Applicazione del Machine Learning al Life Cycle Assessment
Il Valore dei Dati Progettuali nell'Architettura Sostenibile
Introduzione
L’architettura moderna si trova di fronte a un bivio, dove la necessità di costruire in modo sostenibile è ostacolata dalle tradizionali metodologie di progettazione. In questo contesto, l’integrazione del Machine Learning (ML) nel Life Cycle Assessment (LCA) si presenta come una rivoluzione, offrendo una nuova prospettiva nel trattare i dati progettuali.
I dati raccolti dai progetti passati, sebbene ricchi di informazioni, spesso rimangono inutilizzati o sottovalutati a causa delle limitazioni dei metodi tradizionali di analisi. Il Machine Learning, con la sua capacità di elaborare e analizzare grandi quantità di dati, offre una soluzione per trasformarli in intuizioni preziose.
Il Progetto di Collaborazione con la Scuola Normale Superiore e il CNR
Un esempio concreto di questa innovazione è il proof-of-concepts (Poc) sviluppato da ATI Project all’interno del progetto europeo SoBigData for Industry: Challange Us 2023 in collaborazione con la Scuola Normale Superiore e il Consiglio Nazionale delle Ricerche (CNR) di Pisa. Questo progetto ha visto l’impiego del Machine Learning per analizzare i dati progettuali e fornire valutazioni predittive dell’impatto ambientale degli edifici.
Poter fare queste valutazioni già nelle prime fasi di progettazione è cruciale per minimizzare la carbon footprint e ottimizzare l’utilizzo delle risorse. È quindi fondamentale l’analisi del Life Cycle Assessment, poiché in grado di valutare l’impatto ambientale di un edificio in tutte le fasi del suo ciclo di vita – la fase di produzione e costruzione dei materiali, la fase di gestione e manutenzione, e la fase di fine vita – in base al loro impatto sulle emissioni di carbonio.
La fase di gestione è particolarmente critica poiché responsabile della metà delle emissioni totali di CO2 dell’edificio. L’impatto di questa fase è in gran parte dovuto al suo consumo energetico, un dato che richiede tipicamente un’ampia raccolta di informazioni che non sono sempre disponibili nelle prime fasi progettuali.
Grazie alla collaborazione sinergica che ha portato alla realizzazione del Poc, è stato possibile sviluppare modelli Machine Learning capaci di prevedere le classi di efficienza energetica delle future realizzazioni nelle fasi iniziali di progettazione. I dati provenienti dai documenti progettuali del server di ATI Project sono stati estratti, indicizzati e successivamente utilizzati per addestrare il modello all’estrazione di feature di input da utilizzare per il training. Il processo di raccolta dati dello studio inizia con un’analisi approfondita della certificazione energetica degli edifici, nota come ‘Legge 10’, uno standard nazionale obbligatorio per tutti i progetti di costruzione completati. Questi documenti contengono dati completi su vari aspetti come i consumi energetici, l’utilizzo di fonti di energia rinnovabile e le metriche di efficienza dei sistemi edilizi. Inoltre, forniscono informazioni geografiche, incluse le condizioni climatiche e la localizzazione.
Tuttavia, nonostante le molte informazioni e dati relativi agli aspetti energetici dell’edificio, questi documenti non contengono tutte le feature di input necessarie per sviluppare il modello Machine Learning per l’analisi LCA. Si procede così con l’integrazione di dati supplementari dai file Industry Foundation Classes (IFC). I file IFC sono uno standard globale riconosciuto per la condivisione e lo scambio di dati di costruzione e gestione delle strutture, che offrono una visione più completa di un edificio. Questo è un formato open BIM dal quale possiamo identificare tutte le feature significative per un modello di Machine Learning non solo per lo scopo del PoC ma anche per tutte le variabili coinvolte nei metodi LCA.
L'Impatto e le Potenzialità del ML
L’integrazione del Machine Learning ha dimostrato potenzialità significative, non solo nel prevedere l’efficienza energetica ma anche nell’ottimizzare l’uso dei materiali e ridurre l’impatto ecologico complessivo. Questo approccio offre agli architetti e ai progettisti la possibilità di esplorare e valutare diverse opzioni di design in maniera più informata e consapevole, contribuendo significativamente agli obiettivi globali di sostenibilità.
“La produzione di nuova conoscenza a partire da conoscenze già esistenti, spesso realizzata attraverso la risoluzione di problemi, è una componente chiave del processo creativo”. Arthur I. Miller
Questo approccio enfatizza che la creatività spesso non nasce all’interno di un contesto isolato, ma al contrario è un processo iterativo e dinamico che si basa su ciò che è già noto. Attraverso la risoluzione di problemi, gli individui possono collegare e rielaborare conoscenze esistenti per generare nuove idee, scoperte o soluzioni, contribuendo così all’avanzamento della conoscenza in un campo specifico o in vari ambiti interdisciplinari.
Verso un Futuro Sostenibile nell'Architettura
La collaborazione tra scienza dei dati e progettazione BIM apre le porte a un futuro in cui la sostenibilità non è più un obiettivo da perseguire, ma una realtà integrata nel processo di progettazione. L’uso del Machine Learning per predirre i dati necessari nelle fasi iniziali di un progetto, rappresenta un salto qualitativo nell’approccio alla costruzione sostenibile. Questo nuovo paradigma non solo migliora l’efficienza e la sostenibilità degli edifici, ma promuove anche una maggiore consapevolezza ecologica nell’industria delle costruzioni.
