Modelli data-driven: un esperimento in corso M. Favaron(1,2), S. Cesco(1), D. Fraternali(2), G. Valli(1), R. Vecchi(1) (1) Università degli Studi di Milano Dipartimento di Fisica (2) Servizi Territorio srl
Il problema: effetti istantanei Odori Tossicità acuta Esempio: H2S Esempio: Isocianato di metile
Dati H2O 14 Aprile 2012, ore 17:00:00-18:00:00 (cortesia CRA Bari) Scale temporali: 1 ora, 10 minuti, 1 minuto, 12 secondi
Come modellizzare? Modello Gaussiano?
Come modellizzare? Modello Gaussiano? Troppo regolare
Come modellizzare? Modello Gaussiano? Troppo regolare Concentrazioni limite, non medie orarie!
Come modellizzare? Modello Gaussiano?
Come modellizzare? Modello puff?
Come modellizzare? Modello puff? I puff seguono il vento => concentrazioni medie orarie
Come modellizzare? Modello puff? I puff seguono il vento => concentrazioni medie orarie Ma: concentrazioni ancora troppo diffuse e regolari
Come modellizzare? Modello puff? Forma dei puff comunque ancora troppo rigida I puff seguono il vento => concentrazioni medie orarie Ma: concentrazioni ancora troppo diffuse e regolari
Come modellizzare? Modello puff?
Come modellizzare? Modello a particelle?
Come modellizzare? Modello a particelle? Nessuno dei difetti dei modelli gaussiani o puff. Ma
Equazione di Langevin
Equazione di Langevin
Equazione di Langevin
Componenti del vento correlate Distribuzione non normale
Ma: perché non usiamo la distribuzione empirica dei dati di vento?
Misure su tre assi: u, v, w Rateo acquisizione da 10Hz in su Risoluzione: 1 cm/s Possibilità di misura diretta di vento e turbolenza Tecnologia attuale: Anemometro ultrasonico triassiale Possibilità (con adeguato field computer) di generazione in tempo reale delle distribuzioni empiriche
Molte strade possibili, di cui due particolarmente promettenti u,v,w(t1) u,v,w(t2) u,v,w(tn) Stima funzione densità empirica: Modelli data-driven indiretti? Campionamento di un sottoinsieme di misure: Modelli data-driven diretti?
Molte strade possibili, di cui due particolarmente promettenti u,v,w(t1) u,v,w(t2) u,v,w(tn) Stima funzione densità empirica: Modelli data-driven indiretti? Campionamento di un sottoinsieme di misure: Modelli data-driven diretti?
Possibili benefici: 1 maggior dettaglio
Possibili benefici: 2 accesso alla struttura probabilistica determinare la corrispondente probabilità di supero Data una soglia
Possibili benefici: 3 possibilità real-time
Molta strada ancora da fare Come trasportare la distribuzione empirica del vento a punti non proprio vicini? Integrazione con modelli CFD (vento medio) Migliorare sempre più l efficienza di implementazione Perfezionare la piattaforma hardware easydeploy che ospita la versione real-time
Prima che i modelli data-driven escano dalla fase sperimentale, Migliorare l uso dei modelli convenzionali intanto Uso di dati meteorologici di migliore qualità (anemometro ultrasonico 3D raccolti in sito) Esplorazione delle possibilità date dalle versioni più recenti (esempio: Calpuff 6, e sua capacità di trattare meteo+emissioni suborarie) Esplorazione dei modelli convenzionali probabilistici (SciPuff, modelli coupled particles)
Grazie per l attenzione! e se desiderate qualche dato in più: Aspetti scientifici - Mauri Favaron (mafavaron@gmail.com) - Roberta Vecchi (roberta.vecchi@unimi.it) Applicazioni e servizi - Daniele Fraternali (info@serviziterritorio.it)
Peak-to-mean?
Principio fisico: Misura di precisione del tempo di propagazione di impulsi acustici lungo tre percorsi di misura. Frequenza portante degli impulsi: circa 44kHz (con transitorio udibile).
Simod-RT, di Servizi Territorio srl: un esempio di field computer per acquisizione di dati sonici, loro elaborazione in linea (metodo eddy covariance e indicatori di turbolenza da teoria della similarità del surface layer).
Peak-to-mean? Sovrastima? Sottostima?
Una diversa possibilità
Una diversa possibilità Data una soglia
Una diversa possibilità determinare la corrispondente probabilità di supero Data una soglia