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.