In questo progetto ho voluto realizzare una modellazione software della filiera produttiva agroalimentare in un ottica di Agricoltura 4.0, concentrandomi sul settore vitivinicolo (basandomi su mia epserienza personale) ed ho progettato una fusione tra un Simulatore Digitale (Digital Twin) e un Decision Support System (DSS) con lo scopo di:

1. Gestire 3 linee di prodotto: Barbera, Aglianico e Moscato.
2. Simulare 2 flussi di lavorazione: vinificazione in rosso (macerazione) e in bianco (pressatura soffice).
3. Calcolare output e sottoprodotti: stima della produzione di vino finito e della biomassa di scarto (Vinaccia) per l'economia circolare.
4. Ottimizzare le risorse (Scheduling): implementazione di algoritmi per la gestione di priorità e budget limitati (ore uomo), simulando scenari di scarsità delle risorse.

Questo Project Work rappresenta per me il punto di incontro tra la mia esperienza professionale pregressa nel settore IT e i paradigmi teorici approfonditi durante il corso di laurea. Partendo da un background tecnico già consolidato (gestione server, networking e sviluppo desktop/web), ho utilizzato questo progetto per applicare i principi appresi durante il mio percorso universitario, indirizzando le mie competenze pratiche verso una modellazione ingegneristica più rigorosa.

Gli studi accademici mi hanno fornito gli strumenti matematici e metodologici necessari per elevare la qualità del software: dall'uso avanzato della logica a oggetti (OOP) e degli algoritmi di simulazione, fino alla progettazione sicura delle architetture di rete. Questo simulatore è, in definitiva, la sintesi tra il "saper fare" tecnico che ho acquisito sul campo e il "saper progettare" appreso in università.

Questo modulo rappresenta il requisito fondamentale del Project Work. È uno script Python puro che modella la logica di business dell'azienda vitivinicola.

• Modellazione OOP: utilizzo di classi (SimulatoreLottoVigneto) per rappresentare ogni appezzamento di terreno come un oggetto con stato e comportamenti.
• Simulazione IoT: una funzione dedicata genera dati stocastici (meteo, temperatura, rischio patogeni) simulando una rete di sensori in campo.
• Logica condizionale: algoritmi che adattano la resa in base a variabili input (concimi, trattamenti fitosanitari, meteo).
• Algoritmo di scheduling: implementazione di una logica di ordinamento per priorità per l'allocazione efficiente di un budget ore finito, con calcolo automatico dei tagli produttivi.
• Calcolo tempi: stima delle ore-uomo necessarie per le fasi di Raccolta, Trasformazione e Gestione Aziendale.

Questa sezione rappresenta un'implementazione aggiuntiva sviluppata volontariamente per fornire un'interfaccia grafica (GUI) al simulatore.

Per rendere i dati del simulatore fruibili e leggibili, ho realizzato una Dashboard Web Interattiva. All'interno della cartella Dashboard Web:

• app.py (Flask Server): Agisce da "ponte". Riceve le richieste dal browser, esegue il codice di calcolo Simulatore.py e restituisce i risultati in formato JSON.
• templates/index.html (Frontend): L'interfaccia utente.
  • Permette la configurazione dei parametri (ettari, piante, capacità lavorativa).
  • Visualizza i risultati tramite grafici animati (Chart.js) per un'analisi immediata dei KPI.
  • Analisi dell'efficienza produttiva.
  • Gap Analysis sui tempi di lavorazione (Ore Effettive vs Ore Mancanti).
  • Comunica con il backend tramite chiamate asincrone (Fetch API).

⭐️ La Dashboard è accessibile pubblicamente dal mio dominio: https://projectwork.capozzoli.me

🖼️ Clicca qui per visualizzare uno screenshot

La dashboard offre un controllo completo sui 3 lotti principali dell'azienda:

1. Lotto 1: Barbera (Rosso)
2. Lotto 2: Aglianico (Rosso Tardivo)
3. Lotto 3: Moscato (Bianco)

Grafici dinamici mostrano in tempo reale:

• Produzione in Kg/Litri.
• Percentuali di scarto e biomassa.
• Tempi di lavorazione di tutte le fasi.

Il progetto non è stato concepito solo per l'esecuzione locale (o debug), ma è stato deployato anche su un'infrastruttura server reale e personale (la utilizzo già per altri progetti lavorativi e hobbistici).

• Host: Server fisico Windows.
• Virtualizzazione: Esecuzione isolata tramite Python Virtual Environment (venv) per la gestione delle dipendenze.
• Gestione IP dinamico (DDNS custom):
  • Poiché la connettività del server si basa su un IP pubblico dinamico, ho sviluppato uno script di automazione lato server (pre-sviluppato per i miei progetti).
  • Lo script monitora l'IP e interagisce direttamente con le API del mio provider Hosting per aggiornare in tempo reale il record DNS di tipo "A", garantendo la continua raggiungibilità del dominio.
• Sicurezza e accesso esterno:
  • Utilizzo di Zoraxy come Reverse Proxy per filtrare il traffico.
  • Configurazione di certificati SSL per garantire connessioni cifrate (HTTPS).
  • Gestione del routing dal dominio pubblico alla porta locale del servizio Flask.

/
├── 📄 Simulatore.py          # Logica Core (Il Project Work)
├── 📂 Dashboard Web
│   ├── 📄 app.py             # Server Web Flask
│   └── 📂 templates
│       └── 📄 index.html     # Dashboard Grafica
└── 📄 README.md              # Documentazione

Per implementare il progetto in ambiente di produzione senza dover configurare manualmente l'ambiente Python, è disponibile il pacchetto "Full Deployment" nella sezione Releases di questa repository.

L'archivio v1.0 è self-contained e include:

• ✅ Codice sorgente stabile.
• ✅ Ambiente virtuale (venv) già configurato con tutte le dipendenze.
• ✅ Script start.bat per l'esecuzione automatica e il riavvio del servizio.