Apprendimento automatico in idrogeologia: modelli ibridi CNN–LSTM per un utilizzo sostenibile dei Campi Geotermici Euganei (EuGFs)

The Euganean Geothermal Fields (EuGFs) represent one of the most important low-enthalpy geothermal resources in Italy. Their thermal waters, with temperatures ranging between 63°C and 87°C, are intensively exploited for balneotherapy and tourism, supporting one of the major thermal districts in Europe. During the 20th century, overexploitation caused a significant decline in potentiometric levels in the central areas of the system, raising concerns about the sustainable management of the geothermal resource and its long-term availability. To support the management of the EuGFs and assess possible future exploitation scenarios, a hybrid deep learning model was developed. The model integrates Convolutional Neural Network (CNN) layers with Long Short-Term Memory (LSTM) units into a single hybrid architecture capable of processing a 50-year time series and predicting potentiometric levels from extraction data, combining historical monitoring records with new data from the TREASURE project. The results highlight a good predictive capability and effectiveness in capturing the main temporal variations of the system in relation to thermal fluid extraction. The proposed approach represents a promising decision-support tool, contributing to the optimization of geothermal resource utilization, promoting its long-term sustainability and assessing its potential application in the energy sector.

I Campi Geotermici Euganei (Euganean Geothermal Fields – EuGFs) rappresentano una delle più importanti risorse geotermiche a bassa entalpia in Italia. Le loro acque termali, con temperature comprese tra 63°C e 87°C, sono intensamente sfruttate per la balneoterapia e il turismo, sostenendo uno dei principali distretti termali in Europa. Nel corso del XX secolo, il sovrasfruttamento ha determinato un significativo abbassamento dei livelli potenziometrici nelle aree più centrali, sollevando preoccupazioni sulla gestione sostenibile della risorsa geotermica e sulla sua disponibilità a lungo termine. A supporto della gestione degli EuGFs e per una valutazione di possibili futuri scenari di utilizzo, è stato sviluppato un modello ibrido di apprendimento profondo (deep learning). Il modello integra strati convoluzionali (CNN) con unità LSTM (Long Short-Term Memory) in un’unica architettura ibrida in grado di elaborare una serie temporale di 50 anni e prevedere i livelli potenziometrici a partire dai dati di estrazione, integrando i dati storici di monitoraggio con i nuovi dati del progetto TREASURE. I risultati evidenziano una buona capacità predittiva e l’efficacia nel catturare le principali variazioni temporali del sistema in relazione alle estrazioni di fluidi termali. L'approccio proposto costituisce un interessante strumento di supporto decisionale, contribuendo all’ottimizzazione dell’utilizzo della risorsa geotermica, favorendone la sostenibilità a lungo termine e valutandone un potenziale impiego in ambito energetico.