AUTOMAZIONE AI NEL PROCESSO SCAN-TO-BIM PER GLI EDIFICI STORICI Dalla nuvola di punti all’arricchimento informativo del modello

The Scan-to-BIM process and, in particular, the conversion of point clouds into parametric information models currently represent one of the most demanding workflows in the AEC (Architecture, Engineering and Construction) sector, characterized by considerable time expenditure for manual modeling and by the difficulty of translating raw survey data into structured semantic information. This issue is even more evident in the field of built heritage, where the morphological complexity and the historical stratification of buildings make manual redrawing particularly slow and repetitive. This thesis investigates and tests the application of Artificial Intelligence technologies, such as Machine Learning and Computer Vision, in order to innovate this process and overcome the limitations of manual redrawing. The research adopts a methodological approach applied to a real case study, the former church of Santa Maria in Brera in Milan, and is organized into three main phases. The first phase consists of the semantic segmentation of the point cloud: a neural network, trained on a manually annotated portion, automatically recognizes and classifies the architectural elements recorded in the survey, such as floors, walls, columns, arches, vaults and openings, returning a labeled cloud that provides the basis for the subsequent phases. The second phase employs the resulting classes to automate the geometric modeling of the architectural envelope, quantifying the reduction in processing time with respect to the traditional procedure. The third phase, carried out on a limited and representative portion of the building, is devoted to the enrichment of the information level of the model: through semantic classifiers, the point cloud is analyzed in order to automatically recognize materials and surface characteristics, information that is supplemented by the analysis of images and historical documentation and associated with the modeled elements as qualitative attributes (semantic enrichment). The final objective is to define an operational protocol that integrates AI not as a replacement for the designer, but as a tool for decision-making and operational support, quantifying its benefits in terms of time saving and information richness of the resulting HBIM (Historic Building Information Modeling) model.

Il processo Scan-to-BIM e, in particolare, la conversione di nuvole di punti in modelli parametrici informativi rappresentano oggi uno dei flussi di lavoro più onerosi del settore AEC (Architecture, Engineering and Construction), caratterizzato da un elevato dispendio di tempo per la modellazione manuale e dalla difficoltà di tradurre il dato grezzo in informazione semantica strutturata. Il problema è ancora più evidente nel caso del patrimonio costruito, dove la complessità morfologica e la stratificazione storica degli edifici rendono il ricalco manuale particolarmente lento e ripetitivo. La presente tesi indaga e sperimenta l’applicazione di tecnologie di Intelligenza Artificiale, come Machine Learning e Computer Vision, per innovare tale processo, superando i limiti del ricalco manuale. La ricerca adotta un approccio metodologico applicato a un caso studio reale, l’ex chiesa di Santa Maria in Brera a Milano, e si articola in tre fasi principali. La prima fase consiste nella segmentazione semantica della nuvola di punti: una rete neurale, addestrata su una porzione annotata manualmente, riconosce e classifica in automatico gli elementi architettonici presenti nel rilievo, quali pavimenti, murature, pilastri, archi, volte e aperture, restituendo una nuvola etichettata che costituisce la base delle fasi seguenti. La seconda fase impiega le classi così ottenute per automatizzare la modellazione geometrica dell’involucro architettonico, con la quantificazione della riduzione dei tempi rispetto alla procedura tradizionale. La terza fase, condotta su una porzione ridotta e rappresentativa dell’edificio, è dedicata all’arricchimento del livello informativo del modello: attraverso classificatori semantici la nuvola di punti viene analizzata per riconoscere automaticamente materiali e caratteristiche superficiali, informazioni che vengono integrate dall’analisi di immagini e di documentazione storica e associate agli elementi modellati sotto forma di attributi qualitativi (semantic enrichment). L’obiettivo finale è definire un protocollo operativo che integri l’AI non come sostituto del progettista, ma come strumento di supporto decisionale e operativo, quantificandone i benefici in termini di tempi e di ricchezza informativa del modello HBIM (Historic Building Information Modeling).