Così l’intelligenza artificiale ci aiuterà a sfruttare al meglio i tetti per il fotovoltaico

Anno 2028, il cambiamento climatico è ormai così evidente e minaccioso, che i governi, complice anche il riflusso dell’onda sovranista-negazionista nella politica mondiale, hanno finalmente deciso di intraprendere azioni decise per l’uscita del sistema energetico dall’era dei fossili.

Fra le tantissime misure proposte, una è quella delle città energeticamente autonome.

In pratica ogni città deve costruire sui propri tetti una potenza elettrica solare sufficiente ad alimentare i propri consumi interni, aiutata in questo da un’adeguata rete di sistemi di accumulo sparsi nella città e coordinati da una centrale operativa nazionale.

Lo sforzo di applicare la nuova norma si annuncia subito immenso: bisogna valutare le potenzialità solari di ogni tetto delle migliaia di edifici cittadini, per massimizzare la produzione.

Quindi di ognuno di essi va calcolata altezza, inclinazione, superficie ed eventuale ombreggiamento, e poi valutare fra questi il sottoinsieme di tetti più adatto ad essere occupato per raggiungere la potenza richiesta.

Che fare? Arruolare un esercito di geometri, che misurino tutta quella massa di case, spendendo mesi e buona parte del budget già nella prima fase di valutazione?

Gli ingegneri informatici Prashant Shenoy e Subhransu Maji, dell’Università del Massachusetts ad Amherst, hanno avuto un’idea migliore: mettere insieme i disparati strumenti disponibili in rete oggi, per calcolare a bassissimo costo le potenzialità di produzione solare di vasti gruppi di edifici, senza uscire dall’ufficio.

«In realtà strumenti simili già esistevano, come il Project Sunroof di Google per le città Usa» spiega Shenoy «Il problema è che quelli strumenti si basano su rilevamenti fatti con il Lidar, cioè un laser trasportato da un aereo, che sorvola l’area di verificare, ricreandone una precisissima rappresentazione tridimensionale. Un metodo che funziona benissimo, ma è molto costoso e adatto a coprire solo una parte di città alla volta».

I due ricercatori, invece, sono partiti da un altro strumento di Google, questo però globale e disposizione di tutti nel mondo: Google Earth, il “supermappamondo” che mostra l’intera superficie ad altissima risoluzione, grazie a un “collage” di foto scattate dai satelliti in orbita.

Nelle foto contenute in Google Earth, ci sono già abbastanza informazioni per fare una valutazione della superficie ed esposizione di ogni tetto e quindi, incrociando il dato con la latitudine ed il meteo della località, ricavare quanti pannelli ognuno di essi possa ospitare e quanta elettricità possa produrre in un anno.

Il problema, però, è che questa valutazione non la può fare, se non con estrema lentezza e imprecisione, un occhio e un cervello umano.

«E infatti il nostro sistema Deep Roof, fa analizzarle foto satellitari delle città, eventualmente integrate da altre informazioni come le foto di Street View, lo stesso edificio, cioè, ma visto dal livello stradale, e le mappe catastali, da un sistema ad intelligenza artificiale (AI) di tipo Deep Learning, che cioè impara da solo come svolgere il suo compito» dice Shenoy .

Le AI deep learning sono quelle che, per esempio, hanno sbaragliato gli umani a giochi come gli scacchi, il Go, il Poker e vari videogiochi. Quello che fanno è partire dai dati di base, nel caso dei giochi le loro regole, e poi applicarle milioni di volte giocando da sole, fino a capire come ottenere i risultati migliori.

Particolare un po’ inquietante: nessuno sa in base a cosa questo tipo di AI risolvano i problemi fino a padroneggiarli meglio di noi, sono, come si dice, delle “black box”, imperscrutabili nei loro meccanismi “mentali”, che si autocostruiscono. Sappiamo che funzionano, ma non sappiamo perché.

Nel caso di Deep Roof, l’AI ha imparato esaminando centinaia di casi di edifici di cui ha avuto foto satellitari, dalla strada e altri dati, e di cui già conosceva superficie, esposizione e ombreggiatura, costruendosi a partire da essi le regole generali per interpretare quanto mostrato dalle immagini di tutti gli altri edifici.

«Una volta perfezionato, abbiamo messo Deep Roof alla prova su 30 case scelte per rappresentare la massima varietà di altezze, forme, esposizioni, inclinazioni e ombreggiature di tetti, che abbiamo dato ad esaminare al nostro algoritmo e ad esperti umani. È risultato che Deep Roof ne ha stimato esattamente le potenzialità nel 91% dei casi, facendosi ingannare talvolta solo dalla presenza di alberi, non riuscendo a calcolare bene l’ombra che gettavano sul tetto. Un fattore che si potrà migliorare nelle versioni future» spiega l’ingegnere americano.

Una volta che l’AI ha fatto il suo lavoro di stima dei tetti, un’altra parte del sistema inventato da Shenoy e Maji, chiamata l’“algoritmo avido”, si occupa di “stipare” virtualmente quei tetti del massimo possibile di pannelli solari, valutando poi quanta energia produrranno ogni anno.

«In questo modo, in futuro, la costruzione di vasti impianti solari in area urbana sarà molto facilitata: basterà inviare al nostro sistema Deep Roof le coordinate degli edifici che si pensa di usare, e questo, a partire da foto satellitari e altri dati gratuiti facilmente reperibili su Internet, calcolerà quanti pannelli possa ospitare e quanta elettricità si possa ricavare in un anno, per ognuno di quegli edifici» conclude Shenoy.

Ecco quindi che lo scenario immaginato inizialmente diventa molto più percorribile: le future centrali elettriche cittadine distribuite sui tetti, potranno essere rapidamente progettate, in base a stime scaricate in pochi minuti dalla Rete.

E vista la difficoltà enorme che ci aspetta nei prossimi decenni per la riconversione del sistema energetico verso la sostenibilità, ogni aiuto, è bene accetto, anche quello che arriverà da imperscrutabili Intelligenze Artificiali.

Powered by WPeMatico