Il progetto Watering IoTs (WITS) si concentra sull’uso dell’IoT per il monitoraggio e l’ottimizzazione dei sistemi di approvvigionamento idrico, combinando decisioni a breve e lungo termine basate sulla raccolta continua e massiccia di dati, sull’elaborazione del segnale in rete e sull’analisi dell’intelligenza artificiale.
Gli obiettivi principali del WITS sono:
- Progettazione di infrastrutture IoT per l’acqua intelligente;
- Progettazione di IoT massivo (attraverso tecnologie IoT LPWAN) per consentire una raccolta efficiente di dati da dispositivi sparsi nel WSS;
- Utilizzo dell’elaborazione dei segnali grafici per fornire nuovi ed efficienti metodi di IA;
- Definizione di contratti intelligenti.
WITS fa parte dello Spoke 8 – Intelligent and Autonomous Systems
PI di progetto: Francesca Cuomo
WP3
Abbiamo sviluppato un approccio innovativo basato sulla teoria dei grafi per ottimizzare il posizionamento dei concentratori gateway all'interno delle reti di distribuzione idrica intelligenti. Questo metodo si basa sulla classificazione dei nodi di rete in base alla loro centralità, utilizzando strumenti avanzati di teoria dei grafi per identificare le posizioni ottimali dei concentratori. Inoltre, abbiamo applicato Graph Signal Processing (GSP) per modellare i valori di pressione come segnali sui grafici. L'obiettivo principale è stabilire un approccio di fusione dei dati in cui sia i dati radio che quelli delle applicazioni vengono utilizzati consapevolmente per migliorare le prestazioni delle applicazioni. Attraverso questa tecnica, siamo stati in grado di identificare posizioni strategiche dei nodi, massimizzando la copertura di rete e riducendo la ridondanza delle infrastrutture. Questo approccio ci ha consentito di ottimizzare il numero di gateway richiesti, riducendo significativamente il consumo energetico complessivo del sistema. Per convalidare la nostra metodologia, abbiamo applicato queste tecniche a scenari realistici, utilizzando strumenti di simulazione come EPANET per modellare le proprietà idrauliche e ns-3 per simulare le proprietà radio. Queste simulazioni ci hanno consentito di testare l'efficacia del sistema proposto su reti IoT su larga scala.
Abbiamo avviato un'attività di ricerca sullo sviluppo di un gemello digitale per le reti di distribuzione idrica. La prima fase dell'attività prevede uno studio completo dello stato dell'arte esistente. Procediamo alla definizione dei requisiti della piattaforma. Questa piattaforma è concepita per supportare più flussi, inclusi dati reali dalla rete di distribuzione idrica fisica, dati di simulazione dal gemello digitale e algoritmi di apprendimento automatico. L'obiettivo è creare un sistema in grado di sfruttare efficacemente tutte queste fonti di dati, fornendo preziose informazioni per il processo decisionale e la manutenzione predittiva.
WP4
Abbiamo esteso alcuni risultati del WP4 sfruttando l'uso dell'elaborazione del segnale topologico per modellare i dati in reti di ordine superiore, concentrandoci sui segnali dei nodi per la pressione e sui segnali dei bordi per il flusso d'acqua. Abbiamo introdotto strumenti come l'elaborazione del segnale grafico e le tecniche di celle complesse per rappresentare i flussi d'acqua, tenendo conto della domanda degli utenti. Viene proposto un framework di apprendimento per ricostruire pressioni e flussi nelle reti di distribuzione idrica, convalidato con reti reali, con l'obiettivo di utilizzare meno campioni. Lo studio si estende a un modello dinamico che affronta la domanda di acqua e il rilevamento delle perdite. Viene sviluppato un algoritmo di rilevamento delle perdite, che mostra un'identificazione delle perdite migliorata utilizzando complessi di celle. L'approccio dimostra il potenziale dell'apprendimento basato sulla topologia nel monitoraggio efficace delle WDN.
WP5
Nel WP5 abbiamo studiato le metodologie alla base della disaggregazione basata su on-Intrusive Load Monitoring (NILM) nel campo elettrico e traducendo questi studi anche nel campo della gestione idrica. Nel WP5 abbiamo sviluppato un modello Multi-AppliaNce TRAnsformer (MANTRA) per NILM, consentendo una stima scalabile dell'utilizzo idrico individuale dal consumo domestico totale. MANTRA cattura le dipendenze a lungo termine e supera altri modelli di apprendimento profondo nella disaggregazione multi-target attraverso varie risoluzioni temporali.
Abbiamo studiato la ricostruzione delle pressioni nodali nei sistemi di distribuzione idrica utilizzando Graph Neural Networks (GNN). Abbiamo utilizzato una GNN già nota che è stata prima addestrata in un ambiente controllato e poi perturbata con rumore del sensore e casualità per valutarne la robustezza in condizioni reali. Ispirati dalle metodologie basate su Graph Laplacian Denoising sono stati aggiunti per migliorare la robustezza della GNN. Dopo un'estesa messa a punto degli iperparametri, è stato proposto un approccio modificato per una migliore ricostruzione delle pressioni di giunzione non osservate nelle reti idriche. Questo metodo sarà applicato al rilevamento delle perdite.
Abbiamo sviluppato un approccio innovativo basato sulla teoria dei grafi per ottimizzare il posizionamento dei concentratori gateway all'interno delle reti di distribuzione idrica intelligenti. Questo metodo si basa sulla classificazione dei nodi di rete in base alla loro centralità, utilizzando strumenti avanzati di teoria dei grafi per identificare le posizioni ottimali dei concentratori. Inoltre, abbiamo applicato Graph Signal Processing (GSP) per modellare i valori di pressione come segnali sui grafici. L'obiettivo principale è stabilire un approccio di fusione dei dati in cui sia i dati radio che quelli delle applicazioni vengono utilizzati consapevolmente per migliorare le prestazioni delle applicazioni. Attraverso questa tecnica, siamo stati in grado di identificare posizioni strategiche dei nodi, massimizzando la copertura di rete e riducendo la ridondanza delle infrastrutture. Questo approccio ci ha consentito di ottimizzare il numero di gateway richiesti, riducendo significativamente il consumo energetico complessivo del sistema. Per convalidare la nostra metodologia, abbiamo applicato queste tecniche a scenari realistici, utilizzando strumenti di simulazione come EPANET per modellare le proprietà idrauliche e ns-3 per simulare le proprietà radio. Queste simulazioni ci hanno consentito di testare l'efficacia del sistema proposto su reti IoT su larga scala.
Abbiamo avviato un'attività di ricerca sullo sviluppo di un gemello digitale per le reti di distribuzione idrica. La prima fase dell'attività prevede uno studio completo dello stato dell'arte esistente. Procediamo alla definizione dei requisiti della piattaforma. Questa piattaforma è concepita per supportare più flussi, inclusi dati reali dalla rete di distribuzione idrica fisica, dati di simulazione dal gemello digitale e algoritmi di apprendimento automatico. L'obiettivo è creare un sistema in grado di sfruttare efficacemente tutte queste fonti di dati, fornendo preziose informazioni per il processo decisionale e la manutenzione predittiva.
WP4
Abbiamo esteso alcuni risultati del WP4 sfruttando l'uso dell'elaborazione del segnale topologico per modellare i dati in reti di ordine superiore, concentrandoci sui segnali dei nodi per la pressione e sui segnali dei bordi per il flusso d'acqua. Abbiamo introdotto strumenti come l'elaborazione del segnale grafico e le tecniche di celle complesse per rappresentare i flussi d'acqua, tenendo conto della domanda degli utenti. Viene proposto un framework di apprendimento per ricostruire pressioni e flussi nelle reti di distribuzione idrica, convalidato con reti reali, con l'obiettivo di utilizzare meno campioni. Lo studio si estende a un modello dinamico che affronta la domanda di acqua e il rilevamento delle perdite. Viene sviluppato un algoritmo di rilevamento delle perdite, che mostra un'identificazione delle perdite migliorata utilizzando complessi di celle. L'approccio dimostra il potenziale dell'apprendimento basato sulla topologia nel monitoraggio efficace delle WDN.
WP5
Nel WP5 abbiamo studiato le metodologie alla base della disaggregazione basata su on-Intrusive Load Monitoring (NILM) nel campo elettrico e traducendo questi studi anche nel campo della gestione idrica. Nel WP5 abbiamo sviluppato un modello Multi-AppliaNce TRAnsformer (MANTRA) per NILM, consentendo una stima scalabile dell'utilizzo idrico individuale dal consumo domestico totale. MANTRA cattura le dipendenze a lungo termine e supera altri modelli di apprendimento profondo nella disaggregazione multi-target attraverso varie risoluzioni temporali.
Abbiamo studiato la ricostruzione delle pressioni nodali nei sistemi di distribuzione idrica utilizzando Graph Neural Networks (GNN). Abbiamo utilizzato una GNN già nota che è stata prima addestrata in un ambiente controllato e poi perturbata con rumore del sensore e casualità per valutarne la robustezza in condizioni reali. Ispirati dalle metodologie basate su Graph Laplacian Denoising sono stati aggiunti per migliorare la robustezza della GNN. Dopo un'estesa messa a punto degli iperparametri, è stato proposto un approccio modificato per una migliore ricostruzione delle pressioni di giunzione non osservate nelle reti idriche. Questo metodo sarà applicato al rilevamento delle perdite.
Come risultato chiave del progetto WITS, abbiamo avviato la progettazione di un sistema completo in cui una vera rete di distribuzione idrica situata nei pressi di Roma, dotata di dispositivi LoRaWAN, sarà collegata alla piattaforma WITS e incorporata nell'ecosistema RESTART. Questo sforzo sarà amplificato nell'ambito della sfida intelligente del gemello digitale RESTART. Le attività sono supportate dai partner UNIPA e UNIDATA.
Un risultato degno di nota dei nostri sforzi nell'ambito del progetto è il conseguimento con successo dell'adesione istituzionale alla LoRa Alliance da parte del nostro partner CNIT, che segna un significativo passo avanti nei nostri sforzi collaborativi.
WP3
Abbiamo sviluppato un quadro completo di integrazione IoT per migliorare il monitoraggio e l'ottimizzazione dei sistemi di distribuzione dell'acqua. Questo framework include componenti per l'identificazione dell'analisi idraulica, l'applicazione dell'elaborazione del segnale grafico, il posizionamento strategico dei punti di misurazione e un ambiente di simulazione, con particolare attenzione a una rete LoRaWAN per il test e il perfezionamento del sistema controllato. Inoltre, i compiti aggiuntivi del WP3 esplorano la fusione di orchestrazione intelligente, controllo del carico di lavoro ed edge computing per gestire le complessità della rete idrica. Regolando il flusso del flusso di dati in base alle caratteristiche dell'applicazione e utilizzando l'edge computing, si mira ad aumentare le prestazioni complessive e l'affidabilità dei sistemi di distribuzione dell'acqua facilitando al tempo stesso un processo decisionale tempestivo.
WP5
Motivati dai notevoli progressi nel monitoraggio del carico non intrusivo (NILM), abbiamo esplorato le potenzialità dell'apprendimento profondo proponendo una rete neurale per la disaggregazione dell'acqua multi-apparecchio quasi in tempo reale. I risultati positivi ottenuti attraverso vari intervalli di campionamento stimolano la discussione sulle sfide relative ai dati sparsi. Nel complesso, tale ricerca mira a esplorare il deep learning per la disaggregazione dell’acqua come potente strumento per monitorare, gestire e risparmiare le risorse idriche in modo più efficace nel settore residenziale.
WP4
Sulla base della recente letteratura sull'elaborazione dei segnali topologici (TSP), abbiamo sviluppato un nuovo metodo per caratterizzare i dati interagenti relativi alle reti di distribuzione idrica. TPS si propone di studiare segnali associati non solo ai nodi del grafo (come l'elaborazione classica del segnale del grafo) ma a qualsiasi struttura d'ordine al fine di modellare in modo più appropriato le complesse interazioni dei dati. In questo contesto, proponiamo un nuovo quadro per ricostruire simultaneamente flussi e valori di pressione in una rete di distribuzione idrica che sia anche in grado di rilevare perdite d'acqua.
Concettualizzazione completa, implementazione e analisi della modellazione basata su grafici e dell'elaborazione del segnale per monitorare una rete di distribuzione idrica in modo efficiente e accurato. Identificazione di un algoritmo di ricostruzione del flusso e del miglior posizionamento dei nodi sul grafico al fine di risparmiare energia nel caso ci sia la necessità di ridurre il numero di misure nella rete mantenendo un dato livello di accuratezza. Test dell'approccio proposto in simulazioni numeriche eseguite in uno scenario realistico LoRaWAN WDS. Dimostriamo che il flusso d'acqua viene ricostruito accuratamente mediante il posizionamento strategico di un numero ridotto di sensori, portando a un significativo risparmio energetico, ad es. circa il 73%.
IMPATTO SULLA SOCIETÀ:
L’approccio proposto per la progettazione e l’implementazione della gestione intelligente dell’acqua e dei contratti intelligenti per le reti di distribuzione idrica intelligenti ha un impatto sociale significativo. Migliora la gestione delle risorse garantendo una distribuzione idrica efficiente ed equa e promuove la sostenibilità identificando e mitigando le inefficienze. Inoltre, consente alle comunità locali di gestire attivamente le proprie risorse idriche, portando a soluzioni più reattive e su misura. Lo strumento offre anche vantaggi economici riducendo i costi operativi e le bollette dell’acqua e incoraggia l’innovazione e il progresso tecnologico nella gestione dell’acqua, promuovendo ulteriore ricerca e sviluppo.
Papers:
Domenico Garlisi, Gabriele Restuccia, Ilenia Tinnirello, Francesca Cuomo and Ioannis Chatzigiannakis, “Real-Time Leakage Zone Detection in Water Distribution Networks: A Machine Learning-based Stream Processing Algorithm”, International Symposium on Algorithmic Aspects of Cloud Computing (ALGOCLOUD 2023), Amsterdam 05/09/2023
Redemptor Laceda Taloma, Jr., Danilo Comminiello (Sapienza University of Rome, Italy) Patrizio Pisani (Unidata SpA, Italy) Francesca Cuomo (University of Rome Sapienza, Italy), "UNet-WD: Deep Learning for Multi-Appliance Water Disaggregation", IFIP 1st International Workshop on Smart Water Management (SmartWater) 2024, Salonicco, June 2024
Dimitrios Amaxilatis (Spark Works Ltd., Ireland), Tiziana Cattai (Sapienza University of Rome, Italy), Antonino Pagano (University of Palermo, Italy),Ioannis Chatzigiannakis (Sapienza University of Rome, Italy), Redemptor Laceda Taloma, Jr. (Sapienza University of Rome, Italy), Domenico Garlisi (University of Palermo & CNIT Italian National Consortium for Telecommunications, Italy), Themistoklis Sarantakos (Spark Works Ltd., Ireland), Varvara Vythoulka (University of Patras, Greece), Christos Zaroliagis (University of Patras, Greece), "A Tool to Facilitate the Design of Smart Contracts in Smart Water Distribution Networks", IFIP 1st International Workshop on Smart Water Management (SmartWater) 2024, Salonicco, June 2024
Un risultato degno di nota dei nostri sforzi nell'ambito del progetto è il conseguimento con successo dell'adesione istituzionale alla LoRa Alliance da parte del nostro partner CNIT, che segna un significativo passo avanti nei nostri sforzi collaborativi.
WP3
Abbiamo sviluppato un quadro completo di integrazione IoT per migliorare il monitoraggio e l'ottimizzazione dei sistemi di distribuzione dell'acqua. Questo framework include componenti per l'identificazione dell'analisi idraulica, l'applicazione dell'elaborazione del segnale grafico, il posizionamento strategico dei punti di misurazione e un ambiente di simulazione, con particolare attenzione a una rete LoRaWAN per il test e il perfezionamento del sistema controllato. Inoltre, i compiti aggiuntivi del WP3 esplorano la fusione di orchestrazione intelligente, controllo del carico di lavoro ed edge computing per gestire le complessità della rete idrica. Regolando il flusso del flusso di dati in base alle caratteristiche dell'applicazione e utilizzando l'edge computing, si mira ad aumentare le prestazioni complessive e l'affidabilità dei sistemi di distribuzione dell'acqua facilitando al tempo stesso un processo decisionale tempestivo.
WP5
Motivati dai notevoli progressi nel monitoraggio del carico non intrusivo (NILM), abbiamo esplorato le potenzialità dell'apprendimento profondo proponendo una rete neurale per la disaggregazione dell'acqua multi-apparecchio quasi in tempo reale. I risultati positivi ottenuti attraverso vari intervalli di campionamento stimolano la discussione sulle sfide relative ai dati sparsi. Nel complesso, tale ricerca mira a esplorare il deep learning per la disaggregazione dell’acqua come potente strumento per monitorare, gestire e risparmiare le risorse idriche in modo più efficace nel settore residenziale.
WP4
Sulla base della recente letteratura sull'elaborazione dei segnali topologici (TSP), abbiamo sviluppato un nuovo metodo per caratterizzare i dati interagenti relativi alle reti di distribuzione idrica. TPS si propone di studiare segnali associati non solo ai nodi del grafo (come l'elaborazione classica del segnale del grafo) ma a qualsiasi struttura d'ordine al fine di modellare in modo più appropriato le complesse interazioni dei dati. In questo contesto, proponiamo un nuovo quadro per ricostruire simultaneamente flussi e valori di pressione in una rete di distribuzione idrica che sia anche in grado di rilevare perdite d'acqua.
Concettualizzazione completa, implementazione e analisi della modellazione basata su grafici e dell'elaborazione del segnale per monitorare una rete di distribuzione idrica in modo efficiente e accurato. Identificazione di un algoritmo di ricostruzione del flusso e del miglior posizionamento dei nodi sul grafico al fine di risparmiare energia nel caso ci sia la necessità di ridurre il numero di misure nella rete mantenendo un dato livello di accuratezza. Test dell'approccio proposto in simulazioni numeriche eseguite in uno scenario realistico LoRaWAN WDS. Dimostriamo che il flusso d'acqua viene ricostruito accuratamente mediante il posizionamento strategico di un numero ridotto di sensori, portando a un significativo risparmio energetico, ad es. circa il 73%.
IMPATTO SULLA SOCIETÀ:
L’approccio proposto per la progettazione e l’implementazione della gestione intelligente dell’acqua e dei contratti intelligenti per le reti di distribuzione idrica intelligenti ha un impatto sociale significativo. Migliora la gestione delle risorse garantendo una distribuzione idrica efficiente ed equa e promuove la sostenibilità identificando e mitigando le inefficienze. Inoltre, consente alle comunità locali di gestire attivamente le proprie risorse idriche, portando a soluzioni più reattive e su misura. Lo strumento offre anche vantaggi economici riducendo i costi operativi e le bollette dell’acqua e incoraggia l’innovazione e il progresso tecnologico nella gestione dell’acqua, promuovendo ulteriore ricerca e sviluppo.
Papers:
Domenico Garlisi, Gabriele Restuccia, Ilenia Tinnirello, Francesca Cuomo and Ioannis Chatzigiannakis, “Real-Time Leakage Zone Detection in Water Distribution Networks: A Machine Learning-based Stream Processing Algorithm”, International Symposium on Algorithmic Aspects of Cloud Computing (ALGOCLOUD 2023), Amsterdam 05/09/2023
Redemptor Laceda Taloma, Jr., Danilo Comminiello (Sapienza University of Rome, Italy) Patrizio Pisani (Unidata SpA, Italy) Francesca Cuomo (University of Rome Sapienza, Italy), "UNet-WD: Deep Learning for Multi-Appliance Water Disaggregation", IFIP 1st International Workshop on Smart Water Management (SmartWater) 2024, Salonicco, June 2024
Dimitrios Amaxilatis (Spark Works Ltd., Ireland), Tiziana Cattai (Sapienza University of Rome, Italy), Antonino Pagano (University of Palermo, Italy),Ioannis Chatzigiannakis (Sapienza University of Rome, Italy), Redemptor Laceda Taloma, Jr. (Sapienza University of Rome, Italy), Domenico Garlisi (University of Palermo & CNIT Italian National Consortium for Telecommunications, Italy), Themistoklis Sarantakos (Spark Works Ltd., Ireland), Varvara Vythoulka (University of Patras, Greece), Christos Zaroliagis (University of Patras, Greece), "A Tool to Facilitate the Design of Smart Contracts in Smart Water Distribution Networks", IFIP 1st International Workshop on Smart Water Management (SmartWater) 2024, Salonicco, June 2024
L'innovazione del nostro progetto è significativamente rafforzata dalla partecipazione attiva dei nostri partner industriali. Unidata SpA offre una potente infrastruttura per la raccolta di misurazioni LoRaWAN reali per la misurazione intelligente, fornendo dati accurati e affidabili essenziali per un'efficace gestione dell'acqua. Grazie a Unidata entriamo in contatto con Acqua Pubblica Sabina SpA che ha contribuito con preziose informazioni sulle loro esigenze e sfide operative, garantendo che le nostre soluzioni siano adattate alle applicazioni del mondo reale e siano altamente pratiche per gli utenti finali.
L'innovazione del nostro progetto è notevolmente migliorata dalla partecipazione attiva dei nostri partner industriali. Unidata SpA porta una potente infrastruttura per la raccolta di misurazioni LoRaWAN reali per la misurazione intelligente, fornendo dati accurati e affidabili essenziali per una gestione efficace dell'acqua. Grazie a Unidata entriamo in contatto con Acqua Pubblica Sabina SpA che ha contribuito con preziosi spunti sulle loro esigenze e sfide operative, assicurando che le nostre soluzioni siano su misura per applicazioni del mondo reale e siano altamente pratiche per gli utenti finali.
L'innovazione del nostro progetto è notevolmente migliorata dalla partecipazione attiva dei nostri partner industriali. Unidata SpA porta una potente infrastruttura per la raccolta di misurazioni LoRaWAN reali per la misurazione intelligente, fornendo dati accurati e affidabili essenziali per una gestione efficace dell'acqua. Grazie a Unidata entriamo in contatto con Acqua Pubblica Sabina SpA che ha contribuito con preziosi spunti sulle loro esigenze e sfide operative, assicurando che le nostre soluzioni siano su misura per applicazioni del mondo reale e siano altamente pratiche per gli utenti finali.
Partner di programma:
- Università di Catania
- Università di Roma Sapienza
- Consorzio Nazionale Interuniversitario per le Telecomunicazioni (CNIT)
Il progetto WITS ha preso parte/organizzato importanti eventi di divulgazione:
- Redemptor Jr Taloma (studente di dottorato) ha partecipato come relatore al Live Webinar Servizi a Rete “Progettazione di soluzioni IoT per reti idriche intelligenti” il 27 aprile 2023, discutendo le applicazioni del machine learning nella letteratura sulla gestione intelligente dell'acqua.
- Due interventi pubblici tenuti a Parigi, al CNAM, da Tiziana Cattai, “Modello grafico per le reti di distribuzione idrica con applicazioni IoT” e da Francesca Cuomo “Verso l'Edge Computing in LoRaWAN: nuovi modelli architetturali e future applicazioni”.
- Intervento a Roma al convegno AEIT 2023 di Tiziana Cattai, “Un metodo basato su grafici per il monitoraggio efficiente dei sistemi di approvvigionamento idrico”
- I ricercatori WITS stanno organizzando il primo workshop internazionale sulla gestione intelligente dell'acqua (SmartWater) nell'ambito dell'IFIP/IEEE Networking 2024, che si terrà a Salonicco, Grecia, dal 3 al 6 giugno 2024
- R. Taloma ha partecipato a “Individuare le perdite idriche con l'IA?” per il podcast “Tutto Connesso”
- R. Taloma ha rilasciato un'intervista di 5 minuti sulla Grande Sfida RESTART “Digitalizzare l'ambiente per un mondo più sostenibile”
- I ricercatori WITS hanno organizzato il 1° workshop internazionale sulla gestione intelligente dell'acqua (SmartWater) nell'ambito dell'IFIP/IEEE Networking 2024, tenutosi a Salonicco, Grecia, dal 3 al 6 giugno 2024 (https://networking.ifip.org/2024/index.php/ officine/smartwater).
- R. Taloma ha partecipato a “Individuare le perdite idriche con l'IA?” per il podcast “Tutto Connesso”.
- Francesca Cuomo ha tenuto un Keynote dal titolo “Unlocking IoT Potential: Empowering LoraWAN for Secure, Distributed Smart Water Management” alla conferenza IFIP NETWORKING a Salonicco (Grecia) nel giugno 2024
- Pubblicazioni Previste: almeno 9 pubblicazioni in 36 mesi Realizzate: 2 (2 conference publication) Readiness level: 66%
- Joint Publication Previste: >=30% joint publication in 36 mesi Realizzate: 2 joint publication su 3 Readiness level: 66%
- Talk/Eventi di comunicazione Previsti: 15 talk o event chairing/organizzati nel contesto delle attività di WITS in 36 mesi Realizzati: 6 (tra eventi di disseminazione e presentazioni a conferenze) Readiness level: 100%
- Demo/PoC Previste: 1 PoCs atteso entro la fine del progetto Realizzate: 0 Readiness level: 0% (work according to plan)
- Project Meeting Previsti: > 36 meeting Realizzati: 20 meeting Readiness level: 55%
- Reclutamento di personale Previsto: 1 RTD-A Realizzato: 1 RTD-A Readiness level: 100%
Milestones:
First year report including project dissemination activities and the delivery of D1 and D2
(due date: M12)
Second year report including project dissemination activities and the delivery of D3 and D4
(due date: M24)
Final report including project dissemination activities and the delivery of D5 and D7 (due
date: M36)
Deliverables:
D1 - Deliverable on Smart Water Supply Systems (due date: M5)
D2 - Deliverable on Massive IoT Access (due date: M12)
D3- Deliverable on Continuum data collection and smart network orchestration (due
date: M24)
D4- Deliverable on Sensed processing using graph signal processing (due date: M17)
D5- Deliverable on Development of utilities/smart contracts for users and operators
(due date: M27)
D6 - Performance assessment – Case Studies (due date: M36)
Ricercatori coinvolti: Previsti circa 63 PM nel complesso. Abbiamo già speso circa 31 PM fino a M18.
Proposte di collaborazione:
Ioannis Chatzigiannakis e Domenico Garlisi stanno preparando una proposta intitolata “Guidare la trasformazione digitale dei sistemi di approvvigionamento idrico per la sostenibilità nella prossima generazione e oltre” (WaterBeyond) da presentare al bando HORIZON-MSCA-2024-DN-01-01.
La proposta mira a fornire le competenze e gli sforzi richiesti in ricerca e formazione a una forza lavoro di 15 dottorandi (DC) in tecnologie di gestione idrica e sfide di analisi dei dati all’avanguardia del futuro settore delle reti ICT.
Il progetto WITS è aperto alla collaborazione con esperti e organizzazioni non profit nelle seguenti aree:
- prevenzione del degrado delle reti idriche
- consumo di acqua nell’agricoltura di precisione
- monitoraggio della rete idrica in scenari di emergenza;
- sistema di distribuzione dell’acqua con funzionalità di autogestione.
WITS ha ricevuto una prima proposta di collaborazione da parte dell’Università di Gabes-Tunisia, per la formazione di un consorzio da applicare al progetto PRIMA (tema principale: Gestione sostenibile dell’acqua). Il progetto sta cercando altri partner interessati a questo consorzio.
È possibile avanzare proposte di collaborazione sul progetto contattando la PI del progetto.
WITS news: