Obiettivo 4: Sistemi intelligenti di gestione integrata per migliorare la resilienza e l’affidabilità delle infrastrutture intelligenti basate sull’idrogeno
REFERENTE/I
Elena Esposito – ENEA
elena.esposito@enea.it
Attività
L’attività ha avuto i seguenti obiettivi:
Studio, sviluppo ed implementazione di metodologie di anomaly detection & classification per la filiera green hydrogen, in particolare per la rete di trasporto di idrogeno.
Dopo una prima fase di simulazione di scenari anomali e successiva creazione dei dataset, sono stati sviluppati metodi classici e metodi ibridi con l’ausilio del Quantum Computing.
L’attività è poi proseguita con lo sviluppo di algoritmi di Deep Reinforcement Learning per la rilevazione/localizzazione di perdite di idrogeno, con risultati in ambienti simulati. Le attività sono state oggetto di pubblicazioni a conferenza e su riviste internazionali e sono l’oggetto di tesi di dottorato di ricerca finanziato sulla LA 4.3.2
Figura 1
Pipeline per il monitoraggio e l’anomaly detection in reti di trasporto idrogeno
Risultati
Il contributo principale dell’’attività ha mostrato che non c’è una particolare architettura di deep learning superiore alle altre, ma che una metodologia weakly supervised, basata su simulazione fisicamente consistente, preprocessing robusto e calibrazione delle soglie in funzione dei costi operativi, permette di ottenere un’anomaly detection efficace e generalizzabile in reti di trasporto dell’idrogeno.
I metodi ibridi/quantistici, per le particolari topologie di rete scelte e dunque dei dataset simulati, sono risultati al momento al massimo equivalenti a quelli classici.
Per la localizzazione delle perdite, le attività svolte hanno mostrato che l’approccio proposto è in grado di identificare efficacemente le perdite/anomalie nella rete di trasporto dell’idrogeno, mantenendo una buona robustezza al rumore e una significativa capacità di generalizzazione a configurazioni della rete non viste durante il training.
Figura 2
Prestazioni dei diversi metodi di anomaly detection in uno degli scenari analizzati (caso di perdita sovrapposta).
Figura 3
Registrazione di un evento di rilevazione positiva
Team di ricerca
Elena Esposito, Ricercatrice ENEA, Laboratorio Energia e Data Science (TERIN-SSI-EDS), Portici, Napoli.
Andrea Senese, Dottorando di ricerca, Università degli Studi di Napoli Federico II. Borsa di dottorato per il Corso di Dottorato in COMPUTATIONAL INTELLIGENCE dal titolo “Ricerca e sviluppo di modelli predittivi e sistemi di analisi dati per la filiera dell’idrogeno, con particolare riferimento alla ricerca, identificazione, eventuale classificazione e localizzazione di anomalie operative nelle componenti della rete di trasporto e distribuzione con tecniche di Intelligenza Artificiale”, Accordo di programma MiTE – ENEA Piano Operativo di Ricerca “Ricerca e sviluppo di tecnologie per la filiera dell’idrogeno“.
Saverio De Vito, Ricercatore ENEA, Laboratorio Energia e Data Science (TERIN-SSI-EDS), Portici, Napoli.
Girolamo Di Francia, Responsabile del Laboratorio Energia e Data Science (TERIN-SSI-EDS), Portici, Napoli.
Giovanni Acampora, Coordinatore del Dottorato di ricerca in Computational Intelligence, Università degli Studi di Napoli Federico II, Napoli.
In collaborazione con
Documenti
Villari, M., De Vito, S., Esposito, E., Senese, A., Longobardi, A., Di Francia, G. (2025). Digital Twin Development for Hydrogen Transport Network with Machine Learning-Based Anomaly Detection. In: Sensors and Microsystems. AISEM 2025. Lecture Notes in Electrical Engineering, vol 1497. Springer, Cham. https://doi.org/10.1007/978-3-032-08271-8_64.
Senese, A., Esposito, E., De Vito, S., Acampora, G., Di Francia, G. (2025). Hybrid-Quantum Machine Learning Approach for Anomaly Detection in Complex Industrial Systems. In: Sensors and Microsystems. AISEM 2025. Lecture Notes in Electrical Engineering, vol 1497. Springer, Cham. https://doi.org/10.1007/978-3-032-08271-8_65.
Senese, A., De Vito, S., Esposito, E., Villari, M., Acampora, G., Di Francia, G., … & Monteleone, G. (2026). A simulation-based dataset for anomaly detection in hydrogen blend transport networks. Data in Brief, 112520. https://doi.org/10.1016/j.dib.2026.112520.
Senese, A., De Vito, S., Esposito, E., Acampora, G., Di Francia, G., Longobardi, A., … & Villari, M. (2026). A Weakly Supervised Framework for Anomaly Detection in Hydrogen Blend Transport Networks Using High-Fidelity Simulation Data. Processes, 14(16), 2636.
https://doi.org/10.3390/pr14162636.
A. Senese, S. De Vito, E. Esposito, G. Acampora, G. Di Francia. Neural Surrogate–Driven Constrained Binary Optimization for Sensor Placement in Anomaly Detection for Hydrogen Transport Networks. Submitted to Applied Soft Computing (Elsevier), under review.
