L’ingegneria delle infrastrutture sta attraversando un cambio di paradigma imposto dalla crescente esposizione delle reti stradali e ferroviarie agli effetti del cambiamento climatico. Le analisi dell’IPCC confermano che gli eventi estremi, incluse precipitazioni intense, alluvioni, siccità e fenomeni composti, stanno assumendo un ruolo sempre più rilevante nella valutazione del rischio territoriale e infrastrutturale [1]. Tradizionalmente, la manutenzione di ponti, viadotti, gallerie e pavimentazioni si è concentrata soprattutto sul degrado intrinseco dell’opera: fatica dei materiali metallici, carbonatazione del calcestruzzo armato, corrosione delle armature, ammaloramento delle strutture o usura degli strati superficiali.
Oggi, tuttavia, questa prospettiva non è più sufficiente: l’infrastruttura deve essere letta anche come elemento esposto a dinamiche ambientali esterne, quali frane, piene improvvise, erosioni d’alveo, scalzamento delle fondazioni e instabilità dei versanti.
Il problema non riguarda più soltanto la manutenzione fisica dell’opera, ma la capacità di governare il rapporto tra infrastruttura e territorio. Una strada o una linea ferroviaria non sono asset isolati: attraversano bacini idrografici, pendii instabili, alvei fluviali, aree urbanizzate e sistemi ambientali soggetti a pressioni climatiche crescenti. In questa direzione si colloca anche il Sistema Integrato di Monitoraggio e Previsione (SIM) del Ministero dell’ambiente e della sicurezza energetica (MASE), finanziato dal PNRR con circa 500 milioni di euro, pensato per rafforzare la capacità previsionale degli effetti del cambiamento climatico, integrare dati ambientali e territoriali e supportare la prevenzione del rischio idrogeologico e la gestione delle emergenze [2].
In questo contesto, il Gemello Digitale non può essere ridotto a una rappresentazione tridimensionale dell’infrastruttura o a un archivio digitale degli asset. Il Digital Twin diventa, piuttosto, una piattaforma dinamica capace di integrare dati provenienti da sensori IoT, osservazioni satellitari, rilievi LiDAR, modelli idrologici e geotecnici, algoritmi di intelligenza artificiale (IA) e sistemi GIS-BIM interoperabili. Il progetto promosso dal MASE con Leonardo, attraverso e-GEOS, per il Digital Twin del suolo italiano, basato su rilievi laser aerei LiDAR e dati aerogravimetrici, va esattamente in questa direzione: costruire una base digitale ad alta risoluzione per conoscere la morfologia del territorio e supportare futuri modelli predittivi [3].
La stessa esperienza dell’Autorità di Bacino Distrettuale dell’Appennino Centrale (AUBAC) mostra come il Gemello Digitale possa diventare uno strumento operativo di governance territoriale. Nel triennio 2022-2025, AUBAC ha sviluppato un WebGIS evoluto configurato come Digital Twin diagnostico, integrando 613 layer geospaziali e 1.844 sensori IoT, con risultati misurabili in termini di riduzione degli oneri amministrativi (-60%) e riduzione dei tempi di processo per indicatori e procedimenti legati al rischio alluvionale (-70/80%), con conseguente miglioramento della comprensione del rischio da parte degli utenti coinvolti [4]. Questo caso dimostra che la digitalizzazione del territorio può incidere concretamente su pianificazione, trasparenza e capacità decisionale della pubblica amministrazione.
La tesi del presente articolo è che la manutenzione predittiva delle infrastrutture non possa più essere sviluppata soltanto alla scala del singolo ponte, della singola strada o della singola tratta ferroviaria. La nuova frontiera è la manutenzione predittiva a scala territoriale, nella quale l’opera viene collegata al bacino idrografico, al versante, all’alveo e ai fenomeni climatici che ne condizionano sicurezza e funzionalità. In questa prospettiva, il Gemello Digitale diventa il punto di convergenza tra ingegneria delle infrastrutture, protezione ambientale e governance pubblica del rischio: non un mero strumento di visualizzazione, ma un ambiente computazionale capace di trasformare dati eterogenei in scenari, soglie di allerta e decisioni manutentive anticipate.
Indice degli argomenti
Fisica del rischio e Gemello Digitale
Perché un Gemello Digitale possa davvero supportare la manutenzione predittiva delle infrastrutture, non basta che raccolga dati da sensori, satelliti o rilievi topografici. Deve anche incorporare la fisica dei fenomeni che minacciano strade, ponti e ferrovie. Nel caso del rischio idrogeologico, i due domini più rilevanti sono l’instabilità dei versanti, responsabile di frane e colate detritiche, e la dinamica delle piene, che può generare allagamenti, erosioni d’alveo e scalzamento delle fondazioni dei ponti. La rilevanza di questi fenomeni è tutt’altro che teorica: secondo l’ISPRA, in Italia sono censite oltre 636.000 frane, mentre nel 2024 il 94,5% dei Comuni italiani risultava esposto a rischi di frana, alluvione, erosione costiera o valanga [5].
Nel caso delle frane indotte da pioggia, il meccanismo fisico principale è l’infiltrazione dell’acqua nei terreni parzialmente saturi. Quando precipitazioni intense o prolungate superano la capacità di drenaggio del versante, il contenuto d’acqua aumenta, la suzione matriciale si riduce e le pressioni interstiziali possono crescere sino a compromettere l’equilibrio geotecnico del pendio. La letteratura tecnica mostra che la modellazione di questi processi utilizza spesso l’equazione di Richards per descrivere il moto dell’acqua in mezzi porosi insaturi e può essere accoppiata a modelli di stabilità del pendio per stimare l’evoluzione del Fattore di Sicurezza durante un evento meteorico [6].
In termini ingegneristici, il punto decisivo è che la pioggia non produce soltanto un aumento del peso del terreno, ma modifica lo stato tensionale interno. Nei terreni parzialmente saturi, la suzione contribuisce alla resistenza disponibile; con la progressiva saturazione questo contributo diminuisce e, in prossimità della saturazione, l’aumento della pressione interstiziale riduce la tensione efficace e quindi la resistenza al taglio. Per un gestore infrastrutturale, tradurre questo processo in un Gemello Digitale significa passare da mappe statiche di pericolosità a una lettura dinamica del rischio: il sistema può indicare quando un versante prossimo a una strada, a una ferrovia o alla spalla di un ponte sta perdendo margine di stabilità. Studi recenti confermano che il monitoraggio in tempo reale di contenuto d’acqua, pressione interstiziale e deformazioni può supportare sistemi di allerta precoce e previsione di instabilità superficiali [7].
La stessa logica vale per il rischio alluvionale. Una piena non è pericolosa solo perché “arriva l’acqua”, ma perché essa possiede altezza, velocità ed energia sufficienti a erodere alvei, investire pile, indebolire fondazioni o interrompere la continuità dell’infrastruttura. Nei modelli idraulici, tali processi vengono rappresentati attraverso equazioni di moto a superficie libera, come le equazioni di Saint-Venant, che descrivono la propagazione delle onde di piena e l’interazione tra topografia, attrito di fondo e deflusso [8]. Per un Gemello Digitale territoriale, questi modelli consentono di simulare scenari di piena, individuare zone di esondazione, valutare interferenze con rilevati stradali e ferroviari e anticipare condizioni di rischio per ponti e attraversamenti.
Il valore operativo del Digital Twin sta quindi nell’accoppiare dati e modelli fisici. Pluviometri, piezometri, sensori di umidità, inclinometri, radar satellitari e rilievi LiDAR forniscono l’osservazione del territorio; i modelli fisicamente basati traducono quei dati in una previsione dello stato futuro del sistema. È questa integrazione che consente di passare dalla semplice sorveglianza alla manutenzione predittiva: non si interviene solo quando la frana ha già invaso la carreggiata o quando la piena ha già compromesso l’opera, ma quando gli indicatori fisici mostrano che il sistema si sta avvicinando a una soglia critica.
In questa prospettiva, il Gemello Digitale non sostituisce l’esperienza dell’ingegnere o del geologo, ma ne amplifica la capacità decisionale: rende osservabile l’evoluzione del rischio, permette di confrontare scenari meteorologici diversi, aggiorna le priorità di intervento e fornisce una base tecnica per misure preventive, come limitazioni al traffico, chiusure temporanee, ispezioni mirate o interventi di consolidamento. Il punto non è “prevedere il disastro” in senso assoluto, ma piuttosto ridurre il tempo tra il segnale fisico e la decisione pubblica.
Intelligenza artificiale fisicamente informata: PINNs e modelli predittivi
Uno dei limiti principali dei simulatori numerici tradizionali è il costo computazionale. I modelli idrodinamici – e geotecnici – ad alta risoluzione, basati su equazioni differenziali e discretizzazioni spaziali complesse, possono richiedere tempi di calcolo non compatibili con le esigenze operative di un sistema di allerta o di un Gemello Digitale in tempo quasi reale. Questo limite è particolarmente evidente nella simulazione di piene, allagamenti, infiltrazione nei terreni e instabilità dei versanti, dove la risposta deve essere aggiornata rapidamente al variare delle condizioni meteorologiche, idrologiche e geotecniche.
D’altra parte, anche gli approcci puramente data-driven presentano criticità. Una rete neurale addestrata soltanto su dati storici può produrre risultati poco robusti quando si trova a prevedere eventi estremi non rappresentati nel dataset di addestramento [9]. Nel campo ambientale e idrogeologico questo è un problema rilevante, perché frane e alluvioni dipendono spesso da condizioni rare, non lineari e fortemente localizzate. Per questo motivo, la letteratura recente insiste sulla necessità di integrare apprendimento automatico e vincoli fisici, così da evitare modelli “rapidi” ma privi di coerenza rispetto alle leggi di conservazione della massa, della quantità di moto o dell’energia.
In questo quadro si collocano le Physics-Informed Neural Networks (PINNs), reti neurali nelle quali la funzione di perdita non misura soltanto lo scostamento tra previsione e dati osservati, ma include anche termini di penalizzazione associati al residuo delle equazioni fisiche che governano il fenomeno. In altri termini, il modello non apprende solo dai dati acquisiti da sensori, satelliti o simulazioni pregresse, ma viene vincolato a ridurre la violazione delle equazioni differenziali che descrivono il comportamento del sistema [10]. Questa caratteristica rende le PINNs particolarmente interessanti per applicazioni in cui i dati sono scarsi, rumorosi o non omogeneamente distribuiti nello spazio e nel tempo.
Il vantaggio metodologico è chiaro: la rete neurale diventa un approssimatore continuo del campo fisico di interesse, ad esempio tirante idrico, velocità del flusso, contenuto d’acqua nel terreno o pressione interstiziale. I gradienti necessari per valutare i residui delle equazioni possono essere calcolati mediante automatic differentiation, riducendo in molti casi la dipendenza da mesh numeriche esplicite e da discretizzazioni spaziali complesse. Studi recenti mostrano applicazioni delle PINNs alla soluzione delle equazioni per la simulazione di deflussi e scenari di inondazione, oltre che all’equazione di Richards per il moto dell’acqua nei terreni insaturi [11].
Accanto alle PINNs, stanno emergendo architetture di operator learning, come le Deep Operator Networks (DeepONets), che non apprendono una singola soluzione dell’equazione, ma l’operatore che collega condizioni iniziali, condizioni al contorno e parametri fisici alla soluzione del problema. Questo approccio è promettente per la modellazione idraulica, perché può ridurre drasticamente i tempi di inferenza rispetto ai solutori numerici tradizionali e rendere più praticabile l’uso di modelli previsionali in contesti di emergenza [12]. Tuttavia, la letteratura evidenzia anche limiti importanti: qualità del dataset di addestramento, capacità di generalizzazione fuori distribuzione, bilanciamento tra perdita sui dati e vincolo fisico, gestione delle condizioni al contorno e validazione su casi reali.
Il punto, quindi, non è sostituire integralmente i modelli fisici tradizionali con l’IA ma costruire una catena ibrida. I solutori numerici restano fondamentali per produrre scenari di riferimento, validare i risultati e controllare la coerenza fisica; le reti neurali fisicamente informate possono invece funzionare come surrogati rapidi, strumenti di assimilazione dati e moduli predittivi all’interno del Gemello Digitale. In questa prospettiva, esso diventa un ambiente in cui sensori, modelli fisici e IA cooperano per trasformare il monitoraggio del rischio idrogeologico in previsione operativa.
Il ruolo dei dati: sensori IoT, osservazione satellitare e Digital Twin del suolo
Affinché i modelli fisici e gli algoritmi predittivi siano realmente utili alla gestione del rischio, il Gemello Digitale deve essere alimentato da un ecosistema informativo eterogeneo, capace di integrare dati territoriali, satellitari e misure acquisite direttamente sul campo. La previsione di una frana, di una piena o dello scalzamento di una fondazione non dipende soltanto dalla qualità del modello matematico, ma anche dalla densità, affidabilità e aggiornamento dei dati che descrivono il territorio.
In Italia, questa infrastruttura informativa sta assumendo una nuova centralità attraverso il Sistema Integrato di Monitoraggio e Previsione (SIM) del MASE, finanziato dal PNRR nell’ambito della Missione 2, Componente 4, con una dotazione complessiva di circa 500 milioni di euro. Il SIM mira a rafforzare la capacità previsionale degli effetti del cambiamento climatico e a supportare la prevenzione dei rischi naturali e indotti, integrando sistemi informativi esistenti, reti di monitoraggio, osservazione satellitare, droni e sensoristica a terra. Secondo il MASE, la piattaforma integra IA e oltre 3.000 datasource, coinvolgendo più di 40 amministrazioni [13].
A questa infrastruttura si affianca il programma spaziale IRIDE, sviluppato nell’ambito del PNRR con il supporto di ESA e ASI, concepito come infrastruttura nazionale per l’Osservazione della Terra. IRIDE mette a disposizione dati satellitari e servizi geospaziali a supporto di protezione civile, monitoraggio ambientale, gestione delle risorse idriche, monitoraggio delle infrastrutture, adattamento climatico e gestione delle emergenze. A regime, il sistema comprenderà costellazioni di satelliti con sensori ottici e radar, utili anche per il monitoraggio dei movimenti del suolo, dell’idrometeoclima e dei fenomeni territoriali rilevanti per la sicurezza infrastrutturale [14].
Un ulteriore tassello è rappresentato dal progetto MASE–Leonardo/e-GEOS per il Digital Twin del suolo italiano, finalizzato alla costruzione di un modello digitale del terreno ad alta risoluzione mediante rilievi laser aerei LiDAR e dati aerogravimetrici. Questo modello costituisce una base conoscitiva strategica per descrivere la morfologia del territorio, il campo della gravità e le condizioni altimetriche necessarie alla simulazione di fenomeni idrogeologici. In termini operativi, una base topografica ad alta risoluzione è essenziale sia per i modelli di stabilità dei versanti, nei quali la pendenza condiziona l’evoluzione dell’infiltrazione e del Fattore di Sicurezza, sia per i modelli idraulici, nei quali la topografia governa la propagazione delle acque di piena.
A scala locale, il quadro viene completato dalle reti IoT e dalla sensoristica geotecnica e idrometeorologica: pluviometri, idrometri, piezometri, inclinometri, sensori di umidità del suolo, accelerometri e centraline meteo. Queste misure consentono di aggiornare il Digital Twin con dati quasi in tempo reale, rendendo possibile la calibrazione dei modelli e la verifica degli scenari simulati. Il SIM stesso prevede il potenziamento e l’integrazione di reti di monitoraggio dedicate a radar meteorologici, parametri idrometeorologici, frane in situ, sismicità, livellazione di precisione e altri parametri ambientali rilevanti.
Il valore di questa architettura dati è quindi duplice. Da un lato, consente di costruire una rappresentazione digitale coerente del territorio; dall’altro, permette di alimentare modelli predittivi capaci di stimare l’evoluzione del rischio. Il Gemello Digitale diventa così il punto di convergenza tra dato topografico, osservazione satellitare, sensori a terra e modelli fisicamente basati: non una semplice mappa digitale, ma una piattaforma operativa per aggiornare nel tempo i margini di sicurezza idraulica e geotecnica delle infrastrutture esposte a frane, alluvioni ed erosioni.
Governance delle nuove tecnologie: dal monitoraggio alla decisione pubblica
Affinare le previsioni ingegneristiche in tempo reale non è sufficiente se tali capacità non vengono integrate nei procedimenti amministrativi, nei piani di manutenzione e nei sistemi ordinari di gestione del rischio. La vera innovazione non consiste soltanto nel disporre di sensori, modelli predittivi o piattaforme digitali, ma nel trasformare tali strumenti in processi decisionali verificabili, capaci di orientare priorità, ispezioni, interventi e allocazione delle risorse.
In Italia, un passaggio rilevante in questa direzione è rappresentato dalle Linee Guida per la classificazione e gestione del rischio, la valutazione della sicurezza e il monitoraggio dei ponti esistenti, adottate con D.M. 204/2022. Il decreto ha introdotto un approccio multilivello alla gestione dei ponti esistenti, finalizzato a rendere più omogenei censimento, classificazione, valutazione della sicurezza e monitoraggio delle opere. Le successive Istruzioni operative, aggiornate con il decreto del Presidente del Consiglio Superiore dei Lavori Pubblici, hanno ulteriormente chiarito l’applicazione del metodo, includendo allegati specifici per fenomeni di frana, fenomeni idraulici, ispezioni speciali e valutazioni preliminari di rischio [15].
Questo quadro è importante perché sposta la gestione dei ponti da una logica puramente ispettiva a una logica risk-based. Nei livelli iniziali, l’amministrazione raccoglie l’anagrafica dell’opera e conduce ispezioni visive; già a questo stadio, però, non rileva soltanto il degrado materico della struttura, ma anche il contesto ambientale in cui l’opera è inserita. Le schede relative a frane e idraulica rendono esplicito che il ponte non può essere valutato come oggetto isolato, ma come elemento esposto a dinamiche di versante, piene, erosioni d’alveo e possibili fenomeni di scalzamento.
Il Livello 2, dedicato alla classificazione della Classe di Attenzione, rappresenta il punto in cui questa impostazione diventa particolarmente rilevante per il Digital Twin. La Classe di Attenzione non riguarda soltanto il rischio strutturale o sismico, ma anche componenti quali rischio idraulico e rischio frane. Ciò significa che il gestore deve disporre di dati territoriali, idrologici, geomorfologici e infrastrutturali sufficienti a collocare l’opera dentro il sistema ambientale che la condiziona. In questa prospettiva, un Digital Twin GeoBIM può diventare uno strumento di supporto alla compliance tecnica e amministrativa, perché consente di collegare la vulnerabilità della struttura con la pericolosità del bacino, del versante o dell’alveo.
In termini operativi, il Digital Twin può supportare il gestore nella raccolta strutturata dei dati di Livello 0 e Livello 1, nell’aggiornamento dinamico degli indicatori rilevanti per il Livello 2 e nella selezione delle opere da sottoporre ad analisi più accurate nei livelli successivi. Il suo valore non consiste quindi nell’automatizzare la valutazione tecnica, ma nel rendere più coerente, tracciabile e aggiornabile il passaggio dal dato ispettivo alla priorità manutentiva.
Ai livelli più avanzati, il modello multilivello apre alla necessità di analisi più accurate, verifiche specialistiche, monitoraggi strumentali e valutazioni di rete. Ed è qui che il Digital Twin assume una funzione di innovation management: non solo archivio informativo, ma piattaforma capace di far dialogare dati ispettivi, sensori, modelli fisici, immagini satellitari, rilievi topografici e scenari di rischio. L’obiettivo non è produrre un sovraccarico informativo, ma ridurre l’incertezza decisionale e permettere al gestore di stabilire quali opere richiedano priorità, quali controlli vadano intensificati e quali interventi possano essere programmati prima che il rischio diventi emergenza.
Il caso AUBAC: un Digital Twin territoriale come strumento di governance
Un caso particolarmente significativo è rappresentato dall’AUBAC, che ha documentato il passaggio da un WebGIS evoluto a un Digital Twin territoriale per la governance sostenibile dell’acqua e la pianificazione climate-resilient. Il distretto copre oltre 42.000 km², interessa 901 comuni e circa 9 milioni di abitanti, in un contesto segnato da rischi idrogeologici diffusi.
Nel triennio 2022-2025, AUBAC ha sviluppato un sistema integrato WebGIS con 613 layer geospaziali e 1.844 sensori IoT, configurandolo come Digital Twin diagnostico di livello 1. I risultati misurati sono rilevanti: 141.569 visite alla piattaforma, circa 60% di riduzione degli oneri amministrativi, 70-80% di riduzione dei tempi di processo per procedimenti legati al rischio alluvionale, oltre 5.000 partecipanti alle consultazioni pubbliche e un incremento del 40-60% nella comprensione percepita del rischio [16].
Il valore del caso AUBAC non sta solo nella quantità di dati raccolti, ma nel modo in cui essi vengono trasformati in capacità amministrativa. La piattaforma consente di integrare informazioni statiche, monitoraggi quasi in tempo reale, dati da sensori, Earth Observation e strumenti WebGIS, migliorando trasparenza, partecipazione pubblica e rapidità istruttoria. In termini di policy, questo dimostra che il Digital Twin territoriale può produrre benefici misurabili non soltanto sul piano tecnico, ma anche sul piano organizzativo: meno frammentazione informativa, tempi di processo più brevi, maggiore comprensione del rischio e migliore coordinamento tra soggetti pubblici.
Per questa ragione, i Gemelli Digitali ambientali possono essere letti secondo una scala di maturità funzionale. A un primo livello, essi operano come repository descrittivi di dati georeferenziati; a un livello successivo diventano sistemi diagnostici basati su WebGIS e sensori IoT; poi possono evolvere verso piattaforme analitiche capaci di simulare scenari “what-if”; infine, nei modelli più avanzati, possono incorporare capacità predittive basate su machine learning, PINNs e modelli fisicamente informati. Il caso AUBAC si colloca oggi soprattutto nella fase diagnostica, ma la roadmap indicata dallo stesso studio guarda all’evoluzione verso capacità analitiche e predittive nel biennio 2026-2028.
L’esperienza AUBAC mostra inoltre che l’adozione dei Gemelli Digitali nella gestione del rischio idrogeologico presenta alcune condizioni abilitanti non trascurabili. La prima riguarda la qualità e l’interoperabilità dei dati, poiché modelli avanzati alimentati da basi informative incomplete, non aggiornate o non confrontabili rischiano di produrre scenari poco affidabili. La seconda riguarda le competenze: la manutenzione predittiva richiede profili capaci di integrare ingegneria idraulica e geotecnica, data science, GIS, BIM, cybersecurity e gestione amministrativa del rischio. La terza riguarda la governance: senza procedure chiare di validazione, responsabilità definite e coordinamento tra amministrazioni, il Digital Twin rischia di restare una piattaforma informativa evoluta, ma non ancora un effettivo strumento decisionale.
La lezione di innovation management è chiara: l’adozione di un Digital Twin non deve essere trattata come un progetto informatico isolato, ma come un percorso incrementale di trasformazione organizzativa. Richiede governance del dato, interoperabilità tra banche dati, standard comuni, competenze ibride, procedure di validazione e chiara attribuzione delle responsabilità. Senza questi elementi, la tecnologia rischia di restare una piattaforma dimostrativa; con questi elementi, invece, può diventare un’infrastruttura decisionale per la resilienza climatica.
In questa prospettiva, la manutenzione predittiva non consiste soltanto nel “prevedere” frane o alluvioni, ma nel costruire un sistema pubblico capace di agire prima dell’emergenza: classificare il rischio, aggiornare le priorità, attivare ispezioni mirate, motivare gli interventi e rendere tracciabili le decisioni. È qui che il Digital Twin diventa uno strumento di policy: non sostituisce il decisore pubblico, ma gli fornisce una base informativa più solida, verificabile e tempestiva per governare infrastrutture sempre più esposte agli effetti del cambiamento climatico.
Conclusioni
Il cambio di paradigma nella gestione delle opere pubbliche consiste nel superare la visione dell’infrastruttura come asset isolato, da manutenere solo in funzione del suo degrado interno, per considerarla invece come parte di un sistema territoriale esposto a pressioni climatiche, idrologiche e geomorfologiche sempre più intense. Ponti, viadotti, strade e ferrovie non sono soltanto opere da ispezionare, ma nodi vulnerabili di un ambiente dinamico nel quale frane, piene, erosioni d’alveo e fenomeni di scalzamento possono compromettere continuità, sicurezza e funzionalità della rete.
In questo scenario, il Gemello Digitale rappresenta una delle infrastrutture tecnologiche più rilevanti per passare dalla manutenzione reattiva alla manutenzione predittiva. La sua efficacia non dipende dalla sola disponibilità di modelli tridimensionali o dashboard informative, ma dalla capacità di integrare dati territoriali, osservazioni satellitari, rilievi LiDAR, reti IoT, modelli fisicamente basati e algoritmi di IA in un ambiente computazionale coerente. Il valore del Digital Twin sta precisamente nella possibilità di collegare ciò che accade nel territorio con ciò che può accadere sull’infrastruttura.
Le Physics-Informed Neural Networks e, più in generale, i modelli ibridi fisica-dati, non sostituiscono i modelli tradizionali dell’idraulica e della geotecnica, ma possono ridurre il divario tra accuratezza computazionale e tempestività operativa. Equazioni come Richards, per l’infiltrazione nei terreni insaturi, e Saint-Venant, per la propagazione delle piene, rimangono fondamentali per descrivere i processi fisici; l’IA può però trasformarle in moduli predittivi più rapidi, aggiornabili con dati osservati e utilizzabili all’interno di sistemi di supporto alle decisioni.
La stessa interoperabilità GeoBIM assume in questo quadro un valore strategico. Il BIM descrive la vulnerabilità dell’opera; il GIS descrive il contesto territoriale, idrologico e geomorfologico; il Digital Twin li mette in relazione. È in questa connessione che il rischio smette di essere una proprietà astratta del territorio o una scheda separata dell’infrastruttura, e diventa una grandezza dinamica, osservabile e aggiornabile nel tempo.
La piena efficacia di questi strumenti richiede però un salto di qualità nella governance pubblica. La resilienza climatica delle infrastrutture non può essere costruita separando il dato ambientale dal dato infrastrutturale: i flussi informativi relativi a bacini idrografici, frane, piene, precipitazioni e movimenti del suolo devono dialogare stabilmente con i dati relativi a ponti, viadotti, strade, ferrovie, traffico e vulnerabilità strutturale. In questa prospettiva, la manutenzione predittiva richiede una cooperazione sistemica tra amministrazioni titolari della tutela ambientale e del monitoraggio idrogeologico, come MASE e Protezione Civile, e amministrazioni o gestori competenti sulle infrastrutture di trasporto, come MIT, ANSFISA, concessionari e gestori di rete. Il Digital Twin diventa così non solo una tecnologia di simulazione, ma una piattaforma comune di decisione pubblica, nella quale chi governa il territorio e chi gestisce l’opera infrastrutturale leggono lo stesso sistema di rischio.
Il quadro normativo italiano sta già andando in questa direzione. L’approccio multilivello previsto dalle Linee Guida per ponti e viadotti, con l’attenzione specifica al rischio idraulico e al rischio frane, mostra che la sicurezza delle opere non può più essere valutata soltanto sulla base del degrado strutturale o della vulnerabilità sismica. La gestione dell’infrastruttura deve includere la relazione con il bacino, il versante, l’alveo e gli eventi climatici che ne condizionano la vita utile.
La sfida, quindi, non è soltanto tecnologica. È soprattutto organizzativa e amministrativa. Perché il Digital Twin diventi davvero uno strumento di resilienza climatica, occorrono governance del dato, interoperabilità tra piattaforme, procedure di validazione, responsabilità chiare, competenze ibride e capacità di trasformare gli scenari simulati in decisioni operative: ispezioni mirate, priorità manutentive, chiusure preventive, interventi di consolidamento e aggiornamento dei piani di rischio.
In definitiva, la manutenzione predittiva delle infrastrutture non coincide con la semplice digitalizzazione degli archivi o con l’installazione di nuovi sensori. Essa richiede una nuova capacità pubblica di leggere il territorio come sistema, anticipare l’evoluzione del rischio e motivare le decisioni sulla base di dati verificabili. È in questa convergenza tra ingegneria, intelligenza artificiale, modelli fisici e policy pubblica che i Gemelli Digitali possono diventare uno strumento concreto per proteggere le infrastrutture critiche dagli effetti del cambiamento climatico.
Bibliografia
[1] IPCC, «Synthesis Report. Contribution of Working Groups I, II and III to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change», pp. 35–115, 2023, doi: 10.59327/IPCC/AR6-9789291691647.
[2] Ministero dell’Ambiente e della Sicurezza energetica, «Approfondimento Investimento 1.1 – Realizzazione di un sistema avanzato ed integrato di monitoraggio e previsione». Disponibile su: https://www.mase.gov.it/portale/approfondimento-investimento-1-1-realizzazione-di-un-sistema-avanzato-ed-integrato-di-monitoraggio-e-previsione
[3] Leonardo, «Verso il Digital Twin del suolo italiano». Disponibile su: https://www.leonardo.com/it/press-release-detail/-/detail/07-08-2025-towards-the-digital-twin-of-italian-soil
[4] AUBAC, «Dal WebGIS al Digital Twin: l’innovazione digitale di AUBAC in copertina su Sustainability». Disponibile su: https://aubac.it/news/notizie/dal-webgis-al-digital-twin-linnovazione-digitale-di-aubac-copertina-su-sustainability
[5] ISPRA, «ISPRA presents the fourth report on hydrogeological instability in Italy: danger and risk indicators. Understanding the territory to prevent risks». Disponibile su: https://www.isprambiente.gov.it/en/archive/ispra-events/2025/07/ispra-presents-the-fourth-report-on-hydrogeological-instability-in-italy-danger-and-risk-indicators
[6] Y.-S. Yang, H.-F. Yeh, C.-C. Ke, L.-W. Wei, e N.-C. Chen, «The Evaluation of Rainfall Warning Thresholds for Shallow Slope Stability Based on the Local Safety Factor Theory», Geosciences, vol. 14, fasc. 10, p. 274, ott. 2024, doi: 10.3390/geosciences14100274.
[7] R. Hofmann, S. Berger, e L. Wimmer, «Early detection of climate change-induced shallow landslides with IoT-technology», Commun Earth Environ, vol. 6, fasc. 1, p. 695, ago. 2025, doi: 10.1038/s43247-025-02668-5.
[8] A. I. Delis e I. K. Nikolos, «Shallow Water Equations in Hydraulics: Modeling, Numerics and Applications», Water, vol. 13, fasc. 24, p. 3598, gen. 2021, doi: 10.3390/w13243598.
[9] M. El Hassan, A. Mjalled, P. Miron, M. Mönnigmann, e N. Bukharin, «Machine Learning in Fluid Dynamics—Physics-Informed Neural Networks (PINNs) Using Sparse Data: A Review», Fluids, vol. 10, fasc. 9, p. 226, set. 2025, doi: 10.3390/fluids10090226.
[10] S. Yang, H. Kim, Y. Hong, K. Yee, R. Maulik, e N. Kang, «Data-Driven Physics-Informed Neural Networks: A Digital Twin Perspective», 20 maggio 2024, arXiv: arXiv:2401.08667. doi: 10.48550/arXiv.2401.08667.
[11] Y. Li, Q. Sun, Y. Fu, e J. Wei, «Solving the Richards infiltration equation by coupling physics-informed neural networks with Hydrus-1D», Sci Rep, vol. 15, fasc. 1, p. 18649, mag. 2025, doi: 10.1038/s41598-025-02978-w.
[12] X. Liu e Y. G. Lai, «Physics-Informed Deep Operator Learning for Computational Hydraulics Modeling», 13 gennaio 2026, arXiv: arXiv:2601.08086. doi: 10.48550/arXiv.2601.08086.
[13] Ministero dell’Ambiente e della Sicurezza energetica, «Il MASE lancia SIM, infrastruttura per la sicurezza ambientale». Disponibile su: https://www.mase.gov.it/portale/-/il-mase-lancia-sim-infrastruttura-per-la-sicurezza-ambientale-
[14] ASI, «IRIDE ENTRA IN OPERAZIONE». Disponibile su: https://www.asi.it/2026/07/iride-entra-in-operazione/
[15] MIT, «Decreto ministeriale numero 204 del 1° luglio 2022 | Ministero delle infrastrutture e dei trasporti». Disponibile su: https://www.mit.gov.it/normativa/decreto-ministeriale-numero-204-del-1-luglio-2022
[16] M. Casini, «From WebGIS to a Digital Twin for Sustainable Water Governance and Climate-Resilient River Basin District Planning: The AUBAC Case in Central Italy», Sustainability, vol. 18, fasc. 5, p. 2168, gen. 2026, doi: 10.3390/su18052168.
Partecipa alla community