Due sensori installati su un ponte inviano dati a una piattaforma di monitoraggio. Uno misura la deformazione, l’altro la temperatura. Dopo un’interruzione di rete, le letture arrivano con ritardi diversi e i loro orologi non sono più allineati. Un algoritmo che le confronta senza riconoscere il problema potrebbe segnalare uno scostamento che non corrisponde alle condizioni reali dell’opera.
È uno scenario esemplificativo, ma mostra una questione concreta per chi progetta sistemi ICT: l’affidabilità dell’analisi dipende anche da acquisizione, sincronizzazione e qualità dei dati. Nel monitoraggio infrastrutturale la filiera digitale incontra un sistema fisico il cui comportamento dipende da geometria, materiali, ambiente e traffico. Un gemello digitale e gli algoritmi che lo affiancano devono tenere insieme questi due mondi.
Indice degli argomenti
AI nell’ingegneria: una questione di responsabilità
È anche il tema richiamato da AI RACE, la roadmap per l’applicazione dell’intelligenza artificiale nell’ingegneria civile presentata dall’American Society of Civil Engineers il 19 ottobre 2026. Il documento propone un quadro strategico per un’integrazione responsabile dell’AI nel ciclo di vita delle infrastrutture e insiste su governance e supervisione umana. Non è una norma italiana e non introduce obblighi generali per i gestori.
Il principio ha una traduzione operativa: un algoritmo può aiutare a individuare schemi, segnalare scostamenti o supportare previsioni, ma l’esito deve poter essere verificato nel contesto dell’opera. La responsabilità della valutazione ingegneristica e delle decisioni conseguenti non passa al software.
Il dato utile nasce prima dell’analisi
I sistemi di monitoraggio possono raccogliere misure da strumenti diversi: sensori di spostamento, deformazione, vibrazione o temperatura, installati in momenti differenti e collegati attraverso dispositivi e protocolli non sempre omogenei. Il primo compito dell’infrastruttura ICT è acquisire questi flussi senza perdere il contesto che li rende interpretabili.
Un valore numerico ha bisogno di un’identità: quale sensore lo ha prodotto, su quale opera e in quale punto, che cosa misura, con quale unità e quando è stato rilevato. Allineare gli orologi e registrare il fuso orario, le frequenze di campionamento e gli eventuali ritardi di trasmissione è altrettanto importante quando si confrontano serie provenienti da fonti diverse.
A questa base si aggiungono metadati su installazione, taratura, sostituzioni e manutenzione dei dispositivi. Il dato grezzo dovrebbe restare distinguibile da quello corretto o aggregato, in modo da poter ricostruire come si è arrivati al risultato.
Pulire i flussi senza cancellare i segnali
Una rete di sensori reale produce anche dati mancanti, misure fuori scala, duplicazioni e interruzioni di connettività. Servono controlli automatici che rendano visibili questi problemi e distinguano un valore non disponibile da uno pari a zero. Una lacuna può essere segnalata, gestita o eventualmente stimata per alcune analisi; non dovrebbe essere riempita silenziosamente e presentata come misura reale. Un picco può essere un errore o un evento significativo: prima di escluderlo, è opportuno conservarlo e segnalarne la qualità.
Anche la sincronizzazione comporta scelte. Se una misura di deformazione viene confrontata con la temperatura, bisogna verificare che i dati si riferiscano a intervalli compatibili e che l’eventuale aggregazione non nasconda fenomeni rapidi.
Il gemello digitale non è soltanto una visualizzazione
Una rappresentazione tridimensionale rende più facile orientarsi nell’opera, ma non basta, da sola, a descriverne il comportamento. In un approccio basato su modelli fisici, il gemello digitale collega le misure a una rappresentazione ingegneristica della struttura: geometria, materiali, vincoli e azioni vengono tradotti in un modello capace di simulare la risposta per le condizioni considerate.
Il collegamento richiede una mappatura esplicita tra il punto fisico in cui è installato il sensore e la grandezza corrispondente nel modello. Il confronto è significativo soltanto se posizione, direzione e condizioni considerate sono compatibili, inclusi temperatura e carichi quando disponibili o stimabili.
Se la risposta osservata differisce da quella simulata, la discrepanza non identifica automaticamente un danno. Può indicare un’ipotesi iniziale da rivedere, un’informazione mancante o un problema di misura. La calibrazione consiste nell’adeguare alcuni parametri del modello sulla base delle evidenze disponibili, senza modificarli indiscriminatamente fino a ottenere una corrispondenza apparente. Ipotesi, parametri, dati utilizzati e versione del modello devono rimanere tracciabili.
Dove interviene l’AI, e dove serve il modello fisico
Modello fisico e AI rispondono a domande diverse e possono essere usati insieme. Il primo incorpora ipotesi ingegneristiche sul comportamento dell’opera e permette di analizzare scenari compatibili con quelle ipotesi. Un algoritmo di apprendimento automatico può invece individuare regolarità nei dati, riconoscere scostamenti rispetto a comportamenti appresi o supportare stime e previsioni. Non è necessario che ogni componente del gemello digitale utilizzi AI.
Riprendiamo i due flussi dell’esempio iniziale. Se l’algoritmo confronta deformazione e temperatura riferite a momenti diversi, può attribuire alla struttura uno scostamento prodotto dalla filiera dati. Il controllo dei tempi e della qualità delle letture deve quindi precedere l’analisi. Se, dopo questi controlli, lo scostamento persiste, il confronto con lo storico e con il modello fisico può aiutare l’ingegnere a formulare ipotesi da verificare.
Rilevare un’anomalia non equivale a identificarne la causa: un sistema può essere efficace nel primo compito senza risolvere autonomamente il secondo.
| Fase | Cosa serve | Rischio da presidiare |
|---|---|---|
| 1. Acquisizione dei dati | Sensori identificati, misure sincronizzate e metadati completi | Dati disallineati o privi di contesto |
| 2. Qualità dei dati | Controlli su anomalie, valori mancanti, duplicazioni e ritardi di trasmissione | Falsi allarmi o perdita di segnali significativi |
| 3. Modello fisico | Rappresentazione di geometria, materiali, vincoli e comportamento della struttura | Simulazioni non coerenti con le condizioni reali |
| 4. Intelligenza artificiale | Algoritmi per individuare anomalie, schemi ricorrenti e supportare stime o previsioni | Interpretazioni errate degli scostamenti osservati |
| 5. Validazione | Test con misure indipendenti, verifica delle prestazioni e gestione esplicita dell’incertezza | Risultati apparentemente affidabili ma fuori contesto |
| 6. Governance e sicurezza | Tracciabilità delle modifiche, controllo degli accessi, interoperabilità e supervisione umana | Decisioni non verificabili e perdita di integrità della filiera dati |
Validazione, falsi allarmi e dati fuori contesto
Per valutare un sistema non basta mostrare che ha funzionato sui dati usati per svilupparlo. È utile mettere alla prova modello e algoritmo con misure indipendenti e condizioni note, verificando quanto le stime si avvicinino alle osservazioni e dove invece divergano.
La qualità si misura anche nella gestione degli errori. Una soglia troppo sensibile può generare molti falsi allarmi, sovraccaricando chi deve verificarli; una troppo permissiva può lasciare passare segnali rilevanti. Dove possibile, confrontare le segnalazioni con gli esiti delle verifiche aiuta a rivedere criteri e prestazioni nel tempo.
Un altro controllo riguarda i dati fuori dalle condizioni di sviluppo: eventi meteorologici poco rappresentati, modifiche del traffico, lavori sull’opera o sensori sostituiti possono cambiare il contesto. Il sistema dovrebbe rendere riconoscibili queste situazioni, invece di restituire lo stesso livello di fiducia per qualsiasi input. Quando le informazioni non sono sufficienti, una risposta utile può essere dichiarare l’incertezza e richiedere un approfondimento, non produrre una conclusione forzata.
Interoperabilità, sicurezza e continuità operativa
La filiera attraversa dispositivi sul campo, reti di comunicazione, archivi, strumenti di analisi e applicazioni usate da ingegneri e gestori. Interoperabilità non significa soltanto riuscire a trasferire file: richiede identificativi condivisi, significato chiaro dei dati, formati documentati e interfacce che permettano di ricostruire le trasformazioni. Conservare la possibilità di esportare dati e metadati in formati utilizzabili aiuta anche a ridurre la dipendenza da un singolo fornitore.
La sicurezza va progettata lungo gli stessi passaggi. Autenticazione dei dispositivi, cifratura dei flussi dove appropriata, controllo degli accessi per ruolo e registrazione delle modifiche contribuiscono a proteggere sia i dati sia la loro integrità.
Occorre considerare anche cosa succede quando la connessione o una componente del sistema non sono disponibili: come vengono segnalate le interruzioni, se e come i dati vengono recuperati e quali procedure restano attive nel frattempo. La continuità del monitoraggio non va confusa con la continuità di una dashboard: se manca una misura essenziale, chi decide deve saperlo.
Dalla segnalazione a una decisione verificabile
Un avviso dovrebbe arrivare a chi lo valuta con grandezza interessata, posizione del sensore, andamento, condizioni note, qualità del dato e versione dell’analisi. La scelta successiva e le sue motivazioni devono poter essere registrate.
Per un progetto ICT questo significa definire chi controlla i flussi, chi approva le modifiche ai modelli e chi valuta le segnalazioni. Ogni aggiornamento dell’algoritmo o della mappatura dei sensori dovrebbe essere documentato e verificato prima dell’uso; mantenere disponibili le versioni precedenti aiuta a ricostruire un risultato e, se necessario, a tornare a una configurazione nota. La disponibilità dei dati, i ritardi e gli esiti delle verifiche indicano se la filiera continua a funzionare come previsto.
L’affidabilità del gemello digitale dipende dalla collaborazione tra chi gestisce dati e infrastrutture ICT e chi conosce il comportamento dell’opera. I primi rendono controllabile la filiera informativa; i secondi verificano il significato ingegneristico degli output. È nell’incontro tra queste responsabilità che sensori, modelli e AI possono diventare strumenti utili per decidere.
Partecipa alla community