h-header

header
main

dynamic

content

post

Collana TRL7 - l’integrazione della fire safety abilitata dal BIM

Autore Gianfranco Rocchi | Chief Communication Officer | 05 Marzo 2021 |

Le tecnologie abilitate dal Building Information Modeling (BIM) potrebbero rappresentare il futuro della gestione della sicurezza degli edifici. In un paper di Zhansheng Liu, Anshan Zhang e Wensi Wang, della Beijing University of Technology, gli autori propongono un framework per un sistema di gestione della sicurezza interna basato sul digital twin e support-vector machines (SVM).

 

Vediamo più in dettaglio in cosa consiste e che implicazioni può avere in materia di fire safety, partendo dai due elementi di base appena citati.

 

Un digital twin viene sviluppato utilizzando il BIM integrato con le informazioni operative raccolte dai sensori IoT.

Il digital twin, letteralmente il gemello digitale - è una copia esatta, un modello virtuale di un oggetto reale – l’edificio – su quale è possibile fare test e prove in modo economico, non distruttivo, replicabile e altamente fedele alla realtà.

Qui di seguito ne parleremo relativamente alle sue applicazioni agli edifici ma il digital twin è stato utilizzato per la prima volta dalla NASA e dall’USAF per prevedere la vita residua dei veicoli spaziali e le principali scuderie di Formula 1 integrando i dati di telemetria, fanno “correre” al digital twin la stessa gara del pilota in pista, per fornire al team un supporto decisionale essenziale (e gli esempi potrebbero continuare).

Gli edifici e gli impianti, dotati di sensori, comunicano in tempo reale  con i gemelli virtuali, informandoli dell'utilizzo in corso del manufatto reale, delle sue prestazioni, etc. ; ricevuti questi dati il digital twin è in grado di simulare la situazione operativa e rilevare eventuali malfunzionamenti. Tali sensori già consentono la manutenzione predittiva e l'ottimizzazione del funzionamento degli impianti ma se queste informazioni venissero applicate a scenari di sicurezza antincendio – e avessero una sufficiente affidabilità – allora potrebbero diventare dei veri e propri strumenti di analisi e valutazione del rischio in grado di sviluppare strategie di prevenzione e protezione in tempo reale. Per fare questo sarebbe necessario poter inferire degli scenari futuri dalle informazioni raccolte.

 

Le support-vector machines (SVM) sono algoritmi di apprendimento automatico supervisionato che possono essere utilizzate sia per scopi di classificazione che di regressione (ovvero metodi statistici in grado di stimare le relazioni tra una variabile dipendente e una o più variabili indipendenti). Sviluppati negli anni ‘90 agli AT&T Bell Laboratories da Vladimir Vapnik e colleghi, gli SVM sono uno dei metodi di previsione più robusti; dato un insieme di esempi, un algoritmo di addestramento SVM costruisce un modello che assegna nuovi casi a una categoria o all'altra, e quando non esiste una categoria, l’algoritmo tenta di trovare il raggruppamento naturale dei dati in gruppi e quindi mappare nuovi dati rispetto a questi gruppi. Questi algoritmi sono applicati, tra gli altri ambiti, al riconoscimento facciale, alla classificazione di testo e scrittura, al riconoscimento di immagini.

 

Nel caso descritto nel paper dei ricercatori cinesi, Il framework è stato applicato, in un caso di studio, allo stadio di bob e slittini realizzato per i Giochi Olimpici Invernali del 2022 a Pechino. L'esperimento di simulazione è durato 15 giorni e durante l'esperimento sono stati appiccati 10 incendi all’interno dell’edificio, impiegando diversi materiali di combustione.

Il modello SVM è stato utilizzato per ottenere automaticamente i tipi ed i livelli di pericolo, elaborando i dati nel digital twin e fornendo avvisi e posizionamento dei pericoli, attraverso una visualizzare nel modello 3D. Ciò ha consentito al personale addetto alla gestione della sicurezza di comprendere intuitivamente cosa stava accadendo.

 

La relazione tra i parametri di pericolo è complessa e non può essere facilmente caratterizzata con un'espressione matematica affidabile. Ad esempio, nella fase iniziale dello sviluppo del fuoco, il fumo è relativamente denso, ma la temperatura non è elevata e il pericolo è relativamente piccolo; tuttavia, con lo sviluppo dell'incendio, il fumo diminuisce gradualmente e la temperatura aumenta. Inoltre, molti fattori influenzano i parametri del fuoco; quindi, è difficile stabilire una relazione matematica affidabile tra i tipi di pericolo, il livello di pericolo e i parametri.

I metodi di apprendimento automatico possono trovare correlazioni complesse tra variabili indipendenti e variabili dipendenti attraverso grandi quantità di calcoli basati su una serie di campioni, portando a una classificazione e regressione affidabili.

 

Nello studio citato si descrive in dettaglio come è avvenuto l'addestramento del modello.

Al momento, i sistemi di sicurezza sono tipicamente indipendenti e non possono realizzare analisi integrate delle informazioni o l'elaborazione automatica del pericolo. Inoltre, la connessione complessiva tra il sistema di sicurezza e le informazioni sull'edificio è ancora scarsa. Questo vale sia per i sistemi hardware, sia per il personale addetto alla gestione della sicurezza che non ha, spesso, un quadro generale che lo metta in grado di formulare rapidamente una strategia di trattamento mirato in caso di pericolo.

 

In questo contesto, il gemello digitale sta attirando una crescente attenzione in quanto è il candidato migliore per realizzare la fusione, in un unico modello, dei dati, il feedback interattivo e l'ottimizzazione iterativa tra oggetti fisici e virtuali.

Il modello virtuale, oggi impiegato principalmente in fase di progettazione e manutenzione, contiene, integrandole, tutte le informazioni geometriche degli edifici, quelle sui materiali da costruzione (e sui produttori degli stessi materiali, per recuperare un ulteriore layer informativo che potrebbe anche essere arricchito o revisionato in seguito), sugli aspetti impiantistici e le informazioni generate durante il funzionamento dell'edificio, compresa la temperatura interna, la concentrazione di ossigeno, la concentrazione di monossido di carbonio, la concentrazione di fumo, gli stati di apertura e chiusura di porte e finestre, il numero di personale all’interno, la sua collocazione e il suo movimento.

 

Tutte queste informazioni possono essere gestite perché il BIM è essenzialmente uno strumento collaborativo, arricchito e manutenuto da ciascun soggetto competente (lo strutturista, l’impiantista, il facility manager, gli organi di controllo e le squadre di emergenza solo per citare i più importanti ai fini della sicurezza antincendio). Questo può avvenire grazie a formati dati aperti come l’IFC (Industry Foundation Classes) progettati per trasmettere tutte le informazioni del manufatto durante tutto il suo ciclo di vita, dall'analisi di fattibilità fino alla sua realizzazione e manutenzione passando per le varie fasi di progettazione e pianificazione. Gli elementi sono pensati per descrivere i componenti di un manufatto come ad esempio impianti, spazi, zone, elementi strutturali, includendo le proprietà specifiche di ogni oggetto. Grazie a questa suddivisione ad ogni oggetto è possibile associare le opportune grandezze.

 

Un digital twin supportato da algoritmi appropriati, come si è visto nello studio cinese, può far corrispondere condizioni rilevanti alle prestazioni nel mondo fisico reale, e quindi proporre miglioramenti ai sistemi nel mondo reale (metodi già applicati alla valutazione dell'integrità strutturale degli edifici  ed alla previsione di guasti alle apparecchiature).

In futuro, gli stessi ricercatori che hanno condotto la ricerca citata anticipano la possibilità di ampliare i pericoli rilevabili, come la presenza di gas nocivi, criticità strutturali, sicurezza delle apparecchiature

 

Sviluppare sistemi di gestione della sicurezza come quelli descritti consentirebbe al personale incaricato di gestire la sicurezza di comprendere in modo intuitivo e rapido cosa sta accadendo e cosa potrebbe succedere, grazie a sistemi di supporto alle decisioni basati sull’ l'Intelligenza Artificiale delle cose (AIoT).

Inoltre, poiché l’IoT non è solo composto da sensori, ma anche da robot, strutture di rete e dispositivi intelligenti, che possono agire sul mondo reale si può immaginare che per alcune funzioni più semplici, ripetitive o pericolose, l’intervento umano sia by-passato.

Specificamente, dei gruppi di ricerca hanno già sviluppato framework per sistemi di gestione dell'evacuazione antincendio intelligente e di visualizzazione e allarme basato su BIM per il soccorso antincendio, in grado di migliorare la capacità di gestione delle emergenze degli edifici.

 

 

note sull'autore

Gianfranco Rocchi è curatore del digital content marketing di Mozzanica&Mozzanica Srl; con una formazione accademica in storia economica, ha una esperienza di oltre quindici anni nella consulenza aziendale relativamente ai sistemi di gestione aziendale e della salute e sicurezza sul lavoro. È stato inoltre autore di contenuti per la televisione ed il podcasting.

► per scaricare questo articolo in versione pdf CLICCA QUI

 

side archivio

Archivio per anno

h-footer

Mozzanica & Mozzanica Srl

 

Via Martiri della Liberazione, 12

23875 Osnago (LC) - Italy

T +39 039 2254 700

T +39 039 9910 618

F +39 039 9910 615

info@mozzanica.eu

 

PEC mozzanica@legalmail.it

 

Cap. Soc. € 400.000,00 i.v.

REA Lecco 291853

P. IVA 02555530134

Sede di Milano

 

Via G. Sforza 62

20081 Abbiategrasso (MI)

F +39 039 9910 615

Mozzanica USA LLC

 

Sede USA

2253 Vista Parkway, Suite 8

West Palm Beach, FL 33411

T +1 561 370 3597

infousa@mozzanica.eu

Social

 

© Copyright 2021 - Mozzanica&Mozzanica Srl

Privacy Policy - Cookie Policy