La gestione degli impianti di depurazione delle acque reflue rappresenta un ambito tecnico-scientifico multidisciplinare con implicazioni significative per gli ecosistemi terrestri e marini, nonché per la salute pubblica.
La complessità intrinseca di questo settore richiede un approccio interdisciplinare alla progettazione e gestione degli impianti, con particolare attenzione all'efficacia depurativa continuativa, all'efficienza energetica e alla riduzione dei fanghi.
Approccio Knowledge-Based (KB)
L'approccio Knowledge-Based si basa sulla conoscenza esperta e su algoritmi di correlazione incrociata che governano numerosi parametri di processo — sia fisico-chimici che microbiologici. Questa metodologia consente operazioni con "massima consapevolezza" e direzione strategica, raggiungendo una produzione continua di effluente di alta qualità insieme a volumi ridotti di fanghi.
Attraverso algoritmi KB che utilizzano parametri di input/output e di processo, gli impianti possono determinare il Perimetro Funzionale per ogni sezione di trattamento e definire la relativa Capacità Residua di Trattamento. I dati di input/output derivano principalmente da misurazioni medie giornaliere e letture orarie (portata influente, ossigeno disciolto, ecc.).
Approccio Data-Driven (DD)
L'approccio Data-Driven si basa sull'acquisizione e l'analisi dei dati di misurazione (online/real-time) dai processi di trattamento delle acque reflue, produzione di fanghi e consumo energetico.
Mentre le misurazioni idrauliche (portate, volumi, livelli) e i consumi elettrici (kW) sono relativamente semplici da ottenere, i parametri chimici e microbiologici (concentrazioni di nutrienti, concentrazioni MLSS di fanghi biologici, analisi microscopica, indice SVI dei fanghi) richiedono misurazioni periodiche di laboratorio o misurazioni indirette (ORP, OD). Di conseguenza, gli approcci DD sostenibili mantengono frequenze di acquisizione dati orarie o giornaliere — essenzialmente corrispondenti alla metodologia KB.
I sistemi di Machine Learning e Deep Learning richiedono database multi-parametrici estesi e ben distribuiti, spesso non disponibili e non sostenibili per i tipici impianti di piccole-medie dimensioni.
Conclusione
Un approccio ibrido e modulare KB/DD appare il più efficace per l'efficacia operativa e per il raggiungimento degli obiettivi strategici di sostenibilità ed economia circolare.