(AGENPARL) - Roma, 5 Maggio 2026 - Il modello ORNL, estremamente preciso, fornisce informazioni utili per la gestione del raffreddamento delle centrali elettriche, anche in presenza di dati scarsi.

Mappa dei sistemi fluviali continentali degli Stati Uniti che mostra l’ubicazione delle centrali termoelettriche, con le centrali nucleari evidenziate in grassetto. Crediti: Sean Turner e Andy Sproles/ORNL, Dipartimento dell’Energia degli Stati Uniti.

Gli esperti di idrologia dell’Oak Ridge National Laboratory (ORNL) del Dipartimento dell’Energia degli Stati Uniti (DOE) hanno utilizzato l’intelligenza artificiale e una comprensione basata sulla fisica del flusso dei corsi d’acqua per creare un modello in grado di fornire previsioni estremamente accurate delle temperature dei fiumi, anche in corsi d’acqua privi di sensori. 

Questo metodo è importante per le aziende idroelettriche e i gestori delle dighe al fine di evitare rischi di non conformità, mitigare i danni agli ecosistemi acquatici e comprendere l’impatto sugli utenti idrici a valle. Le previsioni hanno un ampio potenziale per supportare le operazioni delle centrali nucleari e di altre centrali elettriche, rafforzando la sicurezza energetica ed economica del Paese.

Oltre il 70% dell’elettricità del paese è generata da centrali termoelettriche che utilizzano l’acqua per il raffreddamento, come quelle nucleari, a gas naturale e a carbone. Le informazioni sulla disponibilità e sulla temperatura delle risorse idriche circostanti sono cruciali per una produzione di energia affidabile ed efficiente, oltre che per l’agricoltura, la localizzazione dei data center, la gestione delle popolazioni ittiche e la salute generale dell’ecosistema. Tuttavia, la maggior parte dei corsi d’acqua statunitensi non è dotata di misuratori o sensori per il monitoraggio della temperatura.

Per costruire un modello in grado di prevedere con precisione le temperature dei fiumi, gli scienziati dell’ORNL hanno utilizzato un approccio di intelligenza artificiale/apprendimento automatico chiamato rete neurale Long Short-Term Memory (LSTM), particolarmente adatto ad analizzare i modelli nel tempo. Il modello ha appreso come le condizioni meteorologiche e del paesaggio influenzano le temperature dei fiumi nel corso di giorni, stagioni e anni. 

“Il modello può migliorare la nostra comprensione sia del funzionamento delle centrali nucleari esistenti sia dell’idoneità dei siti per l’espansione nucleare del paese”, ha affermato Sean Turner, ingegnere senior del gruppo di scienze e ingegneria delle risorse idriche presso l’ORNL.

Il modello ha raggiunto un errore assoluto medio di soli 1,1 gradi Celsius tra i valori previsti e quelli effettivi. Il tasso di errore è risultato paragonabile a quello dei modelli convenzionali, basati su un’ampia mole di dati, che richiedono più tempo e risorse per essere sviluppati e mantenuti, come dettagliato nel Journal of Hydrology . Il framework:

• Sono stati costantemente rilevati modelli di riscaldamento e raffreddamento stagionali in diversi corsi d’acqua.
• Precisione mantenuta anche durante eventi climatici molto caldi, periodi critici per l’affidabilità della rete e la conformità normativa in materia di prelievo e rilascio di acqua.
• Le previsioni sono risultate più accurate grazie all’attenzione degli scienziati rivolta alle aree a monte più vicine e rilevanti, il che ha portato a segnali più precisi per le previsioni di temperatura a valle, soprattutto nei grandi fiumi.
• Il modello è stato addestrato utilizzando dati disponibili per tutti i 2,7 milioni di tratti fluviali degli Stati Uniti continentali, il che significa che può generare stime giornaliere della temperatura dell’acqua ovunque, anche in bacini idrografici completamente privi di stazioni di monitoraggio.

“Questi modelli di base di apprendimento profondo, addestrati su enormi quantità di dati per riconoscere e prevedere modelli a lungo termine, stanno producendo risultati migliori e più trasferibili rispetto ai modelli che le persone hanno costruito e modificato negli ultimi 50 anni”, ha affermato Turner.

Il team ha utilizzato fonti di dati pubblicamente disponibili, tra cui nove anni di osservazioni giornaliere provenienti da circa 300 stazioni idrometriche selezionate dello US Geological Survey; dati sui corsi d’acqua sviluppati dall’ORNL che riflettono precipitazioni, temperatura dell’aria, radiazione solare, umidità, manto nevoso e altri fenomeni; statistiche giornaliere simulate dall’ORNL sulla portata dei corsi d’acqua; e dati federali sulle caratteristiche dei bacini idrografici. 

Ulteriori informazioni sul modello, River Temperature Time Series for Hydrothermal Modeling and Analysis (RiTHyMs), sono disponibili sulla piattaforma HydroSource del Dipartimento dell’Energia degli Stati Uniti (DOE) , gestita dall’ORNL.

“Volevamo un sistema che potesse essere applicato ovunque nel Paese, e questo significava che dovevamo addestrarlo con dati disponibili per ogni corso d’acqua”, ha affermato Turner. “È qui che sono entrati in gioco l’ORNL e i set di dati che abbiamo generato per HydroSource.” 

I ricercatori stanno ora applicando il modello ai sistemi fluviali gestiti e alle operazioni di servizio della Tennessee Valley Authority. Stanno inoltre perfezionando il modello per migliorare le previsioni nelle regioni montuose, concentrandosi sui bacini idrografici occidentali influenzati dallo scioglimento dei ghiacciai, dove altre aziende di servizi idrici hanno mostrato interesse per le proiezioni sulla temperatura dell’acqua.

RiTHyMs ha sfruttato le risorse di calcolo ad alte prestazioni dell’ORNL per addestrare rapidamente il modello su scala continentale su grandi insiemi di dati relativi a centinaia di bacini fluviali. Queste risorse fanno parte dell’Oak Ridge Leadership Computing Facility, una struttura di calcolo per utenti dell’Ufficio della Scienza del Dipartimento dell’Energia degli Stati Uniti (DOE) presso l’ORNL.

Tra gli altri ricercatori dell’ORNL coinvolti nel progetto figuravano Md Abu Bakar Siddik, responsabile dello sviluppo del modello, nonché Shih-Chieh Kao, Ahad Tanim e Jesus Gomez-Velez, precedentemente all’ORNL e ora presso l’Università dell’Iowa. 

Il progetto è stato finanziato dall’Ufficio per i minerali critici e l’innovazione energetica, in particolare dall’Ufficio per l’energia idroelettrica e idrocinetica del Dipartimento dell’Energia degli Stati Uniti.