Autore: Pierclaudio Savino, Structural Engineer, PhD in Civil and Environmental Engineering
L’articolo riporta il lavoro d Tesi dell’autore alla Scuola Master F.lli Pesenti – Politecnico di Milano, Lavoro vincitore del BIM&Digital Award 2025 nella categoria Ricerca universitria.
Le condizioni delle infrastrutture influenzano significativamente la crescita economica, la competitività delle imprese e il livello di benessere della società. Di conseguenza, l’efficientamento del patrimonio infrastrutturale è diventato una priorità nelle agende politiche a livello mondiale. Ispezioni e diagnosi regolari sono essenziali per identificare pericoli latenti, preservare la sicurezza e supportare la definizione di strategie di manutenzione ottimizzate.
La procedura prevalente per la valutazione delle condizioni strutturali si basa su metodi di ispezione tradizionali, che richiedono l’identificazione manuale dei difetti. Tale approccio, pur essendo una pratica consolidata, dipende fortemente dalla competenza e dall’esperienza degli ispettori, introducendo un certo grado di soggettività nei risultati.
Le ispezioni tradizionali spesso richiedono l’accesso ad aree pericolose o difficili da raggiungere, comportando costi elevati per la mobilitazione di veicoli e attrezzature specializzate per i lavori in quota e rischi significativi per la sicurezza del personale; la mancanza di un formato dati standardizzato complica ulteriormente l’utilizzo pratico delle informazioni raccolte.
Questi problemi evidenziano la necessità di sviluppare e adottare tecniche di ispezione maggiormente efficienti e digitalizzate.
In tale contesto, questo studio propone n approccio innovativo e automatizzato per migliorare l’affidabilità e l’efficienza delle attuali pratiche di gestione degli asset, consentendo controlli più frequenti ed estesi a tutto il patrimonio infrastrutturale.
La metodologia sviluppata integra la rapidità operativa dei droni (UAV), la potenza computazionale degli algoritmi di intelligenza artificiale (AI) e la gestione informativa del Building Information Modeling (BIM). Il modello 3D dell’opera funge da database informativo centralizzato, continuamente aggiornato con i dati provenienti dai rilievi durante l’intero ciclo di vita. Le immagini acquisite dai droni vengono processate da algoritmi di Deep Learning per l’identificazione automatica delle aree ammalorate. L’integrazione BIM-AI consente di modellare i difetti come oggetti geometrici parametrizzati, associando contenuti informativi come la data di ispezione, la localizzazione del difetto e le proprietà geometriche. Il modello 3D viene quindi utilizzato non solo per la rappresentazione digitale dell’opera, ma anche come ambiente di calcolo automatizzato. Oltre a correlare spazialmente e temporalmente i livelli di deterioramento con gli altri parametri informativi, l’integrazione dei dati di manutenzione consente di ottimizzare la pianificazione delle attività di ripristino, fornendo stime di tempi e costi basate sull’estensione effettiva delle aree deteriorate.
Metodologia
Per garantire l’esecuzione di ispezioni automatizzate e affidabili delle infrastrutture, è necessario un framework che combini l’efficienza degli UAV nell’acquisizione di un vasto numero di immagini, la potenza computazionale degli algoritmi di AI per l’elaborazione rapida di grandi quantità di dati e i vantaggi derivanti dalla gestione informativa con il BIM.
A tal fine, è stato sviluppato un approccio integrato articolati in cinque fasi principali:
- Acquisizione dei dati tramite UAV: gli UAV consentono di acquisire un vasto numero di immagini e video ad alta risoluzione da diverse angolazioni, raggiungendo anche aree difficilmente accessibili o pericolose per gli operatori;
- Ricostruzione tridimensionale: le immagini acquisite dagli UAV vengono processate con tecniche fotogrammetriche per generare modelli 3D delle infrastrutture ispezionate. Questa ricostruzione fornisce una rappresentazione accurata e completa dell’“As-is”, consentendo all’utente di navigare intorno al modello;
- Identificazione dei difetti tramite AI: gli algoritmi di deep learning vengono utilizzati per analizzare le immagini e rilevare eventuali danni o anomalie strutturali, permettendo una valutazione rapida ed efficiente dello stato di salute delle infrastrutture;
- Integrazione delle informazioni nel modello BIM: le informazioni acquisite e analizzate dalla rete neurale vengono integrate nel modello 3D esistente dell’infrastruttura, offrendo un accesso centralizzato per tutte le parti interessate, inclusi gli operatori UAV, le autorità responsabili delle ispezioni e gli enti gestori;
- Gestione dello stato di salute strutturale: il modulo di gestione dello stato di salute strutturale consente di monitorare l’evoluzione delle condizioni nel tempo e di pianificare interventi di manutenzione in modo tempestivo. Questo modulo offre una panoramica visiva e sintetica con metriche chiave per valutare la sicurezza e la durabilità a lungo termine delle infrastrutture.
Caso studio: gestione integrata BIM-AI del Centro trasmittente di Torino Eremo
L’affidabilità del metodo nella gestione delle infrastrutture è stata valutata attraverso un caso applicativo relativo all’ispezione di un traliccio di trasmissione del segnale radiotelevisivo. Il traliccio oggetto di analisi è la Torre Sud-Est situata presso il Centro Trasmittente RAI di Torino Eremo, in Strada Comunale di Pecetto, 311/15, 10131 Torino TO, il primo centro trasmettitore RAI d’Italia. Con un’altezza di circa 120 metri e attualmente non operativa, la torre è rivestita da una verniciatura bianca e rossa, rendendola un eccellente caso studio per l’analisi di fattibilità proposta, finalizzata all’identificazione e alla mappatura automatica delle aree corrose sul modello 3D del traliccio.
Ricostruzione fotogrammetrica 3D
La prima fase dello studio ha riguardato l’esecuzione del rilievo aerofotogrammetrico del traliccio, finalizzato all’acquisizione di immagini RGB ad alta risoluzione per la ricostruzione radiometrica e geometrica dell’oggetto 3D. È stata impiegata la tecnica della “Structure from Motion’’, che permette di ricostruire il modello digitale dell’oggetto partendo dalla posa delle telecamere, contenuta all’interno delle immagini 2D. Per generare i prodotti fotogrammetrici, è stato utilizzato il software Agisoft Metashape, seguendo una procedura sequenziale di processamento fotogrammetrico. Dopo aver stimato i parametri di orientamento interno ed esterno delle camere, sono state generate le nuvole di punti, coinvolgendo tutti i pixel delle immagini di input. Successivamente, la nuvola di punti è stata convertita, tramite interpolazione, in una superficie triangolare continua, rappresentando la geometria 3D. Per ottenere un modello 3D realistico, è stata applicata una texture ad alta risoluzione.
Infine, sono stati creati gli ortomosaici e modelli DEM per ottenere rappresentazioni georeferenziate dell’area di interesse. In questo studio, il modello 3D è stato utilizzato come “base digitale” per organizzare le informazioni raccolte durante le ispezioni visive con UAV e documentare lo stato di conservazione della struttura. Gli ortomosaici sono stati impiegati per la segmentazione semantica e la quantificazione delle aree corrose tramite algoritmi di Deep Learning.
Identificazione automatica dei difetti con algoritmi di Deep Learning
Questo studio propone un approccio basato sul Deep Learning per la segmentazione semantica delle aree corrose sui tralicci di trasmissione in acciaio. Il modello, costruito con una Rete Neurale Convoluzionale basata su DeepLab v3, è stato addestrato e validato su un dataset di 999 fotografie scattate sul campo con risoluzioni variabili. Le reti sono state allenate utilizzando immagini etichettate manualmente, dove ogni pixel è stato classificato come “corrosion” o “background”.
Utilizzando la tecnica del transfer learning, sono stati utilizzati modelli pre-addestrati su ampi dataset di immagini per migliorare le prestazioni della rete nel task specifico. Questo approccio ha permesso alla rete di sfruttare feature già apprese, riducendo così sia la quantità di dati necessari per l’addestramento, sia le risorse computazionali richieste. L’output della rete neurale è una mappa di segmentazione che fornisce una valutazione dettagliata e quantitativa della corrosione sui tralicci. Questa classificazione pixel per pixel permette di localizzare con precisione i difetti e di misurarli, facilitando strategie di monitoraggio e manutenzione più efficaci. Dopo un’analisi comparativa approfondita, è stata selezionata l’architettura MobileNetV2 per il suo equilibrio tra accuratezza ed efficienza nell’addestramento. La calibrazione finale degli iperparametri ha portato a una validation accuracy del 90,8% e a una validazione loss di 0,23.
Integrazione BIM-AI
Il framework proposto per la digitalizzazione della gestione e manutenzione delle infrastrutture si conclude con l’integrazione di tutte le informazioni di ispezione all’interno dell’ambiente BIM. Questo approccio introduce un nuovo metodo di lavoro centralizzato sul modello, che facilita lo scambio e l’interoperabilità delle informazioni in formato digitale, offrendo dati precisi e costantemente aggiornati. I dati vengono raccolti, elaborati e interconnessi in modo strutturato, supportando valutazioni e strategie d’azione informate, basate su rappresentazioni accurate dello stato di conservazione dell’infrastruttura.
Per svolgere efficacemente queste attività all’interno del BIM, è fondamentale arricchire il modello con tutti i dati diagnostici pertinenti, così da riflettere lo stato di deterioramento osservato e gli effetti degli interventi di manutenzione. A tal fine, è stato utilizzato Autodesk Revit come strumento di gestione centralizzato, sfruttando il linguaggio di programmazione visuale Dynamo per la manipolazione dinamica e programmabile dei dati.
Lo script di integrazione BIM-AI consente di importare le coordinate dei difetti identificati dalla rete neurale e di mapparli come oggetti geometrici sul modello 3D. Ogni difetto è rappresentato attraverso un modello parametrizzato che include informazioni rilevanti come la data di ispezione, il nome del responsabile dell’ispezione e la posizione del difetto. Lo script esegue anche misurazioni come l’estensione dell’area corrosa e il perimetro, assegnando questi dati come ulteriori parametri.
Per utilizzare il modello BIM come strumento decisionale nella pianificazione della manutenzione, è stato sviluppato uno script aggiuntivo in grado di fornire una panoramica dettagliata dello stato della struttura sottoforma di dashboard. Questo strumento consente di esaminare sia proprietà individuali sia combinazioni di proprietà, e di contestualizzare le diverse informazioni in base alla risoluzione spaziale e temporale. Ad esempio, l’estensione delle aree corrose può essere correlata alla quota altimetrica, facilitando l’identificazione di zone particolarmente vulnerabili. L’analisi combinata con la data di ispezione permette di definire modelli di deterioramento dei difetti e di prevederne lo sviluppo futuro, facilitando così l’adozione di misure preventive.
Per ottimizzare la pianificazione della manutenzione, è stato sviluppato un ulteriore script che fornisce la stima di costi e tempi necessari perle attività di ripristino, in funzione dell’estensione dell’area corrosa. Inoltre, correlando i tempi di esecuzione dei lavori con la quota dei difetti, lo script determina quanti metri di traliccio possono essere ripristinati ogni giorno lavorativo.
Le stime derivano direttamente dalle proprietà quantitative dei difetti mappati sul modello 3D, garantendo precisione e permettendo aggiornamenti immediati quando vengono identificati nuovi difetti durante le ispezioni successive.
Infine, il BIM non solo è stato utilizzato come strumento centralizzato per la raccolta dei dati di ispezione e la pianificazione delle operazioni manutentive, ma è stato abilitato peressere anche uno strumento reattivo, in grado di compiere azioni in risposta a condizione logiche definite. In dettaglio, definendo soglie di attenzione per i livelli di corrosione oltre la quale è necessario intervenire, il sistema è in grado di inviare automaticamente notifiche via e-mail con i dettagli dell’evento.
Conclusioni
I risultati del caso studio hanno dimostrato l’efficacia dell’approccio proposto nella realizzazione di un sistema di gestione degli asset digitale e automatizzato. Questo sistema non solo documenta esaustivamente la storia temporale delle ispezioni e del deterioramento delle infrastrutture, ma grazie al database implementato, ricco di dati accurati e rappresentazioni realistiche, supporta gli enti gestori anche nella pianificazione delle strategie manutentive. Il lavoro presentato fornisce un contributo significativo per migliorare la gestione delle procedure di ispezione e manutenzione e rappresenta un passo importante verso l’automazione della gestione degli asset e il miglioramento della resilienza delle reti infrastrutturali.
