Gemello Digitale Multi-Agente per il Monitoraggio, la Predizione e l'Attuazione nel Controllo della Qualità dell’Acqua.

This thesis presents the design and development of a Multi‑Agent Digital Twin for real‑time monitoring, prediction, and control of water quality. The system integrates Machine Learning models and SHAP (SHapley Additive exPlanations)‑based interpretability algorithms to dynamically select the most suitable predictive model and provide reliable forecasts of the Water Quality Index (WQI) and related environmental parameters. The architecture is composed of distinct agents — Collector, Counselor, Actor, and Visualizer — orchestrated by a Director and a Super‑Director that manage the lifecycle of multiple Remote Telemetry Units (RTUs). Each agent handles a specific role: data acquisition, inference and prediction, rule‑based actuation, and interactive visualization. The infrastructure supports MQTT communication and distributed RTU management, ensuring scalability and adaptability to environmental monitoring applications. The results demonstrate high predictive accuracy and a significant reduction in Mean Absolute Error (MAE) through adaptive model selection and the integration of explainable intelligence into the decision‑making loop.

Questa tesi presenta la progettazione e lo sviluppo di un Gemello Digitale Multi‑Agente per il monitoraggio in tempo reale, la predizione e il controllo della qualità dell’acqua. Il sistema integra modelli di Machine Learning e algoritmi di interpretabilità basati su SHAP (SHapley Additive exPlanations) per selezionare dinamicamente il modello predittivo più adatto e fornire previsioni affidabili sull’indice di qualità dell’acqua (WQI) e sui parametri ambientali correlati. L’architettura è composta da agenti distinti — Collector, Counselor, Actor e Visualizer — orchestrati da un Director e da un Super‑Director, che gestiscono l’intero ciclo di vita delle unità di telemetria (RTU). Ogni agente è responsabile di una fase specifica: acquisizione dati, inferenza e predizione, attuazione basata su regole e visualizzazione interattiva. L’infrastruttura supporta la comunicazione MQTT e la gestione distribuita di più RTU, rendendo il sistema scalabile e adatto ad applicazioni di monitoraggio ambientale. I risultati mostrano un’elevata accuratezza predittiva e una notevole riduzione dell’errore medio assoluto (MAE) grazie alla selezione adattiva dei modelli e all’integrazione dell’intelligenza spiegabile nel ciclo decisionale.