Titolo della tesi: Strategia di ottimizzazione del monitoraggio e controllo ambientale degli edifici basata sul Digital Twin
Nell’attuale scenario del settore dell'architettura, dell'ingegneria e delle costruzioni (AEC), la transizione verso paradigmi di gestione edilizia intelligente e sostenibile si configura come un imperativo strategico. In questo contesto, l'introduzione dei Digital Twin (DT) rappresenta una metodologia all'avanguardia per l'ottimizzazione delle prestazioni operative degli edifici, offrendo strumenti innovativi per il monitoraggio e il controllo. Il presente studio si inserisce in questa cornice, esplorando l'applicazione di tali principi in un caso di studio complesso, con l'ambizione di stabilire un modello replicabile che possa estendersi a futuri sviluppi, come quello del progetto Rome Technopole.
Il presente studio analizza lo sviluppo e la validazione di un prototipo di Digital Twin, denominato QTwin, applicato alla gestione e al monitoraggio avanzato di alcuni ambienti di un edificio storico e istituzionale situato a Roma. Questo studio mira a perseguire molteplici obiettivi, tra cui migliorare l'efficienza energetica e la qualità dell'aria interna, promuovendo al contempo la manutenzione predittiva e ottimizzando l'utilizzo degli spazi. La ricerca affronta intrinseche complessità legate all'integrazione tecnologica in un contesto edilizio vincolato, caratterizzato da ostacoli alla connettività wireless e dalla necessità di aderire a rigorosi standard di cybersecurity e interoperabilità, aspetto per il quale la letteratura accademica risulta ancora carente.
La metodologia adottata ha previsto una selezione e valutazione sistemica delle piattaforme per lo sviluppo di Digital Twin, dei dispositivi Internet of Things (IoT) e dei loro protocolli di comunicazione. È stata implementata un'architettura di sistema basata sul framework sviluppato nell’ambito del progetto di ricerca SmartLab, un ambiente dimostrativo sperimentale situato all'interno della Facoltà di Architettura della Sapienza Università di Roma. Questa architettura integra una vasta rete di sensori IoT per la raccolta in tempo reale di dati essenziali, quali consumi energetici, qualità dell'aria interna (IAQ), comfort termico e livelli di occupazione degli spazi.
Questi dati sono stati trasmessi e gestiti attraverso protocolli standard e processati da un'infrastruttura di backend che include sistemi di archiviazione e visualizzazione tramite dashboard interattive. Per l'interpretazione dei dati, la formulazione di previsioni e l'identificazione di anomalie, sono stati utilizzati algoritmi avanzati di Machine Learning (ML), con un'elaborazione che avviene anche a livello locale (edge computing) per assicurare risposte tempestive. Il sistema include inoltre un meccanismo "Human-in-the-loop" per le azioni che richiedono l'intervento umano, ed è stato rigorosamente validato attraverso il confronto tra dati reali e simulazioni predittive, oltre a stress test.
I risultati ottenuti evidenziano l'efficacia dell'integrazione tra le tecnologie IoT, i sistemi di automazione e gli algoritmi di apprendimento automatico all'interno della piattaforma. Questa sinergia consente una rappresentazione dinamica e in tempo reale dei dati, abilitata dalla visualizzazione di modelli grafici e informativi sviluppati secondo la metodologia Building Information Modeling (BIM) e dall'utilizzo di cruscotti interattivi.
I modelli di Machine Learning sviluppati per la previsione del consumo energetico hanno mostrato un'elevata accuratezza, riuscendo a identificare sia le tendenze generali che le fluttuazioni stagionali. L'analisi della concentrazione di anidride carbonica (CO₂) ha permesso di stimare l'occupazione e di identificare periodi di qualità dell'aria interna non ottimale, in linea con le normative vigenti. Il monitoraggio della temperatura (°C) e dell'umidità relativa (UR) ha fornito dati essenziali per prendere decisioni informate sul comfort termico e sull'efficienza, mentre tecniche di analisi dei dati hanno permesso di identificare i pattern di consumo, promuovendo strategie di gestione energetica più consapevoli.
Questi esiti attestano la validità e la replicabilità del framework in contesti edilizi complessi ed eterogenei, evidenziando la scalabilità e l'adattabilità dell'approccio Digital Twin per una gestione edilizia sostenibile e intelligente. Il progetto QTwin offre una comprensione approfondita e strumenti decisionali cruciali per una gestione tempestiva data-driven, prefigurando la possibilità di estendere questa metodologia ad altri ambiti urbani o infrastrutturali. Le future direzioni di ricerca includono il perfezionamento dei modelli di apprendimento automatico, l'ottimizzazione dell'interazione uomo-macchina, un approfondimento sulla cybersecurity e la standardizzazione per una maggiore interoperabilità.