1 / 34

Predisposizione di modello controllo delle acque potabili: modalità lavoro e analisi dei dati

Predisposizione di modello controllo delle acque potabili: modalità lavoro e analisi dei dati. Appendice A. Claudio Bonifazzi Professore di Statistica e Analisi dei Dati Scuola di Medicina – Università di Ferrara Leonella Rossi Dirigente Area Laboratoristica ARPA – Regione Emila Romagna

apu
Download Presentation

Predisposizione di modello controllo delle acque potabili: modalità lavoro e analisi dei dati

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Predisposizione di modello controllo delle acque potabili: modalità lavoro e analisi dei dati Appendice A Claudio Bonifazzi Professore di Statistica e Analisi dei Dati Scuola di Medicina – Università di Ferrara Leonella Rossi Dirigente Area Laboratoristica ARPA – Regione Emila Romagna Il controllo delle acque potabili: nuovi orizzonti . Bologna 5 giugno 2013

  2. Finalità del progetto • Realizzazione di un modello integrato per il controllo delle acque destinate al consumo umano nel rispetto delle normative vigenti e delle specifiche tecniche, procedurali e documentali che queste comportano e con il concorso di tutti gli attori istituzionali (AUSL, ARPA, Gestori e/o Distributori)chiamati a espletare questo compito • Modello basato sulla valutazione preventiva del rischio che si verifichi unevento avverso quale l’impossibilità di rilevare la presenza di sostanze contaminanti, che permetta di fare valutazione del rischio sull’intero processo (generale) e su ciascuna sua fase (puntuale); adattabile a tutte le filiere di captazione, potabilizzazione e distribuzione presenti sul territorio.

  3. Indici di Complessità • Normativa • Legge della CE, recepita a livello nazionale, tradotta in decreto regionale • Enti diversi preposti (AUSL, ARPA, Distributore/Gestori) a funzioni diverse • Categorizzazione dei siti di captazione, delle caratteristiche della rete, … • Modalità di campionamento per tempi, luoghi e sostanze • Procedure di accettazione, analisi e rendicontazione codificate • Tempi di espletamento e norme per la pubblicazione degli esiti • ….. • Strutturale • Siti di captazione profondi, superficiali e di altra natura • Sorgenti utilizzate in modo continuo, stagionale e occasionale • Reti di distribuzione fortemente interconnesse • Presenza di filiere captazione-distribuzione diverse nella medesima area • Presenza di gestori e distributori diversi nel territorio • ….

  4. Indici di Complessità • Di analisi • Numero molto elevato di sostanze da monitorare (oltre 60) • Sostanze con diverso impatto sulla salute del cittadino • Campionamento codificati secondo criteri diversi lungo la filiera • Misure di concentrazione con diversa sensibilità e precisione • Tecniche e protocolli di analisi in continuo aggiornamento • Variabilità della concentrazione di ciascuna sostanza • In filiere diverse, in punti e in tempi diversi • Presenza di eventi accidentali e non quantificabili • Misura della concentrazione rispetto ad un valore di riferimento • … Obiettivo. Predisporre un metodo per il controllo delle acque potabili che tenga conto degli indici di complessità noti e ipotizzati; che abbia a supporto la valutazione quantitativa del rischio della mancata segnalazione di un evento avverso; che possa dare indicazioni per una eventuale riprogettazione del processo di monitoraggio

  5. FMEA/FMECA FMEA/FMECA (Failure Modes-Effects (Critical) Analysis(1)) è una metodologia utilizzata per identificare e valutare il rischio di un potenziale evento avverso in un processo produttivo, in un servizio o in un processo transazionale. FMEA è un metodo grafico impiegato nella fase di progettazione/riprogettazione di un processo e può essere utilizzato nella fase di analisi, di miglioramento e di controllo del processo. FMEA/FMECA è una tecnica di ottimizzazione(2) utilizzata per: • Progettare/riprogettare il processo secondo criteri di robustness • Introdurre miglioramenti e semplificazioni procedurali e individuare i problemi • Ridurre gli oneri organizzativi e razionalizzare i costi • Aumentare la conoscenza del processo e favorire il lavoro di squadra • Dare una priorità a ciascuna delle possibili fasi di improving. Il project team individua i possibili eventi avversi e le cause che li possono generare; per ciascuno evento indica un indice di gravità (G) (effetti provocati), un indice di probabilità(P) (frequenza dell’evento) e un indice di rilevabilità (R) (possibilità di misurare l’evento)e calcola il RiskPriorityNumber(RPN) o indice probabile di rischio (IPR) di ciascun evento avverso: IPR = G x P x R

  6. Tabella FMEA FMEA è un metodo grafico utilizzato nella fasi di analisi, miglioramento e controllo del processo di innovazione per individuare i possibili miglioramenti da apportare e fissare l’attenzione sui fattori che hanno un maggiore impatto sul servizio. La tabella mostra un modello generale di FMEA utilizzabile nelle fasi di analisi e miglioramento. Processo. Descrizione coincisa di ciascuna fase del processo. Failure Mode. Potenziali disservizi e/o malfunzionamenti (failure). Failure Effects. Elenco delle cause reali o potenziali conseguenze di ciascun failure. Gravità. Incidenza di un potenziale failure sul processo: fattoreG valore in scala 1-5. Cause.Elenco dettagliato delle potenziali cause di disservizio. Probabilità. Frequenza con la quale può verificarsi ciascunfailure: fattore P in scala 1-5. Controlli. Opportunità di individuare le cause di un potenziale failure in uno stadio iniziale. Rilevabilità. Indice che quantifica la possibilità di misurare la sia misurata (R) , in scala 1-5. Risk Priority Number (RPN). Prodotto di gravità (G), frequenza (P) e misurabilità (R). Per ciascuna fase RPN indica la priorità con la quale deve essere intrapresa l’azione di miglioramento..

  7. Tabella FMEA. Controllo delle acque potabili • Processo. Campionamento, misura e rendicontazione della concentrazione di varie sostanze. • Failure Mode. Mancata segnalazionedi un valore non conforme. • FailureEffects. Limitazione del servizio, …, conseguenze sulla salute. . • Gravità(G). Fattore legato agli effetti della assunzione di una data sostanza • Cause. Contaminazione in uno qualsiasi dei punti di controllo lungo la filiera. • Probabilità(P). Fattore dipendentedagli aspetti tecnici, territoriali, antropici, …. • Controlli. Prelievi/analisi/rendicontazione già attivi sul territorio. • Rilevabilità (R). Fattore legato alla misura di concentrazione rispetto ai limiti di legge (LL) RPN = GxPxR

  8. Modello Sperimentale • Complessità normativa • Espressa nella struttura di controllo territoriale articolata in figure diverse (AUSL, ARPA, Gestori) deputate a funzioni diverse; nelle modalità di campionamento per luogo, tempi e parametri; nelle modalità di reporting, … • Complessità strutturale • Definizione di un modello generale di filiera distributiva che tenga conto di tutti i possibili fattori di contaminazione nelle fasi di captazione e distribuzione. Scelta di un modello territoriale prototipo della fornitura dell’acqua potabile • Complessità di analisi • Scelta di un gruppo di parametri (data set) rappresentativo dell’intero processo di monitoraggio: effetti sulla salute, modalità di campionamento, e variabilità di ciascuna sostanza nel tempo e nei punti di campionamento. Modello di riferimento (storico) per la riprogettazione del processo

  9. Filiera: schema generale • Profonda, superficiale, altra natura • Utilizzo continuo/stagionale/sporadico • Campionamento caratteristico • Caratteristiche Fis/Chimiche di H2O • Impatto di una non conformità (?) Captazione Captazione Uscita Centrale • Punto di controllo della potabilizzazione • Proprietà Fis/Chim perfettamente controllabili • Punto iniziale della rete distributiva • Impatto di una non conformità (?) Uscita Centrale Rete di Distribuzione • Acqua di provenienza da filiere diverse • Utilizzo continuo/stagionale • Caratteristiche tecniche della rete • Proprietà F/C dipendenti da fattori locali • Densità abitativa, insediamenti critici • Insediamenti industriali • Impatto di una non conformità (?) Rete

  10. Modello Territoriale Centro PozziS. Vitale 01 Area Pianura C.P. Tiro a segno 01 Area Bologna C. P. Borgo Panigale 01 Area Bologna C.P. Fossolo 01 Area Bologna C. P.Mirandola 02 Area Pianura Sorgente Superficiale Setta

  11. Modello Territoriale • Replicazione di più filiere • Sorgenti profonde e superficiali • Approvvigionamento continuo/stagionale/occasionale • Estensione/sovrapposizione delle reti • Presenza di insediamenti civili critici e industriali Centro PozziS. Vitale 01 Area Pianura C.P. Tiro a segno 01 Area Bologna C. P. Borgo Panigale 01 Area Bologna C.P. Fossolo 01 Area Bologna C. P.Mirandola 02 Area Pianura Sorgente Superficiale Setta

  12. Data Set - Sistema Informativo Data Set HERA – Campionamento POZZI area di BO Anni 2009-2011 'data.set’: 7576 obs. of 7 variables: $ PUNTOPRELIEVO: Factor w/ 42 levels "BO1BOL001POZ000#BORGO POZZO 1",..: 18 21... $ DATA : Factor w/ 103 levels "01/02/10","01/02/11",..: 26 26 26 52 55 ... $ SOSTANZA : Factor w/ 62 levels "ALLUMINIO","AMMONIO",..: 1 1 1 2 2 2 2 ... $ UMISURA : Factor w/ 15 levels "-",”mg/L",”ug/L",..: 4 4 4 4 4 4 4 ... $ LTGTEQ : Factor w/ 3 levels "","<",">": 2 2 2 2 2 2 2 2 2 2 ... $ VALOREN : num 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 ... $ VALOREA : Factor w/ 7 levels "","ASSENTE","ASSENTI",..: 1 1 1 1 1 1 1 ... 'data.set’: 7576 obs. of 12 variables: $ AREAMAT : Factor w/ 1 level "BO1": 1 1 1 1 1 1 1 1 1 1 ... $ COMUNE : Factor w/ 3 levels "BOL","CAL","SLA": 1 1 1 1 1 1 1 1 1 1 ... $ COMPDC : Factor w/ 28 levels "001","002","003",..: 19 22 23 1 1 1 2 2 2 2 ... $ TIMPTO : Factor w/ 1 level "POZ": 1 1 1 1 1 1 1 1 1 1 ... $ PUNTOC : Factor w/ 1 level "000": 1 1 1 1 1 1 1 1 1 1 ... $ ANNO : Factor w/ 3 level "2009”,"2010”,"2011": 4 3 1 1 2 1 1 3 3 3 ... $ DATA : Factor w/ 103 levels "01/02/10","01/02/11",..: 26 26 26 52 55 ... $ SOSTANZA: Factor w/ 62 levels "ALLUMINIO","AMMONIO",..: 1 1 1 2 2 2 2 2 2 2 ... $ UMISURA : Factor w/ 15 levels "-",”mg/L",”ug/L",..: 4 4 4 4 4 4 4 4 4 4 ... $ LTGTEQ : Factor w/ 3 levels "","<",">": 2 2 2 2 2 2 2 2 2 2 ... $ VALOREN : num 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 ... $ VALOREA : Factor w/ 7 levels "","ASSENTE","ASSENTI",..: 1 1 1 1 1 1 1 1 1 1 …

  13. Sostanze/Parametri selezionati Per punto di campionamento • Per finalità: • Verifica di stabilità del Processo • Verifica Completa della matrice

  14. Indice di Gravità G (1)Captazione Superficiale (2)Punto di Rete (3)Captazione Profonda La scelta del valore da assegnare al fattore G è stata fatta a partire dalla incidenza sulla salute del cittadino di sostanze a concentrazione superiore a quanto previsto dai limiti di legge per tempi prolungati. Questa assunzione spiega il diverso ranking dato alla medesima sostanza se individuata in punti diversi della filiera captazione-distribuzione. Il ranking assegnato a ciascuna sostanza è legato alla rappresentatività della sostanza rispetto alla rete distributiva della città di Bologna; l’estrapolazione del metodo ad altre aree richiede la definizione di un set di parametri e di un ranking rappresentativi della nuova realtà.

  15. Indice di Probabilità P Con P si vuole dare una indicazione quantitativa della frequenza con la quale può verificarsi un evento avverso nelle diverse aree del processo di captazione-distribuzione. Il ranking è stato assegnato con criteri diversi per i punti di captazione e per l’uscita centro e rete. • Captazione superficiale e profonda. Classificazione del punto di captazione normativa; dalla frequenza di approvvigionamento (continuo, stagionale, occasionale); nel caso delle sorgenti profonde dal turnover dei pozzi; dalla presenza di fattori antropici nell’area del sito di captazione; ecc. • Uscita centro e punti di rete. Ranking assegnato a partire dalla densità abitativa; dalla presenza di “strutture sensibili” quali ospedali, scuole, il carcere, ecc.; dalla presenza di insediamenti industriali. Dalle caratteristiche tecniche della rete distributiva: età, frequenza degli interventi manutentivi, ampliamenti, ecc.. • Il fattore P assume un valore progressivamente crescente nell’intervallo [1, 5] in presenza di più fattori concomitanti

  16. Indice di Rilevabilità L’indice R è legato alla distribuzione dei valori di concentrazione rispetto ai limiti di legge di ciascuna sostanza Valori Misurati Limite di Legge Concentrazione (a.u.)

  17. Indice R. Divisione in Classi • Classe A. Sostanze i cui valori (N) sono tutti minori del limite di rilevabilità (<LR)(*); Nc + NM = N, Nc= N; dove: Nc valori <LR e NMvalori ≥LR • Classe B. Sostanze in cui valori sono in parte minori (<LR) e in parte maggiori o uguali dellimite di rilevabilità (≥LR). Nc + NM= Ndove Nce NM≠ 0 • Classe C. Sostanze i cui valori sono tutti al sopra del limite di rilevabilità (≥LR). Nc + NM = N dove NM=N e Nc= 0 (*) Nella analisi dei dati ambientali valori inferiori ad un limite di riferimento quale il limite di rilevabilità LR della tecnica strumentale, sono noti come non detected data o left censored dataperché possono assumere uno dei valori possibile compresi nell’intervallo [0, LR]; i valori posti al di spora del limite di rilevabilità sono moti come valoro misurati o detected data. La descrizione in termini di media, varianza, distribuzione percentuale, ecc. di sostanze con left censored data necessita di apposite tecniche di analisi statistica (3).

  18. Indice R. Calcolo • Step 1. Calcolo del 95 percentile (P95) della distribuzione dei valori di ciascuna sostanza • Classe A. Limite di rilevabilità (LR) di ciascuna sostanza. • Ammonio (NH4), Bromato, IPA, Mercurio (Hg), Nitrito (N02), Piombo (Pb), Torbidità • Classe B. Valore P95 del data set con Nce NM ordinati. • Alluminio (Al), Clorito, Cromo (Cr), Ferro (Fe), Manganese (Mn), Nichel (Ni),Nitrato (NO3), Trialometani Totali, Tricoloroetilene + Tetracloroetilene. • Classe C. Valore P95 del data set con NM ordinato.. • Coliformi totali(*), Cloruro, Conducibilità a 20°C, Durezza, Escherichia coli, pH, Solfato (SO4). (*)I coliformi sono indicati come appartenenti alla classe C stati per rimarcare che nelle acque destinate al consumo umano non vi deve essere contaminazione batterica; quindi nella calcolo del fattore R il limite di legge è stato posto uguale a zero.

  19. Indice R. Calcolo Step 2. Classificazione del percentile P95(*) nell’intervallo di estremi [0, LL] dove LL è il limite di legge; l’intervallo è separato in cinque parti uguali. 0 LL/5 LL • Se la sostanza è in Classe A, il valore R è posto uguale a 1 (R=1). • Se la sostanze è in classe B o C il fattore R assume valore: • R = 1 per P95≤LL/5, • R = 2 per (2/5)xLL < P95 ≤ (3/5)xLL; • …. • R = 5 per (4/5)LL < P95 ≤ LL. • Se il 95-esimo percentile P95>LL, il fattore R è posto uguale a 5 1 2 3 4 5 (*) Per le sostanze in classe A, P95 è uguale al limite di rilevabilità strumentale; per le sostanza il classe C il percentile 95 è il valore in posizione 95*N/100; per le sostanze il classe B il calcolo è stato eseguito con le tecniche illustrate nel testo citato nel riferimento (3) che tengono conto del numero di undetected (NC) e detected (NM) data presenti nel data set (3).

  20. Percentile P95 e Fattore R Percentile P95 Fattore R N.B. La assegnazione del valore R sulla base del P95 è una trasformazione di scala che preserva l’informazione sulla distribuzione dei valori misurati rispetto al limite di legge e, al medesimo tempo, permette di confrontare le sostanze indipendentemente dalla loro variabilità intrinseca

  21. Calcolo di IPR • IPR = G x P x R • IPR ha valori compresi nell’intervallo di estremi [1, 125] e per ciascuna sostanza il valore di IPR può essere dato da una diversa combinazione dei tre fattori; ad esempio: • IPR=10 è il risultato del prodotto G=5 x P=2 x R=1: la sostanza è di gravità elevata (G=5); il campione proviene da un punto di campionamento (PdC) controllabile e con basso rischi di contaminazione (P=2); la sostanza ha un valore di concentrazione stabile e distante dal limite di legge (R=1). • IPR=48 è il risultato del prodotto G=3 x P=4 x R=4: la sostanza è di gravità intermedia (G=3), nell’area in cui è sito il PdC ci sono insediamenti sensibili e e la rete è complessa (P=4); infine, la concentrazione è molto variabile con valori prossimi al limite di legge (R=4). • La sostanza (2) ha un indice di criticità IPR relativamente alto pari a circa 1/3 della scala di rischio; la sostanza (1) ha un valore IPR relativamente basso, meno di 1/10 della intera scala: sulla base di questa valutazione è possibile valutare se è necessario modificare il protocollo di monitoraggio ponendo l’attenzione principalmente sulla sostanza (2).

  22. Borgo Panigale - IPR IPR vs Punto di Camp. IPR vs Anno IPR riproduce in una diversa scala di misura la variabilità osservata nella misura di concentrazione pesata dai fattori di gravità (G) e di probabilità (P); ciascun simbolo è associato ad un diverso campione

  23. Fossolo – IPR IPR vs Punto di Camp. IPR vs Anno I fattori di (G) e (P) agiscono come coefficienti di amplificazione e/o di attenuazione in base al rischio potenziale generato dalla mancata segnalazione di non conformità.

  24. Borgo Panigale - Data Set data.frame : 1611 obs. of 18 variables: $ SAMPLEID : int 200102485 200102485 200102485 200102485 200102485 200102485 ... $ ANNO : Factor w/ 4 levels "2009","2010",..: 1 1 1 1 1 1 1 1 1 1 ... $ PUNTOC : Factor w/ 5 levels "A14BO000","A14BO002",..: 4 4 4 4 4 4 4 4 4 4 ... $ FILIERA : Factor w/ 3 levels "1-C.POZZI","2-U.CENTRO",..: 1 1 1 1 1 1 1 1 1 1 ... $ ANALISI : Factor w/ 2 levels "COMPLETA","INDICATORE": 1 1 1 1 1 1 1 1 1 1 ... $ SOSTANZA : Factor w/ 24 levels "Alluminio (Al)",..: 8 8 12 12 12 12 15 15 19 19 ... $ VALORE : num 1 2 0 0 0 0 1 1 2 2 ... $ UdM : Factor w/ 8 levels "gradi F","mg/l",..: 6 6 6 6 6 6 6 6 6 6 ... $ LIMINF : num 0 0 0 0 0 0 0 0 0 0 ... $ LIMLEG : num 50 50 0.1 0.1 0.1 0.1 20 20 10 10 ... $ CENSORED : logi TRUE FALSE TRUE TRUE TRUE TRUE ... $ CLASSE : Factor w/ 3 levels "A","B","C": 2 2 1 1 1 1 2 2 1 1 ... $ FATTOREG : int 4 4 4 4 4 4 4 4 1 4 ... $ FATTOREP : int 1 1 1 1 1 1 1 1 1 1 ... $ PERC95 : num 2 2 0.003 0.003 0.003 0.003 3.75 3.75 2 2 ... $ FATTORER : int 1 1 1 1 1 1 1 1 1 1 ... $ IPR : int 4 4 4 4 4 4 4 4 1 4 ... $ CLASSEIPR: int 1 1 1 1 1 1 1 1 1 1 ... • Il data set originale è composto dalle prime 8 variabili: SAMPLEID, ANNO, PUNTOC, …, VALORE e UdM. • Le variabili LIMINF, LIMLEG, CENSORED, CLASSE, ecc. elencano gli step della FMEA (Fattore G, Fatttore P, …) e il valore calcolato di IPR. • Classe IPR è una variabile ordinale che separa IPR in classi di gravità crescente: Classe IPR =1, per IPR≤25; Classe IPR =2, per 25<IPR≤50, …, Classe IPR=5, per 100<IPR≤125.

  25. Sistema Informativo • Il Data Set contiene al suo interno i fattori che caratterizzano la complessità del processo di monitoraggio e, espresso come valore IPR e dei fattori G, P e R, il rischio di una mancata segnalazione a fronte di una non conformità • Con semplici Query è possibile estrarre dal sistema informativo: (a) il valore IPR relativo ad un dato periodo temporale (l’intero ANNO, un singolo periodo, il medesimo periodo in anni successive); (b) l’indice IPR delle sostanze che fanno parte del CONTROLLO COMPLETO della matrice; (c) il valore di IPR in un gruppo di punti di campionamento (PUNTOC) appartenenti ad quartiere o una zona con struttura sensibile, ecc. (d) Query che interpellano i campi PUNTOC e DATA consentono l’estrazione e il monitoraggio nel tempo del valore IPR in punti di particolare interesse. • Le diapositive che seguono mostrano alcuni possibili utilizzi di IPR a partire dai valori nel data-set.

  26. Separazione di IPR in Classi • Il valore di IPR rappresenta un termine di paragone per le sostanze prelevate da PdC diversi nelle aree della filiera/filiere scelta come modello di riferimento. Il valore calcolato nei POZZI, nei punti di USCITA CENTRO e di RETE permette di valutare per il singolo punto di campionamento il rischio di non segnalare una eventuale evento avverso. • La separazione di IPR in classi di rischio permette di dare una valutazione del rischio associato a una singola sostanza rispetto all’insieme delle sostanze campionante. Classe IPR è una variabile categoriale di valori 1-5 di larghezza pari a 25 IPR; i valori di Classe IPR sono stati raggruppati in una tabella a 2-vie dove in riga sono elencate le sostanze monitorate: • Sostanze con Classe IPR >1 sono evidenti a partire dalla seconda colonna della tabella a 2-Vie e l’aumentare del loro numero elevato di queste sostanze è una indicazione di allerta rapidamente riconoscibile.

  27. Classe IPR - Tabella a 2-Vie

  28. IPR e Stato di Allerta Confronti. Sull’asse orizzontale sono messe a confronto le Aree di ciascuna filiera; sull’asse verticale la singola area nelle diverse filiere. (1) Le filiere Fossolo e Setta hanno il maggior numero di campioni in stato di allerta Alto; (2) in tutte le filiere il numero di PdC in allerta Alto aumenta lungo la filiera. (3) I campioni prelevati dai punti di captazione (Pozzi, Torrente) sono nella quali totalità in allerta Basso; (4) le aree con la maggior percentuale di PdC in allerta Alto sono T.SETTA:U.CENTRO e FOSSOLO:P.RETE; (5) ….

  29. Data-Set: Confronto fra Aree Tabella : Valori estratti dal data-set HERA sui POZZI POZZi MI P1 P10 P11 P12 P13 P14 P2 P3 P4 P5 P6 P7 P8 P9 ANNO BORGO 2009 0 70 70 0 71 70 0 70 71 0 70 70 70 70 0 2010 0 54 68 0 68 68 0 68 54 0 68 54 68 54 0 2011 0 66 66 0 66 66 0 66 66 0 66 66 66 66 77 FOSSOLO 2009 0 0 0 0 0 0 0 0 46 0 0 46 71 71 0 2010 0 0 0 0 0 0 0 0 79 0 0 68 46 69 0 2011 0 0 0 0 0 0 0 0 36 0 0 33 33 33 0 MIRANDOLA 2009 0 70 0 0 0 0 0 70 70 70 70 0 0 0 0 2010 0 68 0 0 0 0 0 68 68 70 68 0 0 0 0 2011 0 66 0 0 0 0 0 33 66 66 42 0 0 0 0 SANVITALE 2009 0 35 70 0 70 70 0 0 0 0 71 104 105 70 70 2010 0 68 70 0 68 85 0 0 0 66 68 68 68 70 68 2011 0 33 66 0 66 66 0 0 0 66 66 66 66 66 66 TIROAS 2009 0 0 0 70 70 70 0 81 95 70 0 70 84 85 0 2010 0 0 0 68 68 68 0 68 68 68 0 68 70 68 0 2011 3 3 0 66 66 66 17 66 66 66 0 66 66 66 0 La Mappa dell’utilizzo dei Pozzi Analisi nel periodo 2009-2011 (valori in grassetto) mette in evidenza quali di questi sono utilizzati in modo continuo, periodico ed estemporaneo nell’unità di tempo pari ad un Anno

  30. Distribuzione di una sostanza Data Set HERA POZZI. Durezza Totale (Classe A). Grado di ripetitività e riproducibilità della Durezza Totale osservata nelle filiere Borgo, …, Tiro a Segno nel periodo 2009-2011.

  31. Ammonio (B) – C. Pozzi & Anno • Percentuale di valori >LR = 0.5 in ciascuna Centro Pozzi. • R=1 a Borgo, Fossolo e Tiro AS; R =3 a Mirandola e San Vitale. • Percentuale di valori >LR rilevati preso in esame. • Negli ANNI 2009 – 2003 il fattore R calcolato per tutti i Centri Pozzo e uguale 3. • La linea orizzontale è il Limite di Rilevabilità

  32. Ammonio – Classe IPR AREA BORGO FOSSOLO MIRANDOLA SANVITALE TIROAS CIPR ANNO 1 2009 18 6 9 5 17 2010 20 7 7 16 18 2011 22 4 6 14 18 >1 2009 2 0 114 1 2010 0 0 3 4 0 2011 0 0 25 0 In quale Centro Pozzi POZZO P1 P10 P11 P12 P13 P2 P3 P4 P5P6P7P8P9 CIPR LUOGO 1 BORGO 5 6 0 5 6 6 6 0 6 6 6 6 2 FOSSOLO 0 0 0 0 0 0 4 0 0 4 4 5 0 MIRANDOLA 2 0 0 0 0 4 6 6 4 0 0 0 0 SANVITALE 4 0 0 5 6 0 0 4 5 4 4 3 0 TIROAS 0 0 6 5 6 6 6 6 0 6 6 6 0 >1 BORGO1 0 0 1 0 0 0 0 0 0 0 0 0 FOSSOLO 0 0 0 0 0 0 0 0 0 0 0 0 0 MIRANDOLA4 0 0 0 0 1 0 0 1 0 0 0 0 SANVITALE 0 6 0 1 0 0 0 0 1 3 3 3 6 TIROAS 0 0 0 1 0 0 0 0 0 0 0 0 0 In quale Pozzo In Grassetto sono indicati i centri pozzo e i pozzi nei quali i valori rilevati sono in classe L2

  33. Domande • La tecnica FMEA può essere uno strumento di analisi, miglioramento e controllo del processo di distribuzione delle acque potabili? • La FMEA è una tecnica robusta in grado di seguire variazioni del fattore di rischio a fronte di variazioni programmate o accidentali dei fattori che influenzano il processo di distribuzione? • La FMEA può essere trasformata in una procedura standardizzata di carattere generale di futura informatizzazione?

  34. Note • Originariamente sviluppata negli anni quaranta da U.S. Military (MIL–STD–1629, 1949); è stata utilizzata dalla NASA a partire dal 1966 per i progetti Apollo, Viking, Voyager, Magellano e Galileo. Contemporaneamente FMEA/FMECA si è diffusa all'aviazione civile (1967), al settore automobilistico (1970) e all’industria elettronica (1985). A seguito della sua inserimento fra le procedure di Risk Analysis and Management (1991) è entrata a far parte è stata codificata come ed è entrata afar parte del la valutazione del rischio e dal 2001è entrata a far parte del mondo sanitario come tecnica di tipo proattivo della valutazione del rischio. • FMEA/FMECA è generalmente utilizzata nella fase di progettazione ex novo di un processo o quando un processo esistente necessita di miglioramenti in una o più fasi. Fa parte del percorso di miglioramento continuo dei processi e dei servizi (Define, Analize, Measure, Improve and Control o DMAIC) ed è può essere utilizzato nella fase di Analyze ed Improve per individuare, sulla base del valore IPR, le priorità delle fasi di miglioramento e nella fase di Control per verificare l’efficacia delle modifiche adottate. Le note sono tratte da: M.J. HARRY, “Statistics and Lean Six Sigma for ProcessImprovements”, Wiley (2009). • L’ analisi e la rappresentazione grafica delle sostanze in classe B – media, mediana, percentili, box-plot, istogramma, ecc. – è stata eseguita con tecniche statistiche che tengono conto della presenza di dati mancanti leftcensored. Queste tecniche sono descritte nel testo D. R. HELSEL, “Statistics for CensoredEnviromental Data” II Eds, Wiley (2012) e rappresentano un approccio innovativo alla analisi statistica di data-set che contengono dati non misurabili senza ricorrere alla sostituzione dei dati mancanti con un valore rappresentativo generalmente adottato.

More Related