione ..................................................................................................... 9

1.2 Tecniche per la valutazione dell’entità delle perdite, mediante misure di

1.2.1 Analisi in condizioni statiche ................................................................. 9

1.2.2 Approccio dell’IWA ............................................................................... 10

1.2.3 Il metodo del bilancio di volume classico........................................... 10

1.2.4 Metodo del bilancio di volume con analisi statistica ........................ 11

1.2.5 Metodo del bilancio di volume con analisi fuzzy.............................. 12

1.2.6 L’Analisi con filtro di Kalman delle portate ....................................... 12

1.3 Tecniche per la valutazione dell’entità delle perdite, mediante misure di

1.3.1 Il Bilancio di Volume Compensato ...................................................... 13

1.3.2 L’Analisi della Deviazione .................................................................... 14

1.4 Tecniche per la valutazione dell’entità e della posizione delle perdite,

1.4.1 Analisi del decadimento della pressione (Wave rarefaction method)

1.4.2 Analisi nel dominio della frequenza ................................................... 15

1.4.3 Analisi transitoria diretta ...................................................................... 20

1.4.4 Tecniche avanzate di studio del segnale di pressione ...................... 22

1.4.5 L’analisi inversa...................................................................................... 23

1.4.6 Sviluppi ulteriori al modello transitorio ............................................. 27

1.4.7 L’influenza del coefficiente d’attrito nell’analisi dei transitori ........ 28

1.4.8 L’approccio Bayesiano all’analisi inversa ........................................... 31

1.4.9 Tecniche per la valutazione dell’entità e della posizione delle

1.4.10 Tecniche per la valutazione dell’entità e della posizione delle

2 Valutazione della configurazione di perdita in una rete idraulica in pressione

2.1 Introduzione ................................................................................................... 35

2.2 L’impostazione bayesiana nella calibrazione dei modelli ........................ 35

2.3 La calibrazione dei modelli di perdita ........................................................ 38

2.4 L’approccio probabilistico ai modelli di perdita ....................................... 39

2.4.1 Applicazione ad una condotta semplice teorica ................................ 43

2.4.2 Applicazioni per i casi reali: i principi teorici, il metodo di analisi e

2.4.3 Considerazioni finali.............................................................................. 88

3 Valutazione della configurazione di perdita in una rete idraulica in pressione

3.1 Introduzione ................................................................................................... 90

3.2 La formulazione inversa nel tempo ............................................................. 93

3.3 I metodi di assimilazione sequenziale ........................................................ 95

3.4 Il filtro di kalman d’insieme (EnKF) ............................................................ 97

3.5 La simulazione dell’errore stocastico di modello ...................................... 98

3.6 Applicazione sul sifone del Peschiera tra il serbatoio di Collelungo e

3.7 Applicazione sulla dorsale principale dell’acquedotto del Simbrivio.. 103

3.8 Considerazioni conclusive .......................................................................... 107

4 Definizione preliminare di un dispositivo sperimentale per la

4.1 Introduzione ................................................................................................. 109

4.2 I principi di funzionamento ........................................................................ 109

4.3 I dispositivi utilizzati ................................................................................... 110

5 Analisi probabilistica in tempo reale delle portate ......................................... 113

5.1 Introduzione ................................................................................................. 113

5.2 Analisi statistica in tempo reale delle portate .......................................... 113

5.2.1 Il test delle probabilità sequenziali .................................................... 114

5.2.2 Analisi con il filtro di Kalman delle misure di portata e di pressione

6 Definizione di una metodologia per la valutazione della configurazione di

6.1 Introduzione ................................................................................................. 126

6.2 La metodologia di valutazione della configurazione di perdita ........... 126

6.3 La metodologia di monitoraggio e valutazione delle perdite ............... 127

6.4 La scelta del modello di ottimizzazione ................................................... 128

6.4.1 Le incertezze idrauliche e il fenomeno dell’aliasing ....................... 129

6.4.2 Tempi e frequenze di campionamento ............................................. 130

6.4.3 Le problematiche reali nell’acquisizione dei dati e la scelta del

6.5 Conclusioni e sviluppi futuri ...................................................................... 133

L’acqua potabile è una risorsa preziosa per la collettività e necessita di essere

" − " = #$%2'ℎℓ

" ≡ " + . " ≡ " + 11.

Pr ℓ, #, /|" , " ,