COGNITWIN: Cognitive Digital Twin Framework for Advanced Building Management and Predictive Maintenance

Anno
2021
Proponente Sofia Agostinelli - Dottorando
Sottosettore ERC del proponente del progetto
PE8_9
Componenti gruppo di ricerca
Componente Categoria
Fabrizio Cumo Aggiungi Tutor di riferimento (Professore o Ricercatore afferente allo stesso Dipartimento del Proponente)
Abstract

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.

ERC
PE6_7, PE7_8, PE8_3
Keywords:
BUILDING INFORMATION MODELLING, MANUTENZIONE, INTELLIGENZA ARTIFICIALE, EFFICIENZA ENERGETICA, INGEGNERIA DEI SISTEMI

© Università degli Studi di Roma "La Sapienza" - Piazzale Aldo Moro 5, 00185 Roma