DIGITALIZZAZIONE DEL DANNO SISMICO DI EDIFICI SU

PIATTAFORMA BIM ATTRAVERSO TECNICHE DI

INTELLIGENZA ARTIFICIALE

A. Salzano1, C. Menna1, D. Asprone1, M. Serra1, E. Cosenza1

1
Dipartimento di Strutture per l’Ingegneria e l’Architettura – Università di Napoli Federico II

ABSTRACT: La quarta rivoluzione industriale, intesa come tendenza di progresso tecnologico generalizzata che va sotto il
nome di Industry 4.0, è un processo in atto che sta influenzando tutti i settori produttivi e, di conseguenza, la quotidianità
della vita umana. Gli approcci digitali, essendo parte integrante di tale rivoluzione, si stanno diffondendo sempre di più nel
settore delle costruzioni dove le esigenze di ottimizzazione dei processi sono talora urgenti, creando di fatto ampio spazio per
l’implementazione di tecnologie innovative. Nel presente documento, si riportano i risultati relativi all’impiego di due
tecnologie digitali - il Building Information Modeling (BIM)1 ed Intelligenza Artificiale (AI, Artificial Intelligence) 2
nell’ambito degli edifici esistenti. In particolare, l’obiettivo dello studio è quello di evidenziare le potenzialità, i vantaggi e le
possibili strategie di implementazione di tali tecniche a supporto della determinazione e digitalizzazione automatica dello
stato di fatto di edifici esistenti in muratura riportanti danni dovuti al sisma e, dunque, a sostegno di interventi di restauro e
valorizzazione del patrimonio esistente.

1
(Digi-Capital, 2016)
2
(FORRESTER, 2017)

1
 1. INTRODUZIONE

La quarta rivoluzione industriale, iniziata nel 2015 sugli sviluppi del programma che va sotto
il nome di Industry 4.0 3,1
, mira all’integrazione di diverse tecnologie digitali a supporto di
processi di progettazione, produzione e/o gestione di beni fisici. Storicamente, Industry 4.0 nasce
nel decennio scorso su iniziativa del governo tedesco per identificare tutti i processi di
digitalizzazione intervenuti nella produzione industriale. È nel 2011 che tale termine è adottato
da tutta la comunità internazionale industrializzata nell’ambito della “Hannover Fair”, la più
importante manifestazione internazionale dell’industria, come riportato dalla rivista Wired.
La grande differenza di Industry 4.0 rispetto alle precedenti rivoluzioni industriali è che non
riguarda solo una singola tecnologia “abilitante”, ma di un insieme di queste che mirano a
soluzioni uniche nell’ambito della produzione industriale. In questo ambito, infatti, la ricerca e
sviluppo propone soluzioni tecnologiche basate su una stretta interconnessione di “tecnologie
abilitanti” (KET – key enabling technology nello scenario anglosassone), che sono in grado di
“rivitalizzare il sistema produttivo” intervenendo nella riduzione degli sprechi, aumentandone la
produttività.
Uno dei principali obiettivi è dunque quello di trasformare processi produttivi tradizionali in
processi innovativi e rivoluzionari con l’ausilio di nuove ed interconnesse tecnologie abilitanti.
Come riportato anche da Project Management Europa, un’organizzazione specializzata in
Project Management e Governance Contrattuale, l’introduzione di siffatte innovazioni rispetto ai
processi produttivi tradizionali ha determinato un’inevitabile rivoluzione organizzativa intesa
come change & transformation management, a partire dalla quale il mercato del lavoro ha
dovuto adattarsi soprattutto in termini di competenze e abilità umane.
Da questa prospettiva, sebbene Industry 4.0 abbia effetti significativi in tutti i settori, il settore
in cui essa porterà un cambiamento radicale è senza dubbio quello delle costruzioni nel quale,
per sua stessa natura, convergono molteplici tecnologie potenzialmente capaci di interconnettersi
attraverso sistemi digitalizzati. Difatti, è ormai realtà il “kick-off” delle costruzioni digitalizzate
attraverso l’introduzione del Building Information Modeling (BIM)4 e di tutte quelle applicazioni
informatizzate volte all’ottimizzazione di tutto il processo di produzione-gestione delle opere
civili.

3
(Industria 4.0, 2017)
4
(BibLus-net, 26 )

2
 Nell’attività di ricerca qui presentata, si è sviluppata una interconnessione tra due strumenti
digitali, quali il BIM e l’Intelligenza Artificiale (AI, Artificial Intelligence), allo scopo di
ottimizzare la gestione di un processo operativo tradizionale relativo al costruito esistente. In
particolare, si propone una tecnica di indagine informatizzata per la determinazione e
digitalizzazione automatica dello stato di fatto di edifici esistenti in muratura riportanti danni
sismici, a supporto, quindi, di interventi di recupero e riqualificazione.

1.1 Building Information Modeling per gli edifici esistenti

Ad oggi è possibile ritenere il BIM una metodologia consolidata nell’ambito della

digitalizzazione del settore delle costruzioni. Tale circostanza è dimostrata dal crescente interesse
da parte di tutti gli operatori del settore e dall’evoluzione normativa che diversi paesi - in Italia la
normativa regolante il BIM, o più correttamente i “metodi e strumenti elettronici specifici di
modellazione per l’edilizia e le infrastrutture” è stata introdotta nell’ordinamento con l’art. 23 del
D.Lgs. 50 del 2016 (Codice dei Contratti Pubblici) e successivamente dettagliata con il Decreto
Ministeriale 560 del 2017, attuativo del citato articolo - stanno avviando attraverso l’utilizzo di
tali strumenti e metodi per la gestione degli appalti pubblici e privati. In Italia, diverse sono le
applicazioni già sviluppate nell’ambito di nuove progettazioni e/o nuove realizzazioni che hanno
permesso di dimostrare in maniera esaustiva i diversi vantaggi che intervengono in tutto il
processo di produzione edilizio.
È sempre crescente, inoltre, l’interesse dell’applicazione del BIM nell’ambito degli edifici
esistenti, soprattutto per la capacità di informatizzare caratteristiche fisiche e proprietà sullo stato
di fatto, nonché per la gestione di interventi di restauro/recupero. Tale interesse nasce
inevitabilmente dalla nota conformazione del patrimonio edilizio italiano costituito
prevalentemente da edifici di pregio storico - architettonico. Pertanto, si comprende l’esigenza di
monitorare le informazioni circa il degrado/danneggiamento degli edifici e di programmare
interventi di manutenzione e restauro diffusi su tutto il territorio nazionale. Proprio in questa
direzione si sviluppa l’attività di ricerca qui presentata, in cui si adopera il BIM in un caso studio
di un edificio esistente, caratterizzato da un vincolo storico – artistico - architettonico.

1.2 Tecniche di Intelligenza Artificiale a supporto dell’elaborazione di immagini

In generale, le tecniche di elaborazione dell'immagine si basano sulla lettura e

sull'elaborazione di immagini nella forma di matrici 2D di pixel differenziate, ad esempio, per
colore o dimensione. Le immagini sono visualizzate in ambiente informatico come matrici, in
3
quanto strutture molto semplici e di facile utilizzo. Partendo da questo presupposto, attraverso
l’implementazione di tecniche di IA risulta possibile creare strumenti informatici con funzioni
intelligenti, quali riconoscimento, misura, etichettatura di oggetti. Tra questi, il deep learning ha
assunto un ruolo importante in settori più disparati, quali automobilistico, stradale, industriale
ecc. Esso si basa su reti neurali che ricevono costantemente algoritmi di apprendimento e
quantità di dati di training della rete in continua crescita per aumentare l'efficienza dei processi di
formazione. Maggiore è il volume di dati, più efficienti saranno le funzioni di un sistema di
riconoscimento intelligente. Il deep learning5 è adoperato per la cosiddetta semantic
segmentation, quale tentativo di realizzare reti neurali in grado non solo di individuare la
presenza di oggetti nell’immagine, ma anche di replicare nello spazio della foto, pixel per pixel,
l’area in cui si trova l’oggetto stesso. A partire da quest’ultima operazione, è possibile poi
estrarre parametri quantitativi relativi agli oggetti individuati (ad esempio, dimensioni,
coordinate ecc.). La matrice dell’immagine in questione diviene, dunque, una matrice cosiddetta
“semantica”.
Il deep learining è utilizzato nell’ambito di questo lavoro per il riconoscimento automatizzato
del danno sismico su edifici in muratura a partire da foto digitali provenienti dal sito
dell’edificio.

2. DIGITALIZZAZIONE DEL DANNO SISMICO

È ampiamente noto quanto siano dispendiose, sia in termini di costi che di risorse umane, le
attività necessarie alla restituzione del quadro fessurativo di un edificio esistente danneggiato o
semplicemente che ha subito degrado nel corso della sua esistenza. Difatti, prima di ogni
intervento, è necessaria una fase di indagine dettagliata basata su rilievi in sito. Tale fase è
innanzitutto volta a validare gli elaborati grafici dell’edificio, quando presenti, e in secondo
luogo alla raccolta delle informazioni utili alla definizione del quadro fessurativo. Solo a valle di
tali attività si può precedere con l’elaborazione manuale di tutti i dati necessari alla definizione e
restituzione del livello di danno per un dato edificio.
È proprio in questa circostanza che le tecnologie sviluppate nell’ambito di Industry 4.0
potrebbero fornire un supporto pratico per il superamento delle suddette criticità. In particolare,
in questo articolo, si propone il BIM come alternativa alle procedure tradizionali per la gestione
informatizzata del danno sismico allo scopo di ridurre i tempi e costi associati alle attività di
creazione di un quadro fessurativo e di progettazione di interventi per un edificio esistente. In
5
(Buyukozturk, 2017)

4
aggiunta, viene proposta la tecnologia deep learning per l’analisi delle immagini di cantiere allo
scopo di ottenere una maggiore automatizzazione del processo di definizione del quadro
fessurativo. In particolare, a partire da immagini fotografiche riprese in sito, si descrive come
giungere al riconoscimento automatizzato di lesioni e alla quantificazione delle caratteristiche
relative alle stesse, operazioni tutt’oggi manuali e di difficile verifica nella pratica progettuale.
La metodologia proposta è qui applicata a supporto delle procedure di restituzione del livello
operativo di un edificio esistente posto in Macerata, danneggiato dal sisma del 2016. Si tratta di
un palazzo costruito nel 1860 e dichiarato inagibile a seguito del sisma. È un edificio nobiliare di
stile classico-purista, a uso abitativo, progettato dall’architetto Luciano Luciani, caratterizzato da
un vincolo storico – artistico - architettonico (Tutela art.10 del D.lgs. 42/2004) per gli elementi di
pregio presenti al suo interno. Tale vincolo ha rappresentato uno dei motivi cardine per la ricerca
di un procedimento, alternativo al tradizionale, capace di definire e gestire con maggiore rigore e
affidabilità le informazioni necessarie alla definizione del livello operativo. Il Livello Operativo
viene definito in base alla combinazione dello Stato di Danno e del Grado di Vulnerabilità, come
da Allegato 1 dell’Ordinanza 19/2017 (Ordinanze del Commissario Straordinario Ricostruzione
Sisma – 2016, Misure per il ripristino con miglioramento sismico e la ricostruzione di immobili
ad uso abitativo gravemente danneggiati o distrutti dagli eventi sismici verificatisi a far data dal
24 agosto 2016); quest’ultimo è oggetto di interesse perché a ciascun livello operativo sono
associati un costo parametrizzato e il tipo di intervento di ricostruzione, di miglioramento
sismico o di rafforzamento locale associato alla riparazione dei danni.
Sulla base degli studi e dalle analisi tecniche effettuati in sito, è emersa come probabile
strategia l’impiego della metodologia BIM, tecnologia di potenzialità già note nelle operazioni di
nuova progettazione. Meno conosciuto è, tuttavia, l’impiego di tale metodologia per perseguire
gli scopi in esame, quale la modellazione di un edificio esistente e la restituzione del livello
operativo. La strategia adoperata si compone di specifiche fasi operative pianificate e organizzate
come segue:

1. Progettazione architettonica.
2. Rilievo fotografico in sito, con relativi coni ottici.
3. Identificazione e Codifica del danno.
4. Restituzione del Livello Operativo.

In particolare, per ciò che attiene ai punti 3. e 4., è stato adottato lo schema riportato nella
Figura 1 che mostra le connessioni logiche e i parametri del danno digitalizzati in ambiente BIM.
Nella fattispecie, è stato realizzato un modello architettonico mediante il Software Autodesk
Revit.
5
 Figure 1 Workflow di digitalizzazione del danno sismico per la definizione del Livello operativo

La progettazione architettonica segue piante e prospetti rilevati nel 1994, opportunamente

verificati in sito, da cui è stato realizzato il modello architettonico rappresentato nelle Figura 2 e
Figura 3. Il modello è stato sviluppato per la finalità specifica, quale valutazione preventiva del
livello operativo. Per un completo rilievo del danno sismico è necessario spingersi a un livello di
sviluppo LOD E (LOD: Level of Development) del modello in cui a ciascun elemento
corrispondono i relativi parametri meccanici. Informazioni disponibili solo a seguito di
opportune indagini in sito.

Figura 1 Prospetto Nord Revit Figura 2 Immagine render modello in Revit

6
 Trattandosi di un edificio in muratura – mattoni pieni a due e tre teste e malta di calce – la
valutazione preventiva del livello operativo segue quanto previsto dall’Allegato 1 dell’Ordinanza
19/2017, per poi determinarne lo stato di danno e la vulnerabilità. Per tale scopo, risulta
necessaria una codifica del danno, con la definizione di nuovi parametri di progetto da associare
a specifici elementi del modello. Considerando quanto riportato in Allegato 1 dell’Ordinanza
19/2017 (TABELLA 1 – SOGLIE DI DANNO e TABELLA 3 – CARENZE), sono stati definiti
i seguenti parametri di progetto cui associare un valore a seconda del risultato dell’ispezione
visiva (Tabella 1).

PARAMETRO CARATTERISTICHE VALORE

a_crollo ampiezza crollo
a_distacco ampiezza distacco
a_lesioni ampiezza lesioni
area in pianta superficie in pianta muri
direzione superficie resistente
-direzione orizzontale X
-direzione verticale Y
i_crollo indice crollo
-presenza di crolli 1
-assenza di crolli 0
i_distacco indice distacco
- presenza di distacchi 1
- assenza di distacchi 0
i_falso indice muri in falso
- presenza muri in falso 1
- assenza di muri in falso 0
i_schiacciamento indice schiacciamento
- evidenze di schiacciamento 1
- assenza di schiacciamento 0
i_tramezzature indice tramezzi
- perdita totale di efficacia 1
- totale efficacia 0
n_muro numero muro
n_piano numero piano
sup_prospettica superficie prospettica

7
tipologia - muro strutturale S
- muro non strutturale T
Tabella 1 Parametri i progetto definiti in base all’Allegato 1 dell’Ordinanza 19/2017

Tali parametri sono poi assegnati, a seconda della casistica appropriata, ai diversi elementi
modellati in BIM. Realizzato quindi il modello dell’edificio, al fine di restituire un quadro
fessurativo digitale, si procede alla modellazione di ciascuna lesione, definita come un “modello
generico” (famiglia disponibile in Revit), ricavando a valle della modellazione uno specifico
abaco. A partire dai coni ottici a disposizione, la modellazione si è articolata nei seguenti step:

1. Creazione di nuove viste di sezioni in corrispondenza e in direzione dei muri lesionati.

2. Inserimento delle immagini ricavate da rilievo in situ nella vista di sezione
selezionata; modellazione della lesione con spline che ne ripercorrono l’andamento e
successiva estrusione: l’estrusione si estende per tutto lo spessore del muro in caso di
lesione passante, diversamente in caso di lesione non passante.
3. Assegnazione dei parametri delle lesioni passanti e non passanti, sia per muri
strutturali che per muri non strutturali. Inoltre, per garantire una corrispondenza
maggiore con il rilievo eseguito, all’interno del modello alle lesioni passanti si è
aggiunto al parametro “immagine” il cono ottico corrispondente.
4. Per identificare la superficie lesionata di ciascun piano e in ciascuna direzione si è
scelto di applicare, in corrispondenza di ciascun muro lesionato, una colorazione
differenziata: rossa per muri strutturali e verde per le tamponature. Quest’ultimo
passaggio consente di trasferire il dato sull’estensione dell’area lesionata direttamente
ad uno specifico abaco.
5. A ciascuna lesione è stata inoltre associata un’etichetta “danno” che ne specifica la
tipologia:
▪ LVP_i: i_esima lesione verticale passante
▪ LOP_i: i_esima lesione orizzontale passante
▪ LDP_i: i_esima lesione diagonale passante
▪ LVNP: lesione verticale non passante
▪ LONP: lesione orizzontale non passante
▪ LDNP: lesione diagonale non passante
▪ LSP: lesione solaio passante
▪ LSNP: lesione solaio non passante

Indicando con _i il corrispondente numero della lesione passante. Tale step è di notevole
importanza ai fini grafici, in quanto risulta possibile ricavare, in maniera automatizzata, elaborati

8
arricchiti dalle suddette etichette, dunque con una sintesi delle caratteristiche associate a ciascuna
lesione del quadro fessurativo.
Ripetendo i procedimenti per tutte le lesioni di ciascun piano, si è ottenuta la restituzione del
quadro fessurativo per l’intero edificio (Figure 4,5,6).

Figura 4 Quadro fessurativo Piano Primo

Figura 3 Quadro fessurativo Piano Terra

Figura 5 Quadro fessurativo Piano secondo

Gli abachi di cui sopra, permettono di svolgere agevolmente operazioni di computo a partire
dai parametri quantitativi ricavati dal progetto BIM. Si tratta di tabelle, elenchi e computi estratti
direttamente dalle proprietà degli elementi del modello di Revit. Essi costituiscono delle viste di
progetto sotto forma di liste che catalogano tutti gli elementi del modello e le relative
informazioni. Tale strumento consente, a fine progetto, di ottenere la lista dei componenti, delle
proprietà fisiche, degli opportuni parametri aggiuntivi nonché la lista dei parametri codificati del

9
danno; nel caso specifico i parametri necessari alla restituzione del Livello Operativo. Tali
informazioni possono visualizzarsi nelle modalità più disparate; per la finalità specifica sono
visualizzate per ciascun piano e per ciascuna direzione, adoperando adeguati filtri, come
mostrano alcuni degli abachi che seguono (Figura 7 e 8).

Figura 6 Abaco superfici lesionate Piano Terra

Figura 7 Abaco finestre Piano Terra

I suddetti abachi sono successivamente esportati in Excel sotto forma di tabelle. A partire da
tali tabelle, in maniera automatizzata, è stato possibile definire lo stato di danno e la vulnerabilità
come previsto dall’ Ordinanza sopra citata. È importante evidenziare quali siano le molteplici
informazioni ricavate in maniera automatizzata dagli abachi per ciascuna categoria di elemento
del modello (Tabella 2).

COMPONENTE DELL’EDIFICIO INFORMAZIONI DELL’ABACO

muri, strutturali e non strutturali: - Numero piano
- Numero muro
- Direzione
- Lunghezza
- Caratteristica (‘S’ se strutturale e ‘T’
se non strutturale)
- Spessore
- Altezza non collegata
- Superficie – netta e lorda –
prospettica
- Volume
- Superficie in pianta
- Tipologia (‘P’ se perimetrale –
parametro utile per la

10
 determinazione delle carenze)
- Indice di schiacciamento
- Indice di muro in falso
- Indice di distacco
- Indice di crollo

• finestre e porte: - Numero piano

- Numero muro (di appartenenza)
- Direzione
- Altezza
- Larghezza
- Superficie in pianta

• superfici lesionate: - Numero piano

- Numero muro (di appartenenza)
- Area
- Indice di distacco

• lesioni: - Numero piano

- Numero muro (di appartenenza)
- Immagine (cono ottico, come da
rilievo fotografico)
- Ampiezza
- Contrassegno (etichetta “danno”)

Tabella 2 Informazioni fornite dagli abachi nel modello BIM per l’edificio oggetto dello studio

In particolare, ai sensi dell’art. 6-bis dell’Ordinanza 19/2017, è stato quindi definito per
l’edificio oggetto di studio uno Stato di danno 2, ovvero danno superiore al “danno lieve” e
inferiore o uguale al “danno grave”, ed un Grado di vulnerabilità Significativo. A titolo
esemplificativo, si riporta il dettaglio di una lesione passante presente in Figura 9 al piano terra
che ha contribuito notevolmente all’attribuzione del suddetto grado di vulnerabilità.

11
Figura 8 Lesione passante al piano terra di ampiezza pari a 10 mm e di sviluppo in orizzontale pari a 260 mm.

Dalla combinazione dello stato di danno e della vulnerabilità è stato possibile ricavare il
livello operativo, pari a L1 (Figura 10).
TABELLA 5 – DEFINIZIONE DEL LIVELLO OPERATIVO

[Combinazione dello Stato di Danno (Tab 2) e Grado di Vulnerabilità (Tab 4)]

Vulnerabilità Stato di Danno 1 Stato di Danno 2 Stato di Danno 3 Stato di Danno 4

Bassa o L0 o L1 o L2 o L4

Significativa o L0 x L1 o L3 o L4

Alta o L0 o L2 o L3 o L4

Figura 9 Tabella Livello Operativo, Ordinanza n. 19 del 7 aprile 2017

In breve, la strategia adottata che prevede l’impiego della tecnologia BIM per la restituzione
del Livello Operativo, si dimostra promotrice di molteplici vantaggi, addizionali a quelli previsti
dalla consueta pratica del BIM. In particolare, il Livello Operativo restituito lo si può definire
come automatizzato, accurato e verificabile perché tali sono i parametri e il quadro fessurativo da
cui lo stesso deriva. I parametri e il quadro fessurativo, inoltre, sono visibili sia in forma grafica
che numerica.
Informazione caratterizzante e indispensabile nei modelli BIM per edifici di nuova
progettazione è il LOD, “Livello di sviluppo”, proprio degli oggetti presenti nel modello. Il
sistema dei LOD italiano è definito nelle UNI 11337:2017. Un’analoga scala generale non è
ancora stata specificata per i casi in cui il modello è elaborato a sostegno di interventi su edifici
esistenti, come quello esaminato. Tuttavia, gli interventi su edifici esistenti sono caratterizzati da
12
fasi di lavoro che possono considerarsi in perfetta analogia con le altrettante fasi previste nella
nuova progettazione. Da ciascuna fase scaturiscono informazioni e, conseguentemente, possibili
LOD da raggiungere.
Per il raggiungimento del fine desiderato, cioè la valutazione preventiva del Livello
Operativo, è sufficiente un modello costituito da una rappresentazione geometrica definita ma
con caratteristiche qualitative e quantitative indicate in via generica. Il modello risultante,
dunque, con riferimento ai LOD e ai canoni previsti per la nuova progettazione sembrerebbe
equivalere ad un LOD basso, ma per l’obiettivo desiderato è rispondente ad un LOD superiore,
“as-built”.

1.3 Acquisizione automatizzata del danno sismico da immagini

I risultati mostrati nel paragrafo precedente, evidenziano senza dubbio le potenzialità del BIM
in merito alla gestione di dati relativi a edifici esistenti danneggiati. La prospettiva di utilizzo del
metodo proposto è quella di rendere più affidabili e rapide le valutazioni dello stato di fatto in
previsione di interventi di recupero. Tuttavia, la fase inziale del metodo consiste nella raccolta ed
identificazione manuale del danno da inserire nel modello BIM. L’impiego di tecniche di
Intelligenza Artificiale può senza dubbio fornire un supporto digitale e rapido in tal senso. Per
tale motivo, è stata sviluppata una specifica procedura in ambiente Matlab basata sul Deep
Learing per il riconoscimento automatizzato del danno sismico nella forma di fessura6.
In particolare, con l’impiego di Matlab e degli annessi Tools, è stato possibile realizzare due
reti neurali profonde: l’una allenata per riconoscere lesioni su pareti intonacate e l’altra per
riconoscere lesioni e tessitura di muratura in tufo. Si tratta di reti definite come Semantic
Segmentation Networks, dove Semantic Segmentation è il termine che descrive il processo con
cui si associa ad ogni pixel dell’immagine una ROI (region of interest) Label che rappresenta
un’etichetta rispondente ad una specifica classe.
Il flusso di lavoro della procedura automatizzata seguito si articola in step differenti7:

1. Scelta delle immagini input: è una delle operazioni principali perché determina la
qualità del risultato. Il database, per ciascuna delle due reti, viene creato selezionando
accuratamente immagini ad alta definizione che abbiano specifiche caratteristiche. Le
stesse sono poi divise in Training Images (necessarie all’allenamento della rete) e Test
Images (per la valutazione dell’efficacia della rete).

6
(Cao, 2018)
7
(Mosalam, 2018)

13
 2. Creazione di ciascuna rete di segmentazione semantica: in questa fase si definisce
l’architettura della rete. L’architettura di entrambe le reti considerate è caratterizzata
da tre operazioni principali che consentono il rilevamento delle caratteristiche degli
oggeti (nel nostro caso, lesioni), dette feature detection layers, quali: Convolution,
Pooling, Rectified linear unit (ReLU) cui si aggiungono operazioni finali per la messa
a punto ottimale della rete (creazione Full connection layer e Softmax).
3. Addestramento e Test di ciascuna rete: per l’addestramento di ciascuna rete, è
necessario considerare delle Training Images e Test Images aventi delle “etichette”
con le rispondenti ROI Labels (rispettivamente Figura 11 e Figura 12). In un caso –
rete delle pareti interne intonacate – sono definite due ROI Labels (Crack,
Background); mentre nell’altro – rete delle pareti in muratura di tufo – sono state
definite tre ROI Labels (Crack, Background, Giunto di Malta).

Figura 10 Labels Rete 1 Figura 11 Labels Rete 2

4. La stessa architettura, definita nella fase di creazione della rete, è quindi richiamata
per procedere poi all’allenamento della rete stessa, la cui durata è variabile in funzione
del numero di immagini di input e della potenza elaborativa del computer a
disposizione.
5. Valutazione e controllo dei risultati: si procede con il caricamento della rete addestrata
con le immagini di prova. Le etichette stimate sono confrontate con quelle TestLabels,
con una successiva valutazione della qualità della previsione. Il controllo dei risultati
avviene grazie alla presa visione di specifici parametri quali, Global Accuracy, Mean
Accuracy, ecc. Altra importante informazione la si ottiene attraverso la
“ConfusionMatrix” capace di restituire in forma tabellare il riscontro tra le classi
predette dalla rete e quelle reali derivanti dalla fase 1.

14
 Figura 12 Normalized Confusion Matrix

6. Quantificazione dei risultati: specifiche informazioni quantitative inerenti alle

superfici lesionate si ricavano con procedimenti completamente automatizzati
ricorrendo ad applicativi presenti in Matlab. A partire dalle quantità così ricavate,
rispondenti all’unità di misura pixel, sarà sufficiente applicare una semplice
conversione per ottenere le rispettive quantità nel sistema di misura desiderato.

La successione di step sopra descritta è stata applicata ad entrambe le reti oggetto dello studio.
Le iterazioni si considerano concluse quando la segmentazione dell’immagine usata come test
(TestImage) e la valutazione della qualità della predizione della rete sono soddisfacenti, come
mostrano i principali parametri riferiti alla rete 1 14).

Le immagini seguenti illustrano l’applicazione della procedura ad una immagine reale (15 16)
relativa ad una parete intonacata, acquisita presso l’edificio caso studio di Macerata. È possibile
apprezzare come la rete riconosca la lesione (17) e ne riesca a valutare le caratteristiche
geometriche (18 – 19), in mm.

15
Figura 13 Immagine ritraente una Figura 14 Particolare lesione passante.
lesione passante, come da rilievo in
sito dell'edificio oggetto di studio.

Figura 15 Immagine testata dalla rete di Figura 16 Immagine testata per la

convoluzione elaborata. quantificazione dei risultati.

Filled MajorAxis MinorAxis Perimeter

Area Lenght Lenght
[mm2] [mm] [mm] [mm]
1798,90 495,98 45,98 100,43

Tabella 3 Risultati elaborati dalla rete convoluzionale, espressi

in mm.

16
3. CONCLUSIONI

Il metodo di digitalizzazione del danno sismico proposto nel presente lavoro attesta le
significative potenzialità che strumenti digitali avanzati, quali il BIM e Deep Learning, possono
avere a supporto degli interventi su edifici esistenti. Infatti, con una dedicata codifica del danno è
stato possibile ottenere una completa digitalizzazione del Livello Operativo per un edificio
esistente danneggiato dal sisma. Valore aggiunto, inoltre, deriva dall’uso della tecnologia Deep
Learning per il riconoscimento automatizzato a partire da immagine. Quest’ultima, insieme con
il BIM, ha reso più celeri ed affidabili tutte quelle operazioni necessarie alla corretta
progettazione di interventi su edifici esistenti, evitando ritardi in termini di tempo e costo lavoro.

RIFERIMENTI

1. Yuqing Gao - Khalid M. Mosalam Deep , Transfer Learning for Image‐Based

Structural Damage Recognition, Article in Computer-Aided Civil and Infrastructure
Engineering · April 2018.
2. Max Ferguson - Ronay ak - Yung-Tsun - Tina Lee - Kincho H Law, Detection and
Segmentation of Manufacturing Defects with Convolutional Neural Networks and
Transfer Learning, Article September 2018.
3. He Xu - Leixian Shen - Qingyun Zhang - Guoxu Cao , Fall Behavior Recognition
Based on Deep Learning and Image Processing, Article in International Journal of
Mobile Computing and Multimedia Communications 9(4):1-15 · October 2018.
4. Young-Jin Cha - Wooram Choi - Oral Buyukozturk, Deep Learning-Based Crack
Damage Detection Using Convolutional Neural Networks, Article in Computer-
Aided Civil and Infrastructure Engineering 32(5):361-378 · March 2017.

17