Marco Pittarello
Parole chiave
Building information modeling, progettazione energetica, reti Neurali Artificiali
Progetto di ricerca
Il BIM (Building Information Modeling) consiste in procedure e strumenti atti a descrivere compiutamente un edificio, gestendone potenzialmente tutte le fasi di vita, dalla progettazione alla costruzione, finanche alla gestione e, infine, alla dismissione. Nella presente ricerca si sono presi in esame i seguenti scopi applicativi:
– studio di fattibilità e progettazione dell’edificio, da svolgere per mezzo di software di simulazione energetica dinamica (BEM, Building Energy Modeling) che per complessità e scarsa fruibilità sono ancora poco impiegati dai professionisti.
– definizione del fascicolo del fabbricato, atto a sintetizzare, in formato elettronico, le principali caratteristiche dell’involucro e degli impianti energetici.
– definizione del piano di manutenzione elettronico, atto a guidare la gestione e manutenzione dell’involucro e degli impianti energetici.
Questi obiettivi sono stati realizzati in collaborazione con una software house del settore, attraverso le seguenti attività:
– test e miglioramento del software BIM sviluppato dall’azienda stessa.
– sviluppo di un plug-in per la
valutazione energetica dell’edificio attraverso simulazione dinamica. In particolare,
l’attività si è concentrata sullo sviluppo di reti neurali artificiali (ANNs,
Artificial Neural Networks) atte a sintetizzare, in modo assai accurato
e con un tempo di calcolo molto breve, i risultati provenienti dal software BEM
EnergyPlus. Questo software di simulazione impiega modelli fisici
dettagliati, in grado di rappresentare anche i più piccoli aspetti che
determinano gli scambi energetici negli edifici, ma richiede lunghi tempi di
calcolo che ostacolano lo svolgimento di procedure di ottimizzazione da
compiersi durante tutte le fasi di
progettazione, dato il gran numero di caratteristiche che possono variare e la
conseguente durata di calcolo.
Metodologia adottata ed articolazione del lavoro
La ricerca ha incluso le seguenti attività:
metodi e strumenti: si è esaminato l’intero ciclo di vita dell’edificio, dalla progettazione alla dismissione, individuando tutti i parametri coinvolti nelle attività considerate, dal punto di vista della fisica e dell’energetica dell’edificio. Si è così definita una serie di circa 400 parametri che descrivono compiutamente l’edificio, dall’involucro agli impianti, dalle informazioni amministrative legate all’energetica (registrazione libretti d’impianto, certificazione energetica, ecc.) alla rilevazione di dati di monitoraggio da sistemi BMS (Building Management System) o IoT (Internet of Things).
– definizione del fascicolo del fabbricato, in formato elettronico
metodi e strumenti: tra i parametri descritti al punto 1, si sono individuate le informazioni fondamentali per i principali stakeholders. Dalla collaborazione con la software house coinvolta nella ricerca è emersa la necessità di limitare il numero di informazioni, giungendo a fornire un quadro sintetico e organizzato in forma tabellare.
– definizione del piano di manutenzione elettronico
metodi e strumenti: tra i parametri descritti al punto 1, si sono individuate le informazioni fondamentali per la supervisione e lo svolgimento delle attività di conduzione e di manutenzione, ordinaria e straordinaria. La software house coinvolta nella ricerca ha chiesto tabelle esemplificative per le principali attività di manutenzione dell’involucro e degli impianti, nonché per la supervisione di costi e performance energetiche.
– definizione delle informazioni da rendere disponibili nell’ambito del CIM (City Information Modeling)
metodi e strumenti: tra i parametri descritti al punto 1, si sono individuate le informazioni utili per stakeholders esterni all’edificio, identificando i seguenti principali scopi di diffusione dei dati:
- telecontrollo di sistemi impiantistici (TCSI)
- supervisione per contratti a prestazione garantita (SCPG)
- verifica di consumo per rinnovo di certificazioni ambientali (VRCA)
- costruzione di database georeferenziati di attestati energetici (DBAE)
- costruzione di database georeferenziati di consumi energetici (DBCE)
- costruzione di database georeferenziati di dati meteorologici storici (DBDMS)
- gestione di smart grids (GSG)
– Sviluppo di reti neurali da inserire all’interno di un plug-in per la simulazione energetica dinamica dell’edificio
metodi e strumenti: si è dapprima implementato un modello parametrico di EnergyPlus atto a svolgere un gran numero di simulazioni (circa 600000), ciascuna con 21 variabili di input e 30 variabili di output. Tali risultati sono stati poi utilizzati per lo sviluppo di reti neurali (ANNs) di sintesi per ciascun output. In particolare, per l’elaborazione di grandi quantità di dati si è utilizzata la libreria open source Pandas, che consente di caricare, esplorare e manipolare grandi quantità di dati. Tutte le operazioni per la preparazione del dataframe (la struttura dati tabellare in Pandas) sono state condotte con lo strumento Jupyter Notebook. Per lo sviluppo delle ANNs si è creato un software basato sull’API (Application Programming Interface) Keras della piattaforma TensorFlow, utilizzando il linguaggio di programmazione Python. Per la creazione del software si è utilizzato l’ambiente di sviluppo Spyder. La costruzione di un modello basato su ANNs è un processo iterativo che implica i seguenti passaggi:
- modifica dei parametri che caratterizzano la rete neurale (esemplificativamente, numero di livelli e nodi della rete neurale);
- valutazione delle prestazioni dei modelli che via via si sperimentano.
Nella fase di ottimizzazione del modello finale sono state testate molte configurazioni di ANNs per migliorare l’accuratezza dei risultati generati. Per accorciare il tempo necessario all’individuazione di un modello soddisfacente in termini di accuratezza si è utilizzata la libreria Ray, per l’implementazione del calcolo parallelo. Ciò ha consentito di elaborare più modelli di reti neurali contemporaneamente, al più pari al numero di core virtuali presenti sulla CPU (Central Processing Unit), per sfruttare al meglio le risorse hardware.
– redazione di due articoli per congressi/riviste internazionali riconosciuti da ANVUR
metodi e strumenti: si sta tuttora procedendo alla stesura di due articoli, che saranno proposti a riviste scientifiche internazionali del settore.
Risultati
La presente ricerca ha portato alla produzione di:
– documenti per l’estensione delle potenzialità d’uso dei BIM nel campo dell’energetica degli edifici, codificando prototipi di set informativi atti a rappresentare in modo compiuto l’edificio dal punto di vista energetico. Questi documenti sono:
- fascicolo del fabbricato, in formato elettronico, con esempio dimostrativo
- piano di manutenzione elettronico, con esempio dimostrativo
– software per lo sviluppo di reti neurali artificiali per la sintesi dei risultati di simulazione ottenuti attraverso il software BEM EnergyPlus. Le reti neurali possono essere utilizzate all’interno di un plug-in come strumento di calcolo rapido per la valutazione energetica dell’edificio al posto di EnergyPlus. Lo sviluppo del software ha coinvolto la maggior parte del tempo della ricerca e ne rappresenta l’aspetto più innovativo. Il software potrà essere applicato in futuro in altri casi in cui si voglia creare un modello basato sui dati mediante l’utilizzo di reti neurali artificiali. Nella presente ricerca, esso ha consentito di creare modelli basati su circa 600000 simulazioni termoenergetiche, ciascuno dei quali con 21 variabili di ingresso e una variabile di uscita. Le variabili di ingresso sono relative alla geometria dell’edificio, alle caratteristiche dell’involucro, alle finestre, al tipo di impianti, ai carichi interni, al numero di occupanti, ecc. Se ne sono ottenute reti neurali in grado di calcolare i consumi energetici in riscaldamento/raffrescamento per una vastissima casistica. Considerando ad esempio il modello per il consumo energetico in riscaldamento, la cui rete neurale è stata istruita su un dataset di 430000 campioni ed è stata testata su un dataset di 140000 campioni, le verifiche hanno evidenziato che più del 99% delle predizioni sui campioni di test ha un errore relativo inferiore al 5% e meno dell’1% ha un errore compreso tra il 5% e il 15%. Il modello ottenuto può ritenersi dunque più che adeguato per la stima del fabbisogno energetico in fase di progettazione, considerando che il tempo di calcolo si è ridotto di un fattore 12 rispetto al tempo impiegato da EnergyPlus. I modelli sviluppati sono dunque concepiti per svolgere le seguenti funzioni:
- ricalcolare istantaneamente i fabbisogni
energetici stagionali quando il progettista modifica parametri di input quali,
ad esempio, le dimensioni dell’edificio o le superfici vetrate
- adattarsi a vari livelli di occupazione dell’edificio
- contemplare vari livelli d’isolamento termico, poiché può essere impiegato in valutazioni economiche nella conversione di edifici esistenti in edifici a impatto energetico nullo
- riferire i risultati al profilo climatico della Pianura Padana.
Sono infine in corso di stesura due articoli destinati a testate internazionali.
Pubblicazioni
La ricerca ha avuto inizio con il presente assegno e, considerata la varietà delle attività e gli approfondimenti richiesti dalla software house con cui si è collaborato, è stato possibile dedicare poco tempo alla stesura di pubblicazioni. Sono comunque in corso di stesura due pubblicazioni:
– “Artificial Neural Networks for the integration in BIM (Building Information Modeling) software aimed at ZEB (Zero Energy Building) design”, da presentare allo Special Issue “Zero Energy Buildings: From Building Energy Simulation to Indoor Environment Monitoring” della rivista Applied Sciences
– “Artificial Neural Networks for the assessment of weekly energy consumption targets in BMSs (Building Management Systems)”, da presentare allo Special Issue “Modelling and Control of Heating, Ventilation, Air Conditioning and Refrigeration (HVAC&R) Systems” della rivista Energies
Co-finanziamento
Programma di ricerca Prin
2015 del prof. Luigi Schibuola, progetto “La ricerca per i PAES: una
piattaforma per le municipalità partecipanti al Patto dei Sindaci” e i
rimanenti mesi sui fondi “Ricerca: call 2019 assegni di ricerca”.