Ricerca sulla previsione del carico di raffreddamento e l’ottimizzazione della ripartizione per il sistema di refrigerazione nelle piste di pattinaggio indoor: evidenze dalla Cina

Perché mantenere fredde le piste di ghiaccio è davvero importante

Le piste di ghiaccio indoor consumano molto più energia rispetto alle normali palestre sportive perché devono mantenere uno strato di ghiaccio stabile mentre le persone pattinano, si allenano e gareggiano. Con la costruzione di sempre più arene per il tempo libero e gli sport invernali, aumenta anche il loro consumo elettrico e l’impatto climatico. Questo studio esamina come mantenere il ghiaccio in buone condizioni usando meno energia, prevedendo quanto raffreddamento sarà necessario nelle ore successive e poi distribuendo quel lavoro in modo intelligente tra più macchine frigorifere.

Cosa determina il freddo in una pista di ghiaccio

Mantenere uno strato di ghiaccio congelato è come bilanciare il calore che entra da molte direzioni con il freddo rimosso dal sistema di refrigerazione. Il calore sale dal terreno, fluisce dall’aria più calda sopra il ghiaccio, proviene dal sole che penetra attraverso l’involucro dell’edificio e arriva come calore corporeo dei pattinatori e dall’acqua calda usata per la rigenerazione della pista. Gli autori elencano prima queste influenze e utilizzano un metodo statistico chiamato analisi relazionale grey per vedere quali fattori seguono più da vicino la domanda di raffreddamento. Per una grande pista pubblica a Pechino, i fattori principali risultano essere il numero di persone che pattinano, l’umidità dell’aria esterna, la quantità di luce diffusa morbida che colpisce l’edificio e la temperatura esterna dell’aria.

Insegnare a un computer a prevedere il fabbisogno di raffreddamento

Poiché queste influenze variano nel corso del giorno e della settimana, la domanda di raffreddamento si comporta come un modello temporale complesso piuttosto che come una semplice linea retta. Il team allena un tipo di modello di deep learning, noto come rete LSTM (long short-term memory), per apprendere questo schema dai dati storici. Inseriscono i fattori più importanti selezionati dall’analisi precedente, insieme alla cronologia recente dell’uso di raffreddamento della pista. Il modello guarda alle 24 ore precedenti per prevedere il valore successivo, catturando i ritmi giornalieri regolari così come i picchi improvvisi quando arrivano più pattinatori o cambia il tempo.

Rendere il motore di previsione più intelligente e snello

I ricercatori testano diverse versioni del loro motore di previsione per capire quali scelte di progettazione aiutano di più. Impilare due strati delle unità di apprendimento migliora la capacità del modello di catturare sia i brevi lampi sia le oscillazioni più lunghe della domanda. Aggiungere semplici indizi di calendario come ora del giorno, giorno della settimana, festività e orari degli eventi affina ulteriormente la sua capacità di prevedere quando i carichi tenderanno ad aumentare. Al contrario, un trucco di addestramento popolare chiamato batch normalization, che spesso aiuta altre reti profonde, si rivela dannoso per questo compito temporale perché sfoca le delicate relazioni tra un momento e il successivo. La migliore versione del modello riduce gli errori di previsione di oltre il dieci percento rispetto a un design più semplice e supera nettamente una rete neurale tradizionale che non gestisce altrettanto bene le sequenze temporali.

Ripartire il lavoro tra i chiller

La maggior parte delle piste di ghiaccio si affida a più unità di refrigerazione dimensionate per il caso peggiore di carico, eppure di norma funzionano a potenza parziale. Come viene diviso quel carico fa una grande differenza nel consumo energetico, perché ogni macchina ha un punto di funzionamento in cui è più efficiente. Utilizzando le previsioni a breve termine del carico, gli autori costruiscono un modello matematico che decide quanto deve lavorare ciascun chiller affinché, insieme, soddisfino il fabbisogno di raffreddamento con il minor consumo elettrico totale. Per risolvere questo problema applicano un metodo di ricerca ispirato al comportamento di caccia delle megattere, che alterna l’esplorazione ampia con l’avvicinamento a una soluzione promettente.

Quanto può risparmiare il controllo intelligente

Lo studio confronta questa strategia basata sulla megattera con due regole semplici usate nella pratica: accendere i chiller in un ordine fisso e suddividere il carico equamente tra tutte le macchine. Nei giorni a bassa, media e alta domanda di raffreddamento, l’approccio «megattera» usa costantemente meno energia, con risparmi di circa il 6–8% rispetto ai metodi base nella pista oggetto del caso studio. Supera inoltre due altri noti strumenti di ottimizzazione, gli algoritmi genetici e l’ottimizzazione a sciame di particelle, trovando soluzioni migliori più rapidamente e con meno passaggi di calcolo. Nei periodi di bassa domanda spesso fa funzionare solo un’unità, mentre nelle ore di punta aggiusta la combinazione di unità e i loro carichi parziali per evitare funzionamenti spreconi.

Cosa significa per le piste di ghiaccio future

In termini semplici, il lavoro dimostra che «guardare avanti» di poche ore e poi pianificare come distribuire lo sforzo di raffreddamento tra le macchine può ridurre sensibilmente la bolletta elettrica di una pista di ghiaccio senza cambiare l’edificio o l’attrezzatura. Il metodo proposto lega insieme un motore di previsione e un pianificatore intelligente in modo che possa essere riaddestrato per altre piste o anche per celle frigorifere e impianti alimentari. Con più dati e possibile integrazione nei sistemi di controllo automatico, approcci di questo tipo potrebbero consentire la crescita degli sport su ghiaccio indoor mantenendo sotto controllo l’impronta ambientale.

Citazione: Du, Z., Liu, Y., Xue, Y. et al. Research on cooling load prediction and allocation optimization for refrigeration system in indoor ice rink: evidence from China. Sci Rep 16, 10117 (2026). https://doi.org/10.1038/s41598-026-38121-6

Parole chiave: pista di ghiaccio indoor, raffreddamento a efficienza energetica, apprendimento automatico, controllo della refrigerazione, algoritmo di ottimizzazione