Applicare l’AI al settore del trasporto, due casi pratici

Machine Learning e modelli predittivi di AI per ottimizzare processi ed esplorare rischi associati a scenari inediti in ambito dei trasporti. Il primo caso d’uso riguarda un modello di intelligenza artificiale in grado di pesare i treni in maniera dinamica, ovvero al loro passaggio su rotaia. Il secondo progetto è relativo allo sviluppo di un framework per l’analisi e prevenzione dei rischi per i sistemi a idrogeno per il trasporto ferroviario e navale.

Li ha sviluppati Aramix, player specializzato in AI e modelli di data science descrittivi, predittivi e prescrittivi per migliorare l’efficienza dei processi gestionali e industriali.

AI nel settore del trasporto: una soluzione per la pesa dinamica del treno

Aramix, appartenente al gruppo Datrix, è una realtà specializzata nello sviluppo di algoritmi e modelli per l’analisi delle performance di sistemi e componenti industriali, è riuscita con entrambi i progetti a sviluppare framework innovativi, in grado di fornire output anche in mancanza di dati e in scenari complessi e ancora poco noti nel mondo reale e in letteratura. La soluzione, tramite modelli di Machine learning, è in grado di effettuare una pesa dinamica del treno. L’attività di pesa del treno viene ancora eseguita in maniera statica, attraverso cioè un processo oneroso in termini di tempo ed efficienza.

La pesa statica viene infatti effettuata su binari appositi, presso cui il treno deve stazionare durante tutto il processo. Questo comporta una deviazione del mezzo e richiede diverso tempo di stallo per la pesatura. Per questo motivo è un processo che non viene effettuato molto spesso.

“La stima del peso del treno viene fatta in modo qualitativo, cioè si fa riferimento a quanto dichiara il cliente, ovvero l’azienda che trasporta la merce” afferma Michele Compare, CTO di Aramix. “Il peso definisce il valore del trasporto, perché incide sul costo” continua.

Le principali variabili che definiscono il costo del trasporto su rotaia sono l’orario, il traffico sulla tratta, la durata e il peso complessivo. Il peso rappresenta un fattore di costo importante perché influisce sull’usura delle rotaie e la quantità di energia necessaria a muovere il mezzo, oltre che avere un impatto sulla sicurezza dell’infrastruttura. “Ci sono delle norme per quanto riguarda i pesi che può sopportare un’infrastruttura. Per esempio, non si può trasportare oltre un certo valore di peso per asse, per non sollecitare eccessivamente il binario – spiega Compare. “Nasce da qui l’esigenza di sviluppare un processo di pesa dinamica, veloce ed efficiente, in grado di pesare il treno durante il transito sui binari”.

La soluzione, sviluppata in collaborazione con il committente, si propone quindi di ottimizzare il processo di rilevazione del peso di un treno, rendendo di fatto possibile la pesa del mezzo al passaggio sulla rotaia.

Per realizzare tale soluzione ci si è avvalsi di sensori installati dal committente, gestore della rete ferroviaria, sviluppati attraverso un processo di lavoro sinergico fra le due aziende.

Aramix si è occupata quindi di realizzare l’applicativo software in grado di calcolare, attraverso i dati rilevati dai sensori, il peso del treno in transito.

Un modello di Machine Learning self-supervised

“La difficoltà maggiore per lo sviluppo di un modello di stima del peso del treno è rappresentata dai pochi dati etichettati disponibili”, afferma Compare. A fronte dei pochi dati di peso rilevati attraverso la pesatura statica, l’azienda ha a disposizione un’elevata quantità di dati non etichettati, rilevati attraverso i sensori installati su rotaia.

“Sull’infrastruttura passa circa un treno ogni 5 minuti, quindi avevamo a disposizione un gran numero di dati non etichettati, e pochi dati etichettati. Abbiamo quindi sviluppato un approccio che noi definiamo self-supervised– spiega Compare – abbiamo cioè utilizzato i dati non supervisionati per rilevare le caratteristiche del segnale e adattato queste caratteristiche ai dati supervisionati”.

Attraverso il modello di Machine learning self-supervised, Aramix è stata in grado di definire una metodologia di pesatura del treno sull’asse certificata con una classe di tipo 10.

Affinché una qualsiasi metodologia di pesa del treno possa essere applicata è necessaria infatti una certificazione, che rileva il grado di errore della nuova metodologia rispetto alla pesa statica.

Distribuzione dell’errore nella pesa dinamica

La classe numerica identifica la percentuale di errore rilevato. Attualmente Aramix punta a incrementare la classe di certificazione della pesa su singola ruota.

La soluzione, ad alto valore aggiunto per i player del settore, si propone di ottimizzare un processo ad oggi costoso in termini di tempo e risorse, ma può essere applicata anche ad altri use case e a settori differenti che richiedono modelli di intelligenza artificiale in grado di mettere in relazione dati etichettati con dati non etichettati.

L’analisi del rischio tramite AI per il trasporto a idrogeno

Nell’elaborazione di modelli di intelligenza artificiale in contesti incerti e in mancanza di dati, ci si spinge ancora oltre in un progetto riguardante il trasporto a idrogeno.

Aramix ha sviluppato un framework per l’analisi del rischio delle infrastrutture per il trasporto ferroviario e navale a idrogeno; dove per infrastruttura si intende la produzione, stoccaggio, rifornimento e trasporto vero e proprio.

Con la transizione verso fonti di energia più sostenibili, l’idrogeno rappresenta uno dei futuri scenari per il trasporto, ma risulta ancora poco conosciuto ed esplorato. “Il cambio di tecnologia”, afferma Compare, “fa sì che si tratti di scenari ancora poco noti. Non si hanno a disposizione molti dati sui rischi e sui problemi che si potrebbero verificare negli impianti a idrogeno”.

“Al momento – continua il CTO di Aramix – stiamo integrando le tecniche tradizionali relative agli standard di sicurezza degli impianti non a idrogeno con l’identificazione di eventi e rischi non noti attraverso l’applicazione di modelli di AI”.

L’obiettivo e di identificare i rischi, ma anche elaborare le tipologie di barriere e sistemi di sicurezza in grado di prevenire e gestire tali fattori di rischio.

“I dati a nostra disposizione sono il progetto su carta dell’impianto e i modelli noti in letteratura – dice Compare – tramite tecniche di analisi del rischio strutturiamo scenari di causa ed effetto, identifichiamo le barriere che possono essere installate e il loro grado di efficacia”.

Framework tradizionali per l’analisi del rischio

Lo scopo del progetto è quello di sviluppare un framework per l’analisi del rischio in grado di modellare uno scenario complesso e nuovo come quello dell’introduzione dell’idrogeno come carburante.

In una prima fase, Aramix ha sviluppato un modello basato su metodologie tradizionali e robuste:

• Hazid: analisi per identificare rischi rilevanti nelle infrastrutture in esame.
• Hazop: analisi per valutare la deviazione dei parametri dei processi e le implicazioni in termini di sicurezza.
• Fmeca: per analizzare i possibili fallimenti, le cause e i loro effetti sull’infrastruttura.

In aggiunta a queste analisi, l’azienda ha sviluppato un modello Computational Fluid Dynamic (CFD) per simulare il comportamento dell’idrogeno in caso di perdita, che ha i seguenti obiettivi:

• valutare l’adozione di barriere di sicurezza.
• confermare o rimuovere i rischi valutati dal committente.
• inferire considerazioni generali applicabili a diverse tipologie di infrastrutture.

Configurazione della struttura per un treno bloccato all’interno di un tunnel

Il framework di Aramix per l’analisi dei rischi

Aramix si è spinta oltre i metodi tradizionali di analisi del rischio, sviluppando un proprio framework per la previsione di scenari complessi e ancora poco conosciuti, composto da tre componenti:

• Systems Theoretic Accident Modeling and Processes (STAMP): utilizzato per descrivere le linee guida della valutazione del rischio quantitativo. STAMP è un framework qualitativo per la valutazione degli incidenti che tratta il sistema nella sua interezza invece che nei suoi singoli componenti.
• Goal Tree Success Tree – Master Logic Diagram (GTST-MLD): sviluppato per modellare e quantificare l’impatto di incidenti dovuti all’idrogeno nel sistema. Si tratta di un modello goal-oriented basato su un framework gerarchico che richiede una conoscenza approfondita dei componenti del sistema e le loro interazioni.
• Modeling and Simulation (M&S): sfrutta l’intelligenza artificiale per investigare i comportamenti in caso di incidente. Modeling and Simulation esegue analisi dinamiche quantificando le deviazioni di processo, identificando le relazioni causa-effetto e le interazioni fra i diversi componenti del sistema.

Esempio di struttura di un GTST-MLD nel framework STAMP

L’output del complesso framework è rappresentato da un’analisi quantitativa del rischio e da informazioni probabilistiche relative all’affidabilità del sistema e la sua capacità di raggiungere gli obiettivi prefissati.

Aramix ha implementato anche un modello causale rappresentato da una rete Bayesiana per lo studio di eventuali unknowns dovuti alla scarsità di dati e di scenari reali di infrastrutture a idrogeno. Il modello causale permette di studiare il comportamento dell’idrogeno se rilasciato in ambiente chiuso e le dinamiche ancora sconosciute dell’idrogeno legate alla prevenzione di incendi ed esplosioni.

L’intelligenza artificiale per l’esplorazione degli unknowns

Attraverso l’expertise e l’esperienza nello sviluppo di modelli di AI e probabilistici in ambito industriale, Aramix dimostra come l’intelligenza artificiale possa essere applicata anche in contesti in cui i dati sono mancanti o parziali. L’innovazione offerta dall’intelligenza artificiale si spinge quindi oltre gli scenari finora conosciuti, modellando e inferendo realtà future, a supporto della visione e progettualità dell’uomo.