Sviluppo di un modello predittivo per l’analisi preliminare della dispersione di idrogeno = Development of a predictive model for the preliminary analysis of hydrogen dispersion

Negli ultimi anni le tecniche di apprendimento automatico si sono diffuse rapidamente in diversi ambiti applicativi, tra cui quello della sicurezza, in quanto consentono di individuare relazioni complesse tra variabili e di sfruttarle per effettuare previsioni. Allo stesso tempo, il crescente interesse verso l’idrogeno nella transizione energetica comporta sfide importanti legate alla gestione del rischio. In questo contesto, la presente tesi illustra lo sviluppo di uno strumento predittivo per l’analisi della dispersione di idrogeno in stazioni di rifornimento per veicoli in aree urbane, valutando in quali casi sia preferibile adottare reti neurali o ricorrere a regressione multivariata, così da affiancare i modelli fisici consolidati con un approccio più rapido e accessibile. A questo scopo, è stato realizzato un codice Python impiegando un database di simulazioni svolte con PHAST, software utilizzato per la modellazione delle conseguenze. Attraverso analisi di sensibilità e considerazioni legate all’applicazione nelle stazioni di rifornimento, sono state definite le variabili di ingresso rilevanti. Sono stati considerati diversi scenari di rilascio accidentale di idrogeno gassoso, per i quali sono stati implementati modelli distinti con l’obiettivo di stimare la portata di rilascio, le distanze ai limiti di infiammabilità e la larghezza massima della nube. L’addestramento delle reti neurali è stato condotto tramite suddivisione 70%-15%-15% dei dati nei set di training, validation e test, selezionando il numero ottimale di neuroni nascosti in base alle prestazioni ottenute. Il contributo principale del lavoro è la definizione di un’architettura modulare, in grado di integrare tecniche diverse a seconda della disponibilità dei dati e dello scenario analizzato, che può essere aggiornata facilmente con nuovi dati per aumentarne la robustezza, in base alle particolari esigenze. La selezione mirata degli input ha semplificato l’addestramento e risulta coerente con l’idea che, per valutazioni preliminari, limitarsi alle variabili più rilevanti sia più conveniente rispetto a dover gestire un numero elevato di parametri. In conclusione, lo strumento proposto non sostituisce i modelli fisici, ma può essere impiegato per uno screening rapido all’interno di domini predefiniti, permettendo di condurre simulazioni più dettagliate solo per scenari critici.