La proposta di ricerca ha come obiettivo l'ideazione di metodologie ed approcci che rispondano alle moderne sfide proposte della sempre più necessaria evoluzione digitale dei processi nel settore delle costruzioni. In particolare, la realizzazione di ecosistemi digitali basati su modelli informativi tridimensionali (BIM) ha l'obiettivo di gestire e monitorare le interazioni degli oggetti digitalizzati con la realtà fisica, aprendo scenari rinnovati per la gestione efficiente dell'ambiente costruito.
L'acquisizione e la continua elaborazione dei flussi di dati provenienti dalle diverse sorgenti che costituiscono l'architettura base del sistema, permetterà di effettuare analisi, valutare scenari alternativi (what-if analysis) e rispondere prontamente ad eventi inattesi in maniera sempre più accurata nel tempo.
Le più efficaci operazioni di gestione e manutenzione dell'edificio devono basarsi su sistemi predittivi mirati alla riduzione dei costi di gestione, dei malfunzionamenti, e degli interventi a guasto mediante un modello di management digitale fondato su sistemi intelligenti basati su sensori, data analytics in continuo aggiornamento tramite il Digital Twin (DT) dell'edificio e Artificial Intelligence (AI).
Lo sviluppo del DT ha quindi inizio da un modello informativo BIM che colleghi ad oggetti tridimensionali informazioni riguardanti la manutenzione programmata dei singoli componenti, alimentando capacità di autoapprendimento grazie ai dati in input provenienti da sistemi di BMS, ticketing, nonché dal flusso delle attività manutentive effettuate attese/inattese.
Il sistema mira all'integrazione di algoritmi di AI che permettano al DT di sviluppare capacità predittive in merito alle attività di manutenzione, ottimizzando i processi di "decision making" e attuando strategie tailorizzate sul sistema di riferimento in base alle analisi ed alle elaborazioni effettuate, configurando un approccio metodologico scalabile e replicabile su contesti differenziati.
Le tecniche di Machine e Deep Learning combinate con meccanismi di ragionamento automatico (reasoning), consentono di valorizzare strategicamente la grande quantità di informazioni disponibili, tramite funzionalità per:
- l'acquisizione di flussi di dati eterogenei;
- la previsione di accadimenti, ed in particolare dei guasti;
- la profilazione di comportamenti degli utenti e degli stati di funzionamento dei macchinari;
- la pianificazione ottimizzata degli approvvigionamenti di materie prime e dei turni delle lavorazioni;
- il monitoraggio in tempo reale di sistemi e infrastrutture;
- l'analisi multidimensionale delle informazioni.
La soluzione ipotizzata sfrutta un motore di ragionamento automatico, che lavora in maniera complementare ai modelli induttivi, consentendo un controllo di attività di manutenzione programmata tramite la definizione dinamica di regole per il riconoscimento di scenari di malfunzionamento, mirando complessivamente alla progressiva diminuzione degli interventi a guasto.
Ponendo il modello BIM al centro dell'architettura del sistema gestionale è possibile valorizzare il potenziale correlato all¿informazione fisico/spaziale per lo space management finalizzato all'ottimizzazione degli interventi manutentivi, integrando sistemi di machine learning e metodi rule-based quali le regole di associazione (Association rule mining).
Nella presente applicazione è quindi utile creare una gerarchia nella classificazione degli spazi utilizzando tecniche di machine learning definite come "clustering" che individuano automaticamente gruppi/classi di spazi similari per la rappresentazione digitale di ciascuno di essi.
Il Sistema proposto vede quindi l'integrazione di tre componenti:
- dati relativi agli oggetti del BIM Model (Autodesk Revit);
- flussi programmati tramite sistemi di visual programming (Autodesk Dynamo) che relazionano bidirezionalmente i sistemi di AI con il modello BIM;
- Intelligenza Artificiale da realizzarsi preferibilmente in linguaggio Python per ragioni di efficienza e compatibilità con flussi programmati tramite Dynamo. Il sistema AI utilizzerà tecniche miste di regressione e ragionamento ibrido.
L'applicazione più immediata e promettente di tale metodologia è la realizzazione di un sistema di gestione energetico automatico; è fondamentale quindi affrontare il problema della sintesi automatica di best practice per il risparmio energetico o meglio per la governance efficiente degli edifici. In altre parole, occorre dotare i sistemi di gestione dell'energia della capacità di estrarre regole di impiego dotate di profili energetici più efficienti, desunte dalle installazioni esistenti nell'edificio più performanti.
Le fasi del processo metodologico sono le seguenti:
1. Definire una metodologia per raggruppare installazioni per similarità di efficienza energetica (clustering);
2. Selezionare la migliore installazione nel gruppo (dal punto di vista energetico) dal quale apprendere le regole;
3. Analizzare ed estrarre le regole dai consumi dell'installazione selezionata.