HBIM e AI per edifici “senzienti": il caso villa Zingali Tetto a Catania

Partendo da un modello HBIM, è possibile sviluppare un sistema di supporto decisionale basato su meccanismi di intelligenza artificiale (AI) in cui il modello diventi capace di “percepire” stimoli e “proporre” soluzioni legate alla sua gestione e conservazione: lo mostra l’Ing. Federico Mario La Russa (nellla foto), PhD Student all’Università degli Studi di Catania – DICAR, nel suo lavoro di ricerca. La sperimentazione nasce dal lavoro di tesi per la Laura Magistrale in Ingegneria Edile sotto la supervisione della relatrice, la Prof.ssa Cettina Santagati (nella foto), e dei correlatori: Prof.ssa Mariateresa Galizia (resp. Scientifico del Museo della Rappresentazione, UNICT), Prof. Massimiliano Lo Turco (POLITO), PhD. Michele Calvano (CNR), PhD. Attilio Mondello (UNICT).
La ricerca intende proporre una nuova metodologia operativa, denominata HS-BIM (Historical Sentient – Building Information Model), che miri all’implementazione dei modelli H-BIM attraverso l’utilizzo di tecniche di Intelligenza Artificiale (AI).
L’idea alla base di questo lavoro è quella di implementare l’approccio medico utilizzato nelle discipline del restauro e della conservazione (la fabbrica edilizia come organismo vivente) all’interno della metodologia HBIM.
Si è testata tale proposta metodologica sulla villa Zingali Tetto (Catania, 1930), sede del Museo della Rappresentazione (MuRa), gestita dal Dipartimento di Ingegneria Civile e Architettura dell’Università degli Studi di Catania.
Lo studio è stato rivolto alla conservazione delle collezioni museali, con particolare riferimento alle condizioni termo-igrometriche.
Uno degli obiettivi di questo lavoro è quello di inquadrare all’interno del dibattito teorico delle discipline la metodologia HS-BIM.

L’analogia tra edificio e organismo umano
L’analogia tra essere umano e organismo edilizio, già consolidata nelle discipline della conservazione e del restauro architettonico, si basa sulla rilettura della fabbrica architettonica come un organismo vivente il quale attraversa un ciclo di vita, gode di un certo stato di salute e necessita di terapie riabilitative in presenza di patologie. È possibile identificare delle similitudini tra le componenti fisiche e comportamentali evidenziate negli esseri viventi e gli strumenti utilizzati nelle metodologie BIM-based. Ad esempio, la capacità di ricevere in tempo reale dei dati di diversa natura da sensori diagnostici posizionati in punti strategici dell’edificio come fosse un sistema nervoso periferico che recepisce gli stimoli esterni. Quando vi è questa condizione è come se l’edificio fosse il corpus (come molte volte viene chiamato nell’approccio medico) mentre il suo animus (il suo sistema nervoso) è questa sua protesi virtuale (digital twin) cioè il modello BIM. In questa configurazione, nonostante la complessità dei processi messi in atto, non vi è ancora un comportamento attivo da parte del modello.
Attraverso la creazione di un sistema di supporto decisionale (DSS) basato su meccanismi di In- telligenza Artificiale, il modello BIM della fabbrica assume un atteggiamento sintetico nell’elaborazione degli stimoli, diventa quindi “senziente”: da qui il passaggio da H-BIM a HS-BIM.

Da HBIM a HS-BIM
Le applicazioni HBIM su edifici storici stanno aumentando costantemente. Contestualmente, sono aumentate nel tempo le applicazioni di tecniche computazionali d’ausilio grazie all’introduzione dei VPL (Visual Programming Language). La natura computazionale di questi ambienti di lavoro fa sì che l’utente possa investigare, confrontare, gestire, catalogare, riordinare i dati e le diverse relazioni contenute nei modelli.
Nell’ambito della gestione di edifici storici con funzioni museali, le applicazioni che vedono l’utilizzo di DSS sono diventate sempre più frequenti negli ultimi anni. Queste tecnologie sono spesso impiegate insieme a reti sensoristiche del tipo WSN (Wireless Sensor Network) che permettono un monitoraggio costante e in tempo reale di tutti i parametri significativi per le necessità degli allestimenti museali e delle architetture che li contengono.
La ricerca tenta di integrare in un unico flusso di lavoro (HS-BIM) le metodologie HBIM, VPL, DSS, AI e di inserirlo all’interno del dibattito teorico che riguarda le discipline della gestione, conservazione e restauro.

La metodologia HS-BIM per villa Zingali Tetto
La metodologia HS-BIM è stata testata sulla villa Zingali Tetto, sede del MuRa. L’obiettivo è la realizzazione di un sistema di supporto decisionale (DSS) che aiuti il gestore nell’individuare la migliore strategia d’uso dell’edificio ai fini conservativi delle collezioni museali e di alcuni ambienti di alta istanza culturale.
Ciò avviene attraverso l’ambiente di lavoro VPL così da garantire caratteristiche quali responsività, flessibilità e facilità d’uso. Il DSS verte su meccanismi di AI (in particolare Machine Learning) che, sulla base di un dataset pregresso, riconoscono la relazione tra una combinazione d’azioni e il relativo rispetto delle condizioni termo-igrometriche e compiono previsioni. Proprio questa capacità aggiunge l’attributo “senziente” al modello HBIM che per questa ragione viene rinominato come HS-BIM.
Il flusso di lavoro è iniziato con il rilievo geometrico–spaziale e tecnologico proveniente da rilievi strumentali dell’edificio e laser scanner; è stata poi eseguita la modellizzazione HBIM con LOD elevati per gli ambienti museali oggetto d’analisi e creata una versione semplificata del modello tridimensionale informato HBIM, con inserimento in ambiente VPL. Il lavoro ha visto il reperimento dei dati metereologici raccolti dalla stazione climatica più vicina alla sede della collezione museale e il loro trattamento affinché riflettessero le condizioni climatiche del contesto urbano e della relativa “isola di calore”. In un motore di simulazione energetica sono state definite le caratteristiche termotecniche di tutti i componenti edilizi e i parametri termo-igrometrici (specifici di ogni ambiente) richiesti per la conservazione del patrimonio museale.
I dati termotecnici raccolti sono stati utilizzati per realizzare delle simulazioni energetiche per ognuna delle configurazioni di gestione e uso dei locali museali.
Attraverso delle simulazioni energetiche è possibile creare un dataset sintetico che possa sopperire all’assenza di una rete sensoristica e permettere quindi la fase iniziale d’apprendimento. Le simulazioni condotte sono state realizzate con strumenti di programmazione del tipo VPL.
La necessità di operare su una versione semplificata del modello tridimensionale HBIM richiedeva uno strumento che allo stesso tempo operasse in ambiente CAD e VPL. La scelta è ricaduta su Rhinoceros 6, Grasshopper e per le simulazioni energetiche i plugin Dragonfly e Honeybee.
Per ottenere delle simulazioni energetiche quanto più aderenti alla realtà si è condotta un’analisi sull’isola di calore contestuale alla villa attraverso il plug-in per Dragonfly. I dati metereologici urbani così generati sono stati funzionali alle simulazioni portate avanti su un modello tridimensionale semplificato della villa utilizzando il plug-in Honeybee.

I risultati
I dati estrapolati sono stati quindi suddivisi in due flussi: gli input (temperatura e umidità relativa) e gli output (configurazione utilizzata). L’algoritmo di Machine Learning cercherà delle relazioni tra input e output. Il dato in ingresso test corrisponde ai valori di temperatura e umidità del giorno di cui si vuole conoscere una possibile strategia d’uso. Inseriti i valori test, è possibile ottenere una previsione di configurazione d’uso in risposta ai valori immessi come test.
È possibile cogliere un parallelismo tra il meccanismo di ML adoperato in questo lavoro e la teoria dell’apprendimento dello psicologo Thorndike. Infatti, negli esseri senzienti, i primi insegnamenti provengono o da esemplari più adulti o sono intrinseci alla biologia dell’essere. Analogamente il dataset sintetico di addestramento iniziale può essere considerato l’insegnamento di base fornito all’anima del modello HBIM.
I vantaggi di tale metodo risiedono nel garantire continuità nelle azioni di conservazione preventiva anche in assenza di figure professionali qualificate e/o di un sistema di monitoraggio. Data la presenza di due combinazioni di parametri (condizioni climatiche esterne / azioni di prevenzione interne) quali input ed output del codice realizzato, è sembrato opportuno (come prima fase di sperimentazione) l’applicazione di un algoritmo di base del ML quale la regressione lineare a più variabili. Una possibile implementazione dei meccanismi di intelligenza artificiale (come il Deep Learning) permetterebbe il passaggio ad un sistema di apprendimento per ‘tentativi ed errori’; l’addestramento non avverrebbe su una base completamente casuale ma prendendo in considerazione il dataset sintetico iniziale (Transfer Learning), al fine di individuare le strategie vincenti finalizzate alla sua conservazione.