Explainable Artificial Intelligence Framework for Predicting Construction Waste and Embodied Carbon in Building Projects Using Literature Calibrated Simulation
Questo studio presenta un framework di intelligenza artificiale spiegabile che utilizza una simulazione dei 1.200 archetipi edilizi calibrata sulla letteratura per prevedere accuratamente i rifiuti da costruzione e l'intensità del carbonio incorporato attraverso algoritmi di regressione avanzati e l'analisi delle caratteristiche basata su SHAP, dimostrando come l'integrazione dei dati sui materiali migliori l'accuratezza predittiva per il supporto decisionale nelle fasi iniziali.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Ogni volta che un edificio sorge dal suolo, lascia dietro di sé una scia di due impronte distinte ma profondamente connesse. Una è il cumulo di mattoni avanzati, tubi tagliati e imballaggi che finiscono in una discarica; l'altra è l'invisibile nuvola di gas serra rilasciata per produrre l'acciaio, il cemento e il vetro che formano le pareti. Per decenni, ingegneri e architetti hanno trattato questi due esiti come problemi separati. Potrebbero calcolare quanta materia prima verrà sprecata in un progetto utilizzando un insieme di strumenti completamente diverso per stimare le emissioni di carbonio del progetto. Eppure, le scelte che generano rifiuti — ordinare troppo materiale, tagliare in modo inefficiente o cambiare il design a un punto avanzato — sono esattamente le stesse scelte che determinano quanta inquinazione rimarrà intrappolata nella struttura. Per costruire davvero per il futuro, l'industria ha bisogno di un modo per vedere entrambe le impronte contemporaneamente, fin dai primi schizzi, prima che la prima pala colpisca il terreno.
Un team di ricercatori dall'India ha sviluppato un nuovo modo per fare esattamente questo. Hanno creato un framework digitale che utilizza l'intelligenza artificiale per prevedere simultaneamente sia i rifiuti da costruzione che le emissioni di carbonio dei materiali di un edificio. La sfida che hanno affrontato è stata la mancanza di dati reali. Nella realtà disordinata dei cantieri, i registri su quanti rifiuti siano stati esattamente generati e sul costo di carbonio preciso di ogni singolo materiale sono raramente conservati in un modo che possa essere facilmente confrontato. Poiché non esisteva alcun database pubblico con queste informazioni specifiche e allineate, i ricercatori non hanno cercato di indovinare o fabbricare registri. Invezione, hanno costruito una simulazione computerizzata trasparente. Hanno creato 1.200 progetti edilizi virtuali, che spaziavano da piccoli uffici a grandi ospedali, assegnando loro caratteristiche realistiche come sistemi strutturali, zone climatiche e metodi di costruzione. Per ogni progetto virtuale, hanno utilizzato formule scientifiche consolidate per calcolare esattamente quanto rifiuto e quanto carbonio sarebbero stati prodotti, creando una "verità di base" perfetta contro cui poter testare le loro previsioni.
I ricercatori hanno addestrato sei diversi tipi di algoritmi di machine learning per analizzare i dettagli di base di un progetto — come le sue dimensioni, il numero di piani, il tipo di struttura e il clima locale — e indovinare gli esiti relativi a rifiuti e carbonio. Hanno testato questi algoritmi in due scenari differenti. Nel primo scenario, il computer conosceva solo i dettagli della progettazione iniziale, simili a ciò che un cliente sa quando assume un architetto per la prima volta. Nel secondo scenario, al computer è stato dato il beneficio aggiuntivo di conoscere le quantità specifiche di materiali, come il peso esatto di acciaio o cemento richiesto. I risultati hanno mostrato che anche con i soli dettagli della progettazione iniziale, l'intelligenza artificiale poteva fare previsioni sorprendentemente accurate. Per i rifiuti da costruzione, il miglior modello poteva prevedere la quantità di scarti con un margine di errore inferiore al 12 percento. Tuttavia, prevedere le emissioni di carbonio era più difficile senza conoscere le quantità specifiche di materiali. Quando il computer ha ricevuto l'informazione aggiuntiva sulle quantità di materiale, la sua capacità di prevedere le emissioni di carbonio è migliorata drasticamente, dimezzando il tasso di errore.
Ciò che rende questo lavoro particolarmente prezioso è che i ricercatori non si sono limitati a costruire una "scatola nera" che sputa fuori un numero. Hanno dotato il loro sistema di una funzione che spiega perché ha fatto una specifica previsione. Analizzando i dati, il sistema ha identificato i driver più importanti dietro i numeri relativi a rifiuti e carbonio. Ha scoperto che il tipo di sistema strutturale — se l'edificio è fatto di cemento armato, acciaio o legno — era il fattore singolo più importante. Il numero di piani, la quantità di materiale riciclato utilizzato e il rapporto tra finestre e superficie muraria hanno giocato ruoli altrettanto rilevanti. Ad esempio, la simulazione ha confermato che l'uso di più parti prefabbricate, che sono realizzate in fabbriche controllate, porta generalmente a meno rifiuti nel cantiere. Queste spiegazioni permettono ad architetti e ingegneri di comprendere le leve che possono azionare. Possono vedere che scegliere un diverso sistema strutturale o aumentare l'uso di contenuto riciclato cambierà direttamente gli esiti previsti.
Lo studio ha anche rivelato una sfumatura cruciale su come questi strumenti debbano essere utilizzati. I ricercatori hanno scoperto che gli algoritmi più complessi e potenti non erano sempre la scelta migliore. Per prevedere le emissioni di carbonio, un modello matematico più semplice e diretto ha performato bene quanto quelli complessi una volta note le quantità di materiale. Ciò suggerisce che, nel mondo reale, il miglior strumento dipende dalle informazioni disponibili. Se un team si trova nelle fasi iniziali della progettazione, un modello sofisticato in grado di trovare schemi nascosti nei dettagli generali del progetto è utile. Ma una volta note le quantità di materiale, un modello più semplice e trasparente può essere altrettanto accurato e più facile da fidarsi. I ricercatori sottolineano che i loro risultati si basano su una simulazione controllata, non su una città o un mercato specifico del mondo reale, quindi i numeri esatti non dovrebbero essere presi come una garanzia per ogni futuro edificio. Tuttavia, il framework stesso dimostra che è possibile combinare la previsione di rifiuti e carbonio in un unico sistema spiegabile. Questo approccio offre una strada percorribile affinché l'industria delle costruzioni possa prendere decisioni più intelligenti e sostenibili nelle fasi precoci del processo, assicurando che gli edifici di domani siano non solo efficienti, ma anche più puliti e meno spreconi fin dalla prima linea tracciata su un progetto.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.