Come può l'intelligenza artificiale rendere più verde la bonifica del suolo?

L’inquinamento del suolo è un problema globale: sostanze chimiche tossiche si accumulano e minacciano acqua, agricoltura e salute. Una delle soluzioni più promettenti è la desorbimento termico in situ (ISTD), che riscalda il terreno per volatilizzare gli inquinanti e poi li cattura. Il punto debole? Il consumo energetico, che può far lievitare i costi.

Un team di ricercatori ha unito due mondi: la modellistica del trasferimento di calore e il machine learning. Hanno creato un algoritmo capace di prevedere, in tempo reale, la distribuzione della temperatura nel terreno durante il processo. Così è possibile modulare il flusso di calore, evitando sprechi e concentrando l’energia dove serve davvero.

I risultati sono sorprendenti: rispetto a un flusso di calore costante, la strategia dinamica ha ridotto il consumo totale di energia tra il 36% e il 49%. In pratica, la bonifica diventa più veloce, meno costosa e più sostenibile. Tuttavia, per applicare la tecnica occorre tenere d’occhio tre fattori chiave: la durata del riscaldamento, le oscillazioni della temperatura nei punti più freddi e l’intensità del flusso termico.

Questa ricerca apre la porta a impianti di bonifica più intelligenti, dove i dati guidano le decisioni operative. In futuro, potremmo vedere siti contaminati puliti con un impatto ambientale ridotto, grazie all’aiuto di algoritmi che “imparano” a ottimizzare il calore.

Il processo di desorbimento termico in situ si basa sul principio della volatilizzazione selettiva: le molecole organiche, avendo punti di ebollizione più bassi rispetto all’acqua, si trasformano in vapore quando la temperatura supera una soglia critica. Il modello di trasferimento di calore tradizionale descrive la conduzione nel suolo mediante l’equazione di Fourier, integrando proprietà termiche del terreno (conductività, capacità termica, densità) e condizioni al contorno (flusso di calore applicato, temperatura ambiente). Tuttavia, la non linearità introdotta da variazioni di umidità, composizione granulometrica e presenza di contaminanti rende difficile una previsione accurata con metodi deterministici.

L’approccio di machine learning impiega reti neurali profonde (DNN) addestrate su dataset sperimentali che includono parametri come: potenza del riscaldatore, tempo di esposizione, profilo di umidità, concentrazione di contaminanti e misurazioni termiche in punti di monitoraggio. La rete apprende la mappatura non lineare tra questi input e la distribuzione spaziale‑temporale della temperatura. Una volta addestrata, la DNN può essere integrata in un ciclo di controllo in tempo reale: il modello di calore fornisce una prima stima, la DNN la affina, e il sistema regola il flusso di energia per mantenere la temperatura ottimale nei “cold spot”, evitando sovra‑riscaldamenti che aumenterebbero i costi energetici.

Dal punto di vista termodinamico, la riduzione del consumo energetico osservata (35,9‑48,9%) deriva da una diminuzione dell’entropia prodotta: il calore viene impiegato più efficientemente, limitando le perdite per conduzione verso zone non contaminanti. Inoltre, la modulazione dinamica del flusso termico riduce il tempo di esposizione complessivo, limitando la degradazione termica di composti sensibili e preservando la qualità del gas di cattura. In termini di ingegneria dei sistemi, l’integrazione di DNN richiede una robusta architettura di sensori (termocoppie, sensori di umidità) e una piattaforma di calcolo edge per garantire latenza minima. La validazione sperimentale su siti pilota ha mostrato una correlazione R² superiore a 0,95 tra le temperature predette e quelle misurate, confermando l’affidabilità del modello ibrido.

Infine, l’approccio è scalabile: variando la dimensione della rete e la granularità dei dati di input, è possibile adattare la strategia a diversi tipi di suolo (argilloso, sabbioso, limoso) e a differenti contaminanti (PAH, PCB, solventi clorurati). Questo rende la tecnologia una base promettente per future politiche di bonifica sostenibile, dove l’efficienza energetica è un criterio chiave per la fattibilità economica e ambientale.