Analisi del rischio AI-based per i trasporti alimentati a idrogeno

La transizione verso fonti di energia più sostenibili è diventata una priorità globale. In questo contesto, l’uso dell’idrogeno come carburante rappresenta un’opzione promettente per il settore dei trasporti.

Tuttavia, a causa della sua relativa novità e dell’instabilità chimica, l’introduzione dell’idrogeno come fonte di energia nel trasporto ferroviario richiede un’attenta valutazione dei rischi associati e la progettazione di adeguate misure di sicurezza.

Per affrontare questa sfida, il team di Aramix ha sviluppato un framework basato sull’uso dell’intelligenza artificiale per analizzare e gestire i rischi delle infrastrutture ferroviarie alimentate ad idrogeno. Questo framework copre l’intero ciclo di vita dell’elemento, inclusi la produzione, lo stoccaggio, il rifornimento e il trasporto. 

Potete leggere il caso studio completo qui. 

Idrogeno, trasporto ferroviario e dati

Uno dei principali ostacoli nell’affrontare i rischi associati all’idrogeno nel trasporto ferroviario è la mancanza di dati esaustivi e di esperienza pratica su questi impianti. Pertanto, abbiamo integrato le tradizionali tecniche di analisi del rischio con l’applicazione di modelli di intelligenza artificiale per identificare eventi e rischi sconosciuti, anche detti “unknowns“. Questa integrazione consente di strutturare scenari di causa ed effetto, identificare barriere di sicurezza e valutarne l’efficacia on paper, cioè sulla carta.

Il framework sviluppato da Aramix conta 3 componenti e fasi essenziali: 

1. In primo luogo, vengono utilizzate metodologie tradizionali e robuste come l’analisi HAZID, l’analisi HAZOP e l’analisi FMECA per identificare i rischi rilevanti, valutare le deviazioni dei parametri di processo e analizzare i possibili fallimenti e le relative cause ed effetti sull’infrastruttura. In aggiunta a queste analisi tradizionali e al fine di comprendere meglio la fenomenologia, abbiamo sviluppato anche un’attività complementare, sviluppando un modello basato sulla Computational Fluid Dynamics (CFD) per simulare il comportamento fisico dell’idrogeno in caso di perdite. Questo modello, unito alla expert knowledge disponibile e alla parziale letteratura scientifica reperibile sull’argomento, permette di valutare l’adozione di barriere di sicurezza e di confermare o rimuovere i rischi valutati inizialmente. Inoltre, consente di ottenere considerazioni generali che possono essere applicate a diverse tipologie di infrastrutture;
2. inoltre, viene integrato un approccio innovativo, utilizzando il Systems Theoretic Accident Modeling and Processes (STAMP), un framework qualitativo per la valutazione degli incidenti che considera il sistema nella sua interezza che permette di individuare i possibili scenari incidentali ed il loro possibile impatto (nel caso specifico avendo un focus sulla presenza di Idrogeno) da analizzare in relazione agli hazard, alle possibili loss di sistema e alla gestione del controllo. Nel framework individuato viene anche considerato lo sviluppo del  Goal Tree Success Tree – Master Logic Diagram (GTST-MLD), un modello gerarchico orientato agli obiettivi che quantifica l’impatto di incidenti causati dall’idrogeno nel sistema. Questo altro modello, sebbene parta da presupposti differenti rispetto allo STAMP può permettere di ottenere una visione quali-quantitativa ad esso complementare incentrata sull’affidabilità e sulla disponibilità di sistema.
3. infine, il modello Modeling and Simulation (M&S), utilizza l’intelligenza artificiale per studiare e analizzare il comportamento in caso di incidenti. Attraverso l’adozione di modelli di inferenza causale, la fase di M&S quantifica le deviazioni di processo e identifica le relazioni causa-effetto e le interazioni tra i vari componenti del sistema. In sostanza, questo modulo ci consente di simulare e valutare come il sistema risponderà in situazioni di emergenza, consentendo una comprensione più approfondita dei potenziali rischi e delle possibili misure preventive da adottare.

Conclusioni e output: come raffigurare modelli probabilistici complessi 

L’output di questo multiforme framework di analisi del rischio comprende un’analisi quantitativa del rischio e informazioni probabilistiche sull’affidabilità dell’intero sistema.

Al di là di ciò che siamo riusciti a rilevare – le conclusioni dello studio che sono state consegnate al Cliente e che non sono diffondibili ad oggi – il punto è COME siamo riusciti a rappresentare graficamente e in maniera immediatamente intellegibile i risultati di un modello davvero complesso.

Aramix ha implementato un modello causale basato su una rete bayesiana all’interno del framework STAMP per affrontare le incertezze legate alla mancanza di dati e di scenari reali nel contesto delle infrastrutture a idrogeno. Ma cosa sono le reti bayesiane? 

Una rete bayesiana è un modello statistico che rappresenta le relazioni di dipendenza tra più variabili: viene utilizzata per analizzare e inferire le probabilità condizionate tra le variabili, consentendo di valutare le incertezze e le relazioni di causalità in un sistema. È ampiamente utilizzata non solo nel mondo dell’intelligenza artificiale e nell’analisi del rischio, ma anche per la diagnostica medica e la predizione di eventi, come i disastri naturali.

Nel caso specifico, il modello causale ha consentito di studiare il comportamento dell’idrogeno in un ambiente chiuso e le dinamiche ancora sconosciute legate alla prevenzione di incendi ed esplosioni, ad esempio in gallerie e tratti non lineari della linea.

In particolare, il framework utilizzato ha permesso sia di studiare il possibile impatto degli unknowns sugli scenari oggetto di analisi, sia di avere a disposizione una valutazione di rischio sulla carta che consente di ottimizzare e pianificare al meglio eventuali approfondimenti aggiuntivi (simulazioni, studi, set di test etc.), tipicamente molto costosi a livello computazionale, economico e di tempistiche. 

Ciò dimostra come l’intelligenza artificiale possa essere applicata anche in situazioni in cui i dati sono mancanti o parziali. Questa innovazione nell’utilizzo dell’intelligenza artificiale supporta la visione e la progettualità umana, andando oltre ciò che è stato finora conosciuto e aprendo nuove prospettive, sia per il mondo della logistica e dei trasporti, sia per il progresso generale della società.